| name | publication_figure |
| version | 1.1.0 |
| min_version | 1 |
| description | 生成符合 Nature/Science/Cell 等顶级期刊投稿标准的科研图表。自动输出 matplotlib/seaborn 可执行代码、PDF/PNG/EPS 矢量图、标准图注（Figure Legend）及提交前自检清单。支持柱状图、折线图、散点图、热图、Kaplan-Meier 生存曲线、火山图、多面板组合图。触发词：论文图、发表级图表、期刊图表、Nature图、Science图、Cell图、投稿用图、科研绘图、论文插图、高分辨率图表、矢量格式图表。 |
| category | visualization |
| allowed-tools | ["ask_user_question","dataset_catalog","stat_test","stat_model","stat_interpret","code_session","chart_session","export_chart","workspace_session"] |
顶级期刊图表制作技能 (Publication-Quality Figure Skill)
概述
本技能指导大模型生成符合顶级学术期刊（Nature、Science、Cell、The Lancet、NEJM、PNAS、IEEE 等）发表标准的科研图表。
当用户要求绑制任何科研图表时，必须遵循本文档中的规范。
执行总纲（模型优先阅读）
本文档分为两部分：
- 前半部分（执行总纲 + 执行流程）：作战地图，触发时优先阅读，明确"先做什么、再做什么"
- 后半部分（参考手册）：详细规范、代码示例、配色参数，按需查阅
触发条件
- 用户要求绑制或生成科研数据图表
- 用户要求将数据可视化为论文发表级别的图形
- 用户提到 "论文图"、"发表级图表"、"期刊图表"、"Nature图"、"Science图"、"投稿用图" 等关键词
- 用户要求导出高分辨率或矢量格式图表
执行流程速查
Step 1: 需求确认（确认期刊/图表类型/数据/输出格式）
↓ [CP1] 向用户确认需求
Step 2: 数据预处理（清洗/统计量计算）
Step 3: 应用期刊规范（尺寸/DPI/字体/配色/线条）
↓ [CP2] 向用户确认规范方案
Step 4: 生成图表代码（matplotlib/seaborn + 统计标注 + 多格式保存）
↓ [CP3] 展示关键参数，确认后执行
Step 5: 自检与交付（清单检查 + 图注 + 交付文件）
↓ [CP4] 展示预览，确认或迭代
工具映射速查
| 执行步骤 | 推荐工具 | 用途说明 | 参考章节 |
|---|
| Step 1 需求确认 | ask_user_question | 向用户确认期刊、图表类型、数据状态 | 执行总纲-图表类型选择指南 |
| Step 2 数据预处理 | dataset_catalog | 检查数据完整性、格式、缺失值 | 第二章 |
| Step 2 统计计算 | stat_test / stat_model / stat_interpret | 计算统计量、p值、效应量 | 第六章 |
| Step 3 应用规范 | （规范决策步骤，无工具调用） | 按目标期刊选择尺寸/DPI/字体/配色 | 第一章、第三章 |
| Step 4 生成代码 | code_session / chart_session | 编写并执行绘图代码 | 第四章、第七章 |
| Step 4 多格式导出 | export_chart | 同时输出矢量(PDF/EPS/SVG)和位图(PNG/TIFF) | 7.3 节 |
| Step 5 自检交付 | workspace_session | 管理输出文件、交付图注与图表 | 第八章 |
使用原则：优先使用上表推荐的专用工具；若工具不可用，按技能文档中的代码示例和函数模板手动实现。
检查点 fallback 速查
| 检查点 | 通过条件 | 未通过处理 |
|---|
| CP1 需求确认 | 用户确认期刊、图表类型、数据状态 | 用户提出修改 → 记录修改项，重新确认；用户未明确 → 给出推荐方案并征得同意 |
| CP2 规范确认 | 用户确认尺寸、配色、字体方案 | 用户要求冲突规范（3D/渐变/红绿）→ 礼貌拒绝并说明原因，提供替代方案；用户要求调整 → 返回 Step 3 修改 |
| CP3 代码执行前 | 用户确认关键参数（尺寸/DPI/配色/统计方法） | 用户要求调整 → 修改代码，重新展示参数摘要；用户未回复 → 等待确认，不擅自执行 |
| CP4 交付确认 | 用户对图表、图注、布局满意 | 用户提出修改 → 明确修改项（配色/标签/统计/尺寸/布局），返回 Step 3 或 Step 4 迭代 |
异常处理速查
| 异常情况 | 快速处理 |
|---|
| 未提供数据 | 询问是否模拟演示，模拟数据须标注 |
| 数据格式错误 | 确认格式，提供转换协助 |
| 缺失值 >20% | 警告并建议处理，用户坚持则声明 |
| 样本量 n<3 | 改用个体数据点图，不适合误差线 |
| 要求 3D/渐变/阴影 | 礼貌拒绝，说明期刊规范 |
| 要求红绿配色 | 警告色盲风险，推荐蓝-橙替代 |
| 图表类型不匹配 | 解释并推荐合适类型 |
| 要求修改 p 值 | 拒绝，坚守学术诚信 |
| 分组数 >24 / 颜色不足 | HSV 动态生成或图案填充补充 |
| 系统无 Arial 字体 | 自动回退 DejaVu/Liberation Sans |
| 中文标签显示方框 | 回退到 SimHei/Noto Sans CJK |
| 数据量过大/拥挤 | 旋转标签、抽样、改用密度图 |
| 要求动画/交互式图表 | 礼貌拒绝，提供静态版 + 可选补充材料 |
图表类型选择指南
根据数据特征快速定位图表类型：
| 数据特征 | 推荐图表 | 关键 MUST 规则 |
|---|
| 分类数据对比（组间均值） | 柱状图 | Y轴从0开始，必须含误差线（SD/SEM/CI） |
| 时间序列 / 连续变化 | 折线图 | 时间轴按比例，线型+颜色双重区分，≤5-6条线 |
| 两变量相关性 | 散点图 | 重叠点用透明度（alpha 0.3-0.6），标注R²和p值 |
| 数据分布对比 | 箱线图/小提琴图 | 显示中位数和四分位，图注标注样本量 |
| 矩阵型连续数据 | 热图 | 必须含 colorbar，基因表达须聚类 |
| 生存数据 | Kaplan-Meier | 必须含风险表、置信区间、删失标记、p值和HR |
| 差异表达数据 | 火山图 | 显示阈值线，上调/下调/不显著分色 |
| 多子图组合 | 多面板图 | 面板编号 (a,b,c)，粗体10-12pt，严格对齐 |
自检速查（交付前必查）
适用场景
- 用户要求绑制或生成科研数据图表
- 用户要求将数据可视化为论文发表级别的图形
- 用户提到 "论文图"、"发表级图表"、"期刊图表" 等关键词
- 用户要求导出高分辨率或矢量格式图表
执行流程
快速决策入口
根据用户输入的完整度，选择切入步骤：
| 用户状态 | 切入步骤 | 说明 |
|---|
| 仅提出绘图需求，未提供数据/期刊/图表类型 | Step 1 | 完整走流程，从需求确认开始 |
| 提供了数据和图表类型，但未指定期刊 | Step 2 | 跳过期刊确认，使用通用规范，生成前询问目标期刊 |
| 提供了完整参数（数据+期刊+图表类型） | Step 3 | 直接应用规范生成代码，在 CP2 确认尺寸和配色 |
| 要求修改已有图表 | Step 3/4 | 明确修改项（配色/标签/统计/布局），定位到对应步骤 |
| 仅要求图注/自检已有图表 | Step 5 | 跳过代码生成，直接自检和撰写图注 |
当触发本技能时，按以下步骤执行：
Step 1: 需求确认（输入 → 决策）
输入: 用户的图表请求 + 数据（如有）
输出: 明确的图表类型、目标期刊、数据状态
推荐工具: ask_user_question
- 确认目标期刊：询问用户投稿期刊（如用户未指定，默认按最通用规范执行）
- 确认图表类型：根据数据特征确定图表类型（柱状图/折线图/散点图/热图/生存曲线/火山图/多面板组合图）
- 确认数据完整性：
- 数据格式（CSV/Excel/直接提供/需模拟）
- 样本量、分组信息、统计检验需求
- 如用户未提供数据，询问是否使用模拟数据演示，或等待用户提供
- 确认输出格式：矢量格式（PDF/EPS/SVG）+ 位图格式（TIFF/PNG）
[检查点 CP1] 在继续前，向用户确认需求。使用以下模板提问：
请确认以下信息是否正确：
- 投稿期刊：[期刊名，如 Nature/Science/Cell，未指定则写"通用规范"]
- 图表类型：[柱状图/折线图/散点图/热图/生存曲线/火山图/多面板组合图]
- 数据来源：[用户已提供 / 使用模拟数据演示 / 等待用户提供]
- 输出格式：[PDF + PNG / 其他]
如有调整请告诉我，确认后我将继续生成。
如用户未明确期刊或图表类型，给出推荐方案并征得同意。
Step 2: 数据预处理
输入: 原始数据
输出: 清洗后的数据 + 统计量
推荐工具: dataset_catalog（数据检查）、stat_test / stat_model / stat_interpret（统计计算）
2.1 数据清洗与质量检查
- 缺失值检测：计算每列/每组缺失比例
-
20%：警告用户，建议插补或剔除（见异常处理表）
- ≤ 20%：记录处理方法，在图注中声明
- 异常值检测：使用 IQR 法（1.5×IQR 规则）或 Z-score（|z| > 3）标记极端值
- 数据类型确认：确保数值型变量未误录入为字符串，分组变量为类别型
2.2 统计量计算（按图表类型选择）
| 图表类型 | 必须计算的统计量 | 推荐检验 |
|---|
| 柱状图 / 条形图 | mean ± SEM（或 SD / 95% CI） | 独立 t-test / ANOVA |
| 折线图 | mean ± SEM 各时间点 | 重复测量 ANOVA |
| 散点图 | Pearson/Spearman r, R², p-value | 线性回归 |
| 箱线图 / 小提琴图 | median, Q1, Q3, IQR, 异常值 | Mann-Whitney U / Kruskal-Wallis |
| 热图 | 行/列 z-score 标准化（如需要） | 层次聚类 |
| 生存曲线 | KM 生存概率, 95% CI | log-rank test, Cox HR |
| 火山图 | log2 fold change, -log10(p), adjusted p | DESeq2/edgeR 等差异分析 |
| 多面板组合 | 各面板独立统计量 | 按面板类型选择 |
注意：计算完成后，将统计结果汇总为表格，供 Step 4 代码直接调用。
2.3 数据适配性验证
- 样本量检查：
- n < 3 per group：不适合误差线和统计检验 → 建议改用个体数据点图（dot plot），并在图注标注样本量
- n < 30：优先使用非参数检验
- 分组数检查：
-
24 组：触发颜色不足边界，使用 HSV 动态扩展或图案填充（见异常处理表）
- 数据-图表匹配检查：
- 分类数据误要求折线图 → 返回 Step 1 推荐柱状图
- 时间序列误要求柱状图 → 返回 Step 1 推荐折线图
- 单变量分布误要求散点图 → 返回 Step 1 推荐箱线图/小提琴图
Step 3: 应用期刊规范
输入: 图表类型 + 目标期刊
输出: 规范参数清单
推荐工具: 无（纯规范决策步骤，依赖本技能文档内的参数表）
- 尺寸：按目标期刊选择单栏/双栏宽度（见 1.2 节）
- 分辨率：位图 ≥300 DPI，线条图 ≥600 DPI（见 1.1 节）
- 字体：Arial/Helvetica，字号 7-9 pt（见 1.3 节）
- 配色：使用色盲友好配色（见 第三章 及 7.4 节）
- 线条与标记：按 1.5 节设置线宽、标记大小
- 去除冗余元素：按 2.1 节数据墨水比原则清理
[检查点 CP2] 在生成代码前，向用户确认规范方案。使用以下模板提问：
我将使用以下规范生成图表，请确认：
- 图片尺寸：[单栏 89mm / 双栏 183mm / 其他]
- 配色方案：[Okabe-Ito / Paul Tol Bright / 其他，说明选择理由]
- 字体：Arial，最小 7pt
- 背景：纯白，无边框阴影
如无异议，我将继续编写绘图代码。
如用户要求与规范冲突（如 3D 效果、渐变填充、红绿对比），礼貌拒绝并说明原因，提供替代方案。
Step 4: 生成图表代码
输入: 规范参数清单 + 清洗后数据
输出: 可执行的 Python/Matplotlib/Seaborn 代码
推荐工具: code_session / chart_session（代码生成与执行）、export_chart（多格式导出）
4.0 图表类型 → 代码模板索引
| 图表类型 | 对应章节 | 核心函数 / 关键参数速查 |
|---|
| 柱状图 | 4.1 | ax.bar(alpha=0.5) + ax.scatter(alpha=0.85) jitter |
| 折线图 | 4.2 | ax.plot() + ax.fill_between(alpha=0.2) |
| 散点图 | 4.3 | ax.scatter(alpha=0.3-0.6) + linregress |
| 箱线图/小提琴图 | 4.4 | violinplot() + boxplot() + scatter(alpha=0.6) |
| 热图 | 4.5 | sns.heatmap(cmap='RdBu_r') + z-score |
| 生存曲线 | 4.6 | kaplan_meier_estimator() + 风险表 |
| 火山图 | 4.7 | scatter() + 阈值线 + annotate |
| 多面板组合 | 4.8 | gridspec + text(label, fontweight='bold', fontsize=12) |
操作：按上表定位图表类型，复制对应章节的代码框架，替换数据和参数。
4.1 代码编写步骤
- 导入必要库（matplotlib, seaborn, numpy, scipy 等）
- 设置全局主题：调用
set_publication_theme()（见 7.5 节）或更新 rcParams（见 7.1 节）
- 绘制主图：按 4.0 索引定位到对应章节，复制代码框架，替换数据
- 必须应用半透明叠加原则（2.5 节）：汇总元素
alpha=0.4-0.6，个体点 alpha=0.7-0.9
- 必须使用色盲友好配色（第三章）
- 添加统计标注：误差线、显著性标记、样本量（见 第六章）
- 保存多格式：调用
save_publication_figure()（见 7.3 节），同时输出 PDF + PNG
[检查点 CP3] 代码编写完成后、执行前，向用户展示关键参数摘要。使用以下模板提问：
代码已准备就绪，关键参数如下：
- 图片尺寸：[宽度 x 高度] inch
- DPI：[数值]
- 配色：[方案名]
- 字体：Arial [字号]pt
- 统计方法：[t-test/ANOVA/log-rank/等]
确认无误后我将执行绘图。如需调整请告诉我。
确认无误后再运行代码生成图表。
Step 5: 自检与交付
输入: 生成的图表文件 + 代码
输出: 最终交付物 + 图注
推荐工具: workspace_session（文件管理与交付）
-
按 第八章 自检清单逐项检查
-
撰写图注（Figure Legend，见 第五章）
-
向用户展示图表，确认是否需调整
[检查点 CP4] 展示图表预览后，使用以下模板询问用户：
图表已生成，请确认：
- 整体布局是否符合您的预期？
- 配色是否满意？
- 标签和统计标注是否正确？
如需调整，请告诉我具体修改项（如：配色、标签文字、统计方法、尺寸、布局等），我将返回修改。
如用户提出修改，明确修改项后返回 Step 3 或 Step 4 迭代。
-
交付最终文件（矢量 + 位图 + 图注文本）
异常处理与边界条件
执行过程中遇到以下情况时，按对应策略处理：
| 异常情况 | 处理策略 |
|---|
| 用户未提供数据 | 询问是否使用模拟数据演示，或请用户提供数据。如使用模拟数据，必须在图注中明确标注 "Simulated data for demonstration"。 |
| 数据格式错误/无法解析 | 向用户确认数据格式（CSV/Excel/JSON），提供数据格式要求示例，协助转换。 |
| 缺失值过多（>20%） | 警告用户缺失值比例，建议插补或剔除。如用户坚持，在图注中声明处理方法。 |
| 样本量过小（n<3 per group） | 说明该样本量不适合误差线和统计检验，建议使用个体数据点图（dot plot）而非柱状图，并在图注中标注样本量。 |
| 用户要求 3D 效果/渐变/阴影 | 礼貌拒绝，解释 Nature/Science 等顶级期刊禁止此类装饰，提供平面替代方案。 |
| 用户要求红绿配色 | 警告色盲不友好风险，推荐蓝-橙或紫-黄替代方案。如用户坚持用于非色盲场景，需用户书面确认。 |
| 图表类型与数据不匹配 | 向用户解释原因并推荐合适类型（如分类数据误用折线图 → 推荐柱状图；时间序列误用柱状图 → 推荐折线图）。 |
| 用户要求的分辨率/尺寸超出期刊限制 | 说明期刊限制，提供合规替代方案。 |
| 统计检验不显著（p≥0.05） | 如实报告，不夸大。图注中标注 "ns, not significant"，不隐藏或删除数据。 |
| 用户要求修改已统计显著的 p 值 | 拒绝，说明学术诚信要求，引用 9.3 节伦理规范。 |
| 分组数超过可用颜色数（>24 组） | 使用 3.5 节高区分度色板的 HSV 动态生成补充色，或改用图案填充（hatch）+ 颜色双重区分。 |
| 系统缺少指定字体（如 Linux 无 Arial） | 自动回退到 ['DejaVu Sans', 'Liberation Sans', 'sans-serif']，不报错中断。 |
| 中文/特殊字符标签显示为方框 | 字体回退到支持中文的无衬线字体（如 SimHei、WenQuanYi Zen Hei、Noto Sans CJK），并提醒用户最终投稿前替换为期刊要求的英文字体。 |
| 数据量过大导致标签/点重叠拥挤 | 分类标签过多（>15）时旋转 90° 或抽样显示；散点重叠时提高透明度或改用 hexbin/密度图；热图行列过多时分块或聚类后抽样。 |
| 用户要求动画/交互式/可缩放图表 | 礼貌拒绝，说明期刊只接受静态图。可提供静态高分辨率版本 + 单独交互版（HTML/Plotly）作为补充材料（需期刊允许）。 |
一、硬性技术规范（MUST 遵守）
1.1 分辨率与输出格式
各期刊具体要求
| 期刊 | 最低 DPI | 推荐格式 | 线条图 DPI | 备注 |
|---|
| Nature | 300 | TIFF/EPS/PDF | 600-1200 | 单栏 89mm，双栏 183mm (Nature) |
| Science | 300 | PDF/EPS/AI (优先矢量) | 300+ | 单栏 5.7cm，双栏 12.1cm，三栏 18.4cm |
| Cell Press | 300 | TIFF/EPS/PDF | 未明确 | 接受多种格式，排版时可能调整大小 |
| The Lancet | 300 | 可编辑文件优先 | 未明确 | 数字摄影至少 300dpi，最小 107mm |
| PNAS | 300 | TIFF/EPS/PDF | 未明确 | 按最终出版尺寸准备，不要全页大小 |
| IEEE | 300 (彩色/灰度) | EPS/PDF/PS (矢量优先) | 600 (线条图) | 单栏 3.5 inch (88.9mm)，双栏 7.16 inch (182mm) |
| NEJM | 高分辨率 | PDF/高分辨率图形 | 未明确 | 上传单独的高分辨率图形文件 |
通用安全值（MUST）
- 位图分辨率：至少 300 DPI（照片/彩色图），线条图 600 DPI 或更高
- 推荐矢量格式：PDF > EPS > SVG（矢量格式可无限缩放不失真）
- 最终提交：同时提供 矢量版 和 高分辨率位图版（TIFF/PNG）
- 禁止：低分辨率 JPG、Word/PowerPoint 嵌入图、上采样（upsampling）图像
1.2 图片尺寸标准
期刊标准尺寸
| 期刊 | 单栏 (mm) | 双栏 (mm) | 全页深度 (mm) |
|---|
| Nature | 89 | 183 | 170 |
| Science | 57 (小图) / 121 | 184 | - |
| IEEE | 88.9 | 182 | - |
通用安全值（单位同时提供 mm 和 inch）
# 期刊标准图片宽度（inch）
FIG_WIDTH_SINGLE = 3.54 # 单栏 ≈ 89 mm
FIG_WIDTH_ONE_HALF = 5.51 # 1.5 栏 ≈ 140 mm
FIG_WIDTH_DOUBLE = 7.48 # 双栏 ≈ 190 mm
# 推荐高宽比
ASPECT_RATIOS = {
'golden': 0.618, # 黄金比例
'standard': 0.75, # 4:3 标准比例
'wide': 0.5625, # 16:9 宽屏
}
重要：
- 避免小于单栏宽度，极端放大可能导致失真 (IEEE)
- 减少尺寸会提高有效分辨率，增大尺寸会降低分辨率
- 按最终出版尺寸准备图形，不要准备全页大小
1.3 字体规范
通用安全值
| 属性 | 要求 |
|---|
| 字体族 | Arial, Helvetica, DejaVu Sans (无衬线) |
| 最小字号 | 5-7 points (约 1.8-2.5 mm) (Science 要求缩小后 ≥7pt) |
| 轴标签 | 8-9 pt |
| 刻度标签 | 7-8 pt |
| 图例 | 7-8 pt |
| 面板编号 | 10-12 pt，粗体 |
字体规则
- MUST：使用无衬线字体（sans-serif），避免衬线字体
- MUST：单图内字号变化不宜过大
- MUST：避免直接在阴影/纹理区域上叠加文字
- MUST：避免使用反色文字（白色字在彩色背景）
- RECOMMENDED：文字放在图注而非图中
1.4 颜色规范
颜色模式
- 屏幕显示：使用 RGB 模式
- 印刷出版：使用 CMYK 模式（但多数期刊接受 RGB，由出版社转换）
色盲友好硬性要求（MUST）
Nature Methods 等期刊明确要求图表必须对色盲读者友好
- 禁止仅依靠颜色区分数据组，必须同时使用形状、线型、纹理
- 禁止红绿直接对比（最常见色盲类型）
- 推荐使用 ColorBrewer、Paul Tol、Okabe-Ito 等色盲友好配色
1.5 线条与标记规范
通用安全值
| 属性 | 最小值 | 推荐值 |
|---|
| 线宽 | 0.5 pt | 1.0-1.5 pt |
| 坐标轴线宽 | 0.5 pt | 0.8 pt |
| 标记大小 | - | 4-6 pt |
| 刻度线长度 | - | 3-4 pt |
| 刻度线宽度 | - | 0.8 pt |
边框规则
- RECOMMENDED：去除上边框和右边框（仅保留左/下轴线）
- MUST：避免使用 3D 效果、阴影、渐变填充
- MUST：背景保持纯白色
二、设计原则（RECOMMENDED 遵守）
2.1 数据墨水比原则（Data-Ink Ratio）
源自 Edward Tufte 的经典原则：最大化数据墨水比
去除冗余"墨水"元素：
2.2 简洁性原则
应该做的：
- 合并相似信息
- 使用简洁的标签
- 优先使用小倍数（small multiples）而非复杂图
- 每个面板传达一个明确信息
不应该做的：
- 一个图中包含过多数据线（折线图不超过 5-6 条）
- 使用不必要的颜色
- 添加与数据无关的装饰
2.3 可读性原则
关键检验：将图表缩放到期刊实际印刷尺寸后，所有元素仍应清晰可读
具体要求：
- 缩小到印刷尺寸后，文字 ≥5-7 pt
- 数据点和标记清晰可见
- 图例不遮挡数据
- 坐标轴标签完整（含单位）
2.4 无障碍设计（Accessibility）
- 色盲友好：约 8% 男性、0.5% 女性有色觉缺陷
- 灰度打印友好：确保黑白打印时仍可区分
- 高对比度：确保文字与背景对比度 ≥4.5:1
2.5 原始数据透明展示原则（Data Transparency）
借鉴自 root-analysis 技能的可视化设计：在展示汇总统计（均值/中位数）的同时，必须让原始数据点可见，避免"柱状图陷阱"。
半透明叠加规范：
| 元素 | 推荐 alpha | 说明 |
|---|
| 汇总统计柱/箱 | 0.4 - 0.6 | 半透明填充，让底层散点若隐若现 |
| 个体数据点 | 0.7 - 0.9 | 接近不透明，确保每个点可见 |
| 置信区间阴影 | 0.15 - 0.25 | 极浅，不遮挡数据 |
实施要点：
- 柱状图：使用
alpha=0.5 的柱形 + alpha=0.8 的 jittered 散点
- 箱线图/小提琴图：箱体
alpha=0.3-0.5 + 原始数据点 alpha=0.6-0.8
- 散点图：重叠密集区域使用
alpha=0.3-0.6
- 配色一致性：散点颜色与汇总统计元素使用同一色系，通过透明度区分层次
必须避免：
- 仅用纯色柱形遮挡全部原始数据
- alpha 过低（<0.3）导致个体点无法辨认
- 使用白色填充散点（
edgecolor='black'），这在打印时可能丢失
三、配色方案
3.1 定性配色（Qualitative）- 用于分类数据
推荐配色 1：Okabe-Ito（色盲友好）
COLORS_OKABE_ITO = [
'#E69F00', # 橙
'#56B4E9', # 天蓝
'#009E73', # 绿
'#F0E442', # 黄
'#0072B2', # 蓝
'#D55E00', # 红
'#CC79A7', # 粉
'#999999', # 灰
]
推荐配色 2：Paul Tol Bright
COLORS_TOL_BRIGHT = [
'#4477AA', # 蓝
'#EE6677', # 红/粉
'#228833', # 绿
'#CCBB44', # 黄
'#66CCEE', # 青
'#AA3377', # 紫
'#BBBBBB', # 灰
]
推荐配色 3：ColorBrewer Set2
COLORS_SET2 = [
'#66C2A5', # 青绿
'#FC8D62', # 橙
'#8DA0CB', # 蓝
'#E78AC3', # 粉
'#A6D854', # 绿
'#FFD92F', # 黄
'#E5C494', # 棕
'#B3B3B3', # 灰
]
3.2 定量连续配色（Sequential）- 用于连续数值
| Colormap | 推荐场景 | 色盲友好 |
|---|
| viridis | 通用连续数据 | ✓ |
| plasma | 强调高值 | ✓ |
| inferno | 黑色背景友好 | ✓ |
| magma | 强调低值 | ✓ |
| cividis | 专为色盲优化 | ✓ |
Matplotlib 使用：
plt.imshow(data, cmap='viridis')
3.3 发散型配色（Diverging）- 用于有中心值的数据
| Colormap | 中心值 | 适用场景 |
|---|
| RdBu_r | 白色 | 正负偏差 |
| coolwarm | 白色 | 温度类数据 |
| PuOr | 米色 | 异常检测 |
| BrBG | 米色 | 环境数据 |
3.4 生物医学专用配色
火山图配色
COLOR_VOLCANO = {
'up': '#D73027', # 上调 - 红
'down': '#4575B4', # 下调 - 蓝
'ns': '#CCCCCC', # 不显著 - 灰
}
生存曲线配色
COLOR_SURVIVAL = [
'#1F77B4', # 蓝
'#FF7F0E', # 橙
'#2CA02C', # 绿
'#D62728', # 红
'#9467BD', # 紫
]
3.5 高区分度配色（High-Contrast）
适用于样本数较多（>8 组）的分类数据，确保视觉上可区分。源自 root-analysis 技能的配色实践。
COLORS_HIGH_CONTRAST = [
'#E31A1C', '#1F78B4', '#33A02C', '#6A3D9A',
'#FF7F00', '#DEDE8B', '#A65628', '#F781BF',
'#00CED1', '#006400', '#4B0082', '#FF4500',
'#DC143C', '#4169E1', '#228B22', '#8A2BE2',
'#FF8C00', '#FFD700', '#8B4513', '#FF1493',
'#0080FF', '#32CD32', '#9400D3', '#FF6347',
]
使用建议：
- 前 8 色已针对色盲优化（红/蓝/绿/紫/橙/黄/棕/粉）
- 对照组/基线组固定使用灰色
#808080（第 1 位后的补充色）
- 样本数 >24 时，使用 HSV 颜色空间动态生成额外颜色
3.6 单色渐变方案（Monotone Gradient）
适用于有序分类或剂量梯度数据。源自 root-analysis 技能的连续色彩映射。
蓝色渐变（Blue Gradient）
COLORS_BLUE_GRADIENT = [
'#DEEBF7', '#C6DBEF', '#9ECAE1', '#6BAED6',
'#4292C6', '#2171B5', '#08519C', '#08306B',
'#1E3A8A', '#1E40AF', '#2563EB', '#3B82F6',
'#60A5FA', '#93C5FD', '#BFDBFE', '#DBEAFE',
]
绿色渐变（Green Gradient）
COLORS_GREEN_GRADIENT = [
'#EDF8E9', '#C7E9C0', '#A1D99B', '#74C476',
'#41AB5D', '#238B45', '#006D2C', '#00441B',
'#064E3B', '#065F46', '#047857', '#059669',
'#10B981', '#34D399', '#6EE7B7', '#A7F3D0',
]
使用建议：
- 蓝色渐变：适合对照组→处理组的剂量响应（颜色越深 = 剂量越高）
- 绿色渐变：适合生长/阳性指标（颜色越深 = 效应越强）
- 与定性配色混用时，渐变组仅用于有序维度，定性色用于分组维度
3.7 配色禁忌
为什么避免彩虹色图（jet/rainbow）
- 感知非线性：jet colormap 在绿色/青色区域的感知变化不均匀
- 色盲不友好：红绿交界对色盲用户无法区分
- 误导性：亮色可能被误读为"更重要"
为什么避免红绿直接对比
- 红绿色盲（deuteranopia/protanopia）影响约 8% 男性
- 在灰度打印时可能无法区分
- 替代方案：蓝-橙、紫-黄对比
四、各类图表专项规范
4.1 柱状图 / 条形图（Bar Chart）
MUST 遵守
- 误差线：必须包含误差线，并明确标注类型（SD/SEM/95%CI）
- 基线：Y轴必须从 0 开始（截断Y轴会误导读者）
- 标签：每个柱子必须有清晰的类别标签
RECOMMENDED
- 叠加原始数据点：使用 strip plot 或 swarm plot 叠加显示分布
- 分组间距：组内柱子间距 < 组间间距
- 方向：分类较多时使用水平条形图
示例代码
import matplotlib.pyplot as plt
import numpy as np
# 数据
categories = ['Control', 'Treatment A', 'Treatment B']
means = [10, 15, 12]
sem = [1.2, 1.5, 1.1] # 标准误
# 配色：使用高区分度色板（对照组灰色，处理组彩色）
colors = ['#808080', '#4477AA', '#EE6677']
fig, ax = plt.subplots(figsize=(3.54, 2.65)) # 单栏尺寸
# 绘制柱状图 —— 半透明填充（alpha=0.5），让底层散点可见
x = np.arange(len(categories))
bars = ax.bar(x, means, width=0.6, color=colors, edgecolor='black',
linewidth=0.8, alpha=0.5, zorder=2)
# 添加误差线
ax.errorbar(x, means, yerr=sem, fmt='none', color='black',
capsize=3, capthick=1, zorder=3)
# 添加原始数据点 —— 同色、高透明度、水平 jitter
np.random.seed(42)
for i, (mean, se) in enumerate(zip(means, sem)):
# 模拟原始数据（n=10）
raw_data = np.random.normal(mean, se * np.sqrt(10), 10)
# 水平 jitter：正态分布，标准差 0.04，与 root-analysis 一致
jitter = np.random.normal(i, 0.04, size=len(raw_data))
ax.scatter(jitter, raw_data,
color=colors[i], edgecolor='black', linewidth=0.5,
s=20, zorder=4, alpha=0.85)
# 设置标签
ax.set_xticks(x)
ax.set_xticklabels(categories, fontsize=8)
ax.set_ylabel('Value (units)', fontsize=8)
ax.set_xlabel('Group', fontsize=8)
# 设置Y轴从0开始
ax.set_ylim(0, max(means) * 1.4)
# 去除上右边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
# 添加显著性标记示例
y_sig = max(means) * 1.2
ax.plot([0, 0, 1, 1], [y_sig, y_sig + 0.5, y_sig + 0.5, y_sig],
'k-', linewidth=0.8)
ax.text(0.5, y_sig + 0.7, '*', ha='center', fontsize=10)
plt.tight_layout()
plt.savefig('bar_chart.pdf', dpi=300, bbox_inches='tight')
关键设计点：
alpha=0.5 的柱形填充，确保底层散点可透见- 散点使用与柱形同色（
colors[i]），通过 alpha=0.85 区分层次
- Jitter 采用
np.random.normal(i, 0.04)，避免过度分散
zorder 层级：柱形(2) < 误差线(3) < 散点(4)，确保散点在最上层
4.2 折线图 / 时间序列（Line Chart）
MUST 遵守
- 线型区分：不同组使用不同线型（实线、虚线、点划线）+ 颜色
- 标记点：数据点较少时使用不同形状标记
- 坐标轴：时间轴必须按实际比例显示
RECOMMENDED
- 置信区间：用阴影区域表示置信区间（alpha=0.2-0.3）
- 线条数量：同一图不超过 5-6 条线
- 图例位置：图例放在图外或空白区域，不遮挡数据
示例代码
import matplotlib.pyplot as plt
import numpy as np
# 数据
x = np.linspace(0, 10, 50)
y1 = np.sin(x) + np.random.normal(0, 0.1, 50)
y2 = np.cos(x) + np.random.normal(0, 0.1, 50)
fig, ax = plt.subplots(figsize=(3.54, 2.65))
# 使用不同线型和颜色
ax.plot(x, y1, 'o-', color='#4477AA', linewidth=1.2, markersize=3,
markerfacecolor='white', markeredgewidth=0.8, label='Group A')
ax.plot(x, y2, 's--', color='#EE6677', linewidth=1.2, markersize=3,
markerfacecolor='white', markeredgewidth=0.8, label='Group B')
# 添加置信区间（示例）
confidence1 = 0.2
confidence2 = 0.15
ax.fill_between(x, y1 - confidence1, y1 + confidence1,
alpha=0.2, color='#4477AA')
ax.fill_between(x, y2 - confidence2, y2 + confidence2,
alpha=0.2, color='#EE6677')
ax.set_xlabel('Time (days)', fontsize=8)
ax.set_ylabel('Response', fontsize=8)
ax.legend(loc='upper right', frameon=False, fontsize=7)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
plt.tight_layout()
plt.savefig('line_chart.pdf', dpi=300, bbox_inches='tight')
4.3 散点图（Scatter Plot）
MUST 遵守
- 透明度：点重叠时使用 alpha（0.3-0.6）
- 点大小：根据数据密度调整点大小
- 坐标轴标签：包含变量名和单位
RECOMMENDED
- 回归线：添加线性回归线和 R² 值
- 边际分布：添加边际直方图或密度图
- 密度估计：高密度数据使用 hexbin 或 2D 密度图
示例代码
import matplotlib.pyplot as plt
import numpy as np
from scipy import stats
# 生成数据
np.random.seed(42)
x = np.random.normal(50, 15, 200)
y = 0.8 * x + np.random.normal(0, 10, 200)
fig, ax = plt.subplots(figsize=(3.54, 3.54))
# 散点图（带透明度）
ax.scatter(x, y, alpha=0.5, s=20, color='#4477AA', edgecolor='none')
# 线性回归
slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
line_x = np.array([x.min(), x.max()])
line_y = slope * line_x + intercept
ax.plot(line_x, line_y, 'r--', linewidth=1.5, label='Linear fit')
# 添加 R² 和 p 值
ax.text(0.05, 0.95, f'R² = {r_value**2:.3f}\np < 0.001',
transform=ax.transAxes, fontsize=8, verticalalignment='top',
bbox=dict(boxstyle='round', facecolor='white', alpha=0.8))
ax.set_xlabel('Variable X (units)', fontsize=8)
ax.set_ylabel('Variable Y (units)', fontsize=8)
ax.legend(loc='lower right', frameon=False, fontsize=7)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
plt.tight_layout()
plt.savefig('scatter_plot.pdf', dpi=300, bbox_inches='tight')
4.4 箱线图 / 小提琴图（Box Plot / Violin Plot）
MUST 遵守
- 分布展示：优先使用小提琴图展示数据分布
- 统计要素：箱线图必须显示中位数和四分位数
- 样本量：在图注中注明每组样本量
RECOMMENDED
- 叠加原始点：使用 strip plot 或 swarm plot 显示原始数据点
- 统计检验：添加组间统计检验标记
- 缺口：箱线图使用缺口（notch）显示中位数置信区间
示例代码
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
# 生成数据
np.random.seed(42)
data = {
'Control': np.random.normal(100, 15, 50),
'Treatment A': np.random.normal(120, 20, 50),
'Treatment B': np.random.normal(110, 18, 50),
}
fig, ax = plt.subplots(figsize=(3.54, 3.0))
# 小提琴图
parts = ax.violinplot([data[k] for k in data.keys()],
positions=range(len(data)), showmeans=False, showmedians=False)
# 设置小提琴颜色
colors = ['#4477AA', '#EE6677', '#228833']
for pc, color in zip(parts['bodies'], colors):
pc.set_facecolor(color)
pc.set_alpha(0.3)
pc.set_edgecolor('black')
# 叠加箱线图
bp = ax.boxplot([data[k] for k in data.keys()], positions=range(len(data)),
widths=0.15, patch_artist=True, showfliers=False,
medianprops=dict(color='black', linewidth=1.5))
for patch, color in zip(bp['boxes'], colors):
patch.set_facecolor(color)
patch.set_alpha(0.7)
# 叠加散点
for i, (key, values) in enumerate(data.items()):
y = values
x = np.random.normal(i, 0.04, size=len(y))
ax.scatter(x, y, alpha=0.4, s=10, color='black')
ax.set_xticks(range(len(data)))
ax.set_xticklabels(data.keys(), fontsize=8)
ax.set_ylabel('Value (units)', fontsize=8)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
plt.tight_layout()
plt.savefig('violin_plot.pdf', dpi=300, bbox_inches='tight')
4.5 热图（Heatmap）
MUST 遵守
- 色标：必须包含 colorbar，标注数值范围
- 聚类：基因表达数据必须进行行/列聚类
- 标签可读性：行列标签过多时旋转或抽样显示
RECOMMENDED
- 标准化：基因表达数据按行标准化（z-score）
- 聚类树：显示聚类树（dendrogram）
- 注释：关键区域添加注释
示例代码
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
# 生成模拟基因表达数据
np.random.seed(42)
data = np.random.randn(20, 10)
row_labels = [f'Gene_{i}' for i in range(1, 21)]
col_labels = [f'Sample_{i}' for i in range(1, 11)]
fig, ax = plt.subplots(figsize=(5.51, 7.48)) # 1.5栏高度
# 热图
sns.heatmap(data, cmap='RdBu_r', center=0,
xticklabels=col_labels, yticklabels=row_labels,
cbar_kws={'label': 'Z-score'},
linewidths=0.5, linecolor='white',
ax=ax)
# 旋转x轴标签
plt.xticks(rotation=45, ha='right', fontsize=7)
plt.yticks(fontsize=7)
plt.title('Gene Expression Heatmap', fontsize=9, pad=10)
plt.tight_layout()
plt.savefig('heatmap.pdf', dpi=300, bbox_inches='tight')
4.6 生存曲线 - Kaplan-Meier
MUST 遵守
- 风险表：必须包含 "number at risk" 表
- 置信区间：显示生存率的置信区间（阴影）
- 删失标记：标注删失数据点
- 统计信息：标注 p 值和 HR（风险比）
RECOMMENDED
- 中位生存期：标注中位生存时间
- 生存概率：标注特定时间点的生存概率
示例代码
import matplotlib.pyplot as plt
import numpy as np
from sksurv.nonparametric import kaplan_meier_estimator
# 模拟生存数据
time_high = np.array([10, 15, 20, 25, 30, 35, 40, 45, 50, 55])
event_high = np.array([1, 1, 0, 1, 1, 0, 1, 1, 0, 1])
time_low = np.array([5, 8, 12, 15, 20, 25, 30, 35, 40, 42])
event_low = np.array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(5.51, 5.0),
gridspec_kw={'height_ratios': [4, 1]})
# 计算KM曲线
time_h, surv_h, conf_h = kaplan_meier_estimator(
event_high.astype(bool), time_high, conf_type='log-log')
time_l, surv_l, conf_l = kaplan_meier_estimator(
event_low.astype(bool), time_low, conf_type='log-log')
# 绘制生存曲线
ax1.step(time_h, surv_h, where='post', color='#D73027', linewidth=1.5, label='High risk')
ax1.fill_between(time_h, conf_h[0], conf_h[1], alpha=0.2, color='#D73027', step='post')
ax1.step(time_l, surv_l, where='post', color='#4575B4', linewidth=1.5, label='Low risk')
ax1.fill_between(time_l, conf_l[0], conf_l[1], alpha=0.2, color='#4575B4', step='post')
# 添加删失标记
censor_h = time_high[event_high == 0]
surv_censor_h = np.interp(censor_h, time_h, surv_h)
ax1.scatter(censor_h, surv_censor_h, marker='+', s=50, color='#D73027', zorder=5)
# 统计信息
ax1.text(0.95, 0.95, 'p < 0.001\nHR = 2.5 (95% CI: 1.5-4.2)',
transform=ax1.transAxes, ha='right', va='top', fontsize=8,
bbox=dict(boxstyle='round', facecolor='white', alpha=0.8))
ax1.set_ylabel('Survival Probability', fontsize=8)
ax1.set_ylim(0, 1.05)
ax1.legend(loc='lower left', frameon=False, fontsize=7)
ax1.spines['top'].set_visible(False)
ax1.spines['right'].set_visible(False)
# 风险表
ax2.axis('off')
time_points = [0, 10, 20, 30, 40, 50]
ax2.text(0, 0.8, 'Number at risk', fontsize=8, fontweight='bold')
ax2.text(0, 0.4, 'High risk', fontsize=8, color='#D73027')
ax2.text(0, 0, 'Low risk', fontsize=8, color='#4575B4')
for i, t in enumerate(time_points):
n_high = np.sum(time_high >= t)
n_low = np.sum(time_low >= t)
x_pos = 0.2 + i * 0.15
ax2.text(x_pos, 0.4, str(n_high), fontsize=7, ha='center')
ax2.text(x_pos, 0, str(n_low), fontsize=7, ha='center')
ax2.text(x_pos, 0.8, str(t), fontsize=7, ha='center')
plt.tight_layout()
plt.savefig('survival_curve.pdf', dpi=300, bbox_inches='tight')
4.7 火山图（Volcano Plot）
MUST 遵守
- 阈值线：显示 fold change 和 p-value 阈值线
- 分类着色：上调/下调/不显著用不同颜色
- 显著基因标注：标注关键基因名称
RECOMMENDED
- 交互性：电子版图可交互查看基因名称
- 密度：点密度高时使用透明度
示例代码
import matplotlib.pyplot as plt
import numpy as np
# 模拟差异表达数据
np.random.seed(42)
n_genes = 2000
log2fc = np.random.normal(0, 2, n_genes)
pval = np.random.uniform(0, 1, n_genes)
pval[log2fc > 2] *= 0.01
pval[log2fc < -2] *= 0.01
log10p = -np.log10(pval)
fig, ax = plt.subplots(figsize=(5.51, 5.0))
# 定义阈值
fc_thresh = 1 # |log2FC| > 1
p_thresh = 0.05 # p < 0.05
# 分类
colors = []
for fc, p in zip(log2fc, log10p):
if abs(fc) > fc_thresh and p > -np.log10(p_thresh):
colors.append('#D73027' if fc > 0 else '#4575B4') # 上调/下调
else:
colors.append('#CCCCCC') # 不显著
ax.scatter(log2fc, log10p, c=colors, s=10, alpha=0.6, edgecolors='none')
# 阈值线
ax.axhline(-np.log10(p_thresh), color='gray', linestyle='--', linewidth=0.8)
ax.axvline(-fc_thresh, color='gray', linestyle='--', linewidth=0.8)
ax.axvline(fc_thresh, color='gray', linestyle='--', linewidth=0.8)
# 标注显著基因（示例）
sig_genes_idx = np.where((np.abs(log2fc) > 2.5) & (log10p > 3))[0][:5]
for idx in sig_genes_idx:
ax.annotate(f'Gene{idx}', (log2fc[idx], log10p[idx]),
fontsize=7, ha='center')
ax.set_xlabel('Log2 Fold Change', fontsize=8)
ax.set_ylabel('-Log10 p-value', fontsize=8)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
plt.tight_layout()
plt.savefig('volcano_plot.pdf', dpi=300, bbox_inches='tight')
4.8 多面板组合图（Multi-panel Figure）
MUST 遵守
- 面板编号：使用小写字母 (a, b, c...) 或大写 (A, B, C...)
- 编号位置：左上角或左下角，使用粗体
- 对齐：各面板严格对齐，间距一致
RECOMMENDED
- 共享轴标签：使用 fig.supxlabel/supylabel
- 统一比例：相关面板使用相同坐标轴范围
- 子图标注：标签使用 10-12 pt，粗体
示例代码
import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure(figsize=(7.48, 5.0)) # 双栏宽度
# 创建子图布局
gs = fig.add_gridspec(2, 2, hspace=0.3, wspace=0.3)
ax1 = fig.add_subplot(gs[0, 0])
ax2 = fig.add_subplot(gs[0, 1])
ax3 = fig.add_subplot(gs[1, 0])
ax4 = fig.add_subplot(gs[1, 1])
# 绘制示例数据
np.random.seed(42)
x = np.linspace(0, 10, 50)
# Panel a
ax1.plot(x, np.sin(x), color='#4477AA')
ax1.set_title('Experiment 1', fontsize=8)
# Panel b
ax2.plot(x, np.cos(x), color='#EE6677')
ax2.set_title('Experiment 2', fontsize=8)
# Panel c
ax3.bar(['A', 'B', 'C'], [10, 15, 12], color='#228833')
# Panel d
ax4.scatter(np.random.randn(50), np.random.randn(50), alpha=0.5, s=10)
# 添加面板标签
labels = ['a', 'b', 'c', 'd']
axes = [ax1, ax2, ax3, ax4]
for ax, label in zip(axes, labels):
ax.text(-0.15, 1.05, label, transform=ax.transAxes,
fontsize=12, fontweight='bold', va='top')
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
# 共享轴标签
fig.supxlabel('Common X label', fontsize=9)
fig.supylabel('Common Y label', fontsize=9)
plt.savefig('multi_panel.pdf', dpi=300, bbox_inches='tight')
五、图注（Figure Legend）写作规范
5.1 标题行
要求：简洁描述图表展示的核心发现，一般不超过一句话
示例：
Figure 1 | Treatment A significantly reduces tumor growth in xenograft models.
5.2 描述正文
结构要求：
- 每个面板的简要说明
- 实验条件/时间点
- 样本量和重复信息
示例：
a, Tumor volume measurements over 30 days for control (n=10) and
treatment groups (n=12). b, Representative histological sections
stained with H&E. Scale bar, 100 μm. c, Quantification of
proliferation index from histology images.
5.3 统计信息
必须包含：
- 统计检验方法（t-test, ANOVA, log-rank test 等）
- p 值表示方法（精确值或不等式）
- 样本量（n 数）
- 误差线定义（SD/SEM/95% CI）
示例：
Data are presented as mean ± SEM. Statistical significance was
determined using two-way ANOVA with Tukey's post-hoc test.
*p < 0.05, **p < 0.01, ***p < 0.001.
5.4 缩写说明
规则：首次出现的缩写必须在图注中解释
示例：
DEG, differential expressed gene; HR, hazard ratio; CI,
confidence interval; NS, not significant.
5.5 完整图注示例
Figure 3 | Drug combination therapy improves survival in metastatic
melanoma patients.
a, Kaplan-Meier survival curves comparing single-agent (n=45) and
combination therapy (n=52) groups. b, Progression-free survival
analysis. c, Waterfall plot showing best percentage change in tumor
burden. d, Spider plot of individual patient responses over time.
Statistical analysis was performed using the log-rank test for
survival curves and unpaired t-test for tumor burden. HR, hazard
ratio; CI, confidence interval; PFS, progression-free survival;
OS, overall survival. *p < 0.05, **p < 0.01.
六、统计标注规范
6.1 显著性标记
星号系统
| 标记 | p 值范围 | 含义 |
|---|
| ns | p ≥ 0.05 | 不显著 (not significant) |
| * | p < 0.05 | 显著 |
| ** | p < 0.01 | 极显著 |
| *** | p < 0.001 | 高度显著 |
| **** | p < 0.0001 | 极度显著 |
标注线（Bracket）规范
- 线宽：0.5-0.8 pt
- 线型：实线
- 位置：略高于被比较组的最大值
- 星号位置：标注线中点上方
6.2 p 值格式
推荐格式
| 情况 | 格式示例 |
|---|
| p < 0.001 | p < 0.001 (推荐) |
| 0.001 ≤ p < 0.01 | p = 0.003 (精确值) |
| p ≥ 0.05 | p = 0.12 或 ns |
注意事项
- MUST：不要使用 p = 0.000
- RECOMMENDED：p < 0.001 时不再细分
- OPTIONAL：提供精确 p 值作为补充数据
6.3 效应量
何时标注
- RECOMMENDED：临床/生物学意义比统计显著性更重要时
- MUST：生存分析中必须提供 HR（风险比）
常用效应量指标
| 领域 | 指标 | 说明 |
|---|
| 医学 | HR | 风险比 (Hazard Ratio) |
| 医学 | OR | 比值比 (Odds Ratio) |
| 医学 | RR | 相对风险 (Relative Risk) |
| 心理学 | Cohen's d | 标准化均值差 |
| 生物学 | fold change | 倍数变化 |
七、代码实现
7.1 matplotlib 全局配置（rcParams）
import matplotlib as mpl
import matplotlib.pyplot as plt
# === 顶级期刊图表全局配置 ===
publication_rcParams = {
# 字体设置
'font.family': 'sans-serif',
'font.sans-serif': ['Arial', 'Helvetica', 'DejaVu Sans'],
'font.size': 8, # 默认字号
'axes.titlesize': 9, # 标题字号
'axes.labelsize': 8, # 轴标签字号
'xtick.labelsize': 7, # X刻度标签
'ytick.labelsize': 7, # Y刻度标签
'legend.fontsize': 7, # 图例字号
'figure.titlesize': 9, # 图标题字号
# 线条设置
'axes.linewidth': 0.8, # 坐标轴线宽
'lines.linewidth': 1.0, # 数据线线宽
'lines.markersize': 4, # 标记大小
'xtick.major.width': 0.8, # X主刻度线宽
'ytick.major.width': 0.8, # Y主刻度线宽
'xtick.major.size': 3, # X主刻度长度
'ytick.major.size': 3, # Y主刻度长度
'xtick.minor.width': 0.6, # X次刻度线宽
'ytick.minor.width': 0.6, # Y次刻度线宽
# 边框设置 - 去除上右边框
'axes.spines.top': False,
'axes.spines.right': False,
# 图例设置
'legend.frameon': False, # 去除图例边框
'legend.loc': 'best',
# 分辨率设置
'figure.dpi': 150, # 屏幕显示DPI
'savefig.dpi': 300, # 保存DPI
'savefig.bbox': 'tight', # 去除白边
'savefig.pad_inches': 0.05, # 边距
# 矢量格式设置
'pdf.fonttype': 42, # 确保PDF字体可编辑
'ps.fonttype': 42,
'svg.fonttype': 'none',
# 颜色设置
'axes.prop_cycle': mpl.cycler(color=[
'#4477AA', '#EE6677', '#228833', '#CCBB44',
'#66CCEE', '#AA3377', '#BBBBBB'
]),
}
# 应用配置
mpl.rcParams.update(publication_rcParams)
7.2 标准尺寸常量
# === 期刊标准图片尺寸（inch）===
FIG_WIDTH = {
'single': 3.54, # 单栏 ≈ 89 mm
'one_half': 5.51, # 1.5 栏 ≈ 140 mm
'double': 7.48, # 双栏 ≈ 190 mm
'full': 7.48, # 全页宽
}
# 推荐高度（基于黄金比例 0.618 或标准 0.75）
def fig_height(width, aspect='standard'):
"""
计算推荐高度
aspect: 'golden' (0.618), 'standard' (0.75), 'wide' (0.5625)
"""
ratios = {'golden': 0.618, 'standard': 0.75, 'wide': 0.5625}
return width * ratios.get(aspect, 0.75)
# 常用尺寸组合
FIG_SIZE_SINGLE = (FIG_WIDTH['single'], fig_height(FIG_WIDTH['single']))
FIG_SIZE_DOUBLE = (FIG_WIDTH['double'], fig_height(FIG_WIDTH['double']))
7.3 通用保存函数
import matplotlib.pyplot as plt
from pathlib import Path
def save_publication_figure(fig, filename, formats=None, dpi=300,
output_dir='./figures'):
"""
保存为多种格式的发表级图表
Parameters
----------
fig : matplotlib.figure.Figure
要保存的图对象
filename : str
文件名（不含扩展名）
formats : list, optional
保存格式列表，默认 ['pdf', 'png', 'svg']
dpi : int, optional
位图格式DPI，默认300
output_dir : str, optional
输出目录
"""
if formats is None:
formats = ['pdf', 'png', 'svg']
output_path = Path(output_dir)
output_path.mkdir(parents=True, exist_ok=True)
for fmt in formats:
filepath = output_path / f"{filename}.{fmt}"
if fmt in ['pdf', 'svg', 'eps']:
# 矢量格式不需要dpi
fig.savefig(
filepath,
bbox_inches='tight',
pad_inches=0.05,
transparent=False,
facecolor='white',
format=fmt
)
else:
# 位图格式使用指定dpi
fig.savefig(
filepath,
dpi=dpi,
bbox_inches='tight',
pad_inches=0.05,
transparent=False,
facecolor='white',
format=fmt
)
print(f"Saved: {filepath}")
plt.close(fig)
# 使用示例
# fig, ax = plt.subplots(figsize=FIG_SIZE_SINGLE)
# ... 绘图代码 ...
# save_publication_figure(fig, 'figure_1', formats=['pdf', 'png', 'svg'])
7.4 推荐配色常量
# === 色盲友好配色方案 ===
# Okabe-Ito 配色（推荐）
COLORS_OKABE_ITO = [
'#E69F00', # 橙色
'#56B4E9', # 天蓝色
'#009E73', # 绿色
'#F0E442', # 黄色
'#0072B2', # 蓝色
'#D55E00', # 红色
'#CC79A7', # 粉色
'#999999', # 灰色
]
# Paul Tol Bright 配色
COLORS_TOL_BRIGHT = [
'#4477AA', # 蓝色
'#EE6677', # 红/粉色
'#228833', # 绿色
'#CCBB44', # 黄色
'#66CCEE', # 青色
'#AA3377', # 紫色
'#BBBBBB', # 灰色
]
# Paul Tol Vibrant 配色
COLORS_TOL_VIBRANT = [
'#EE7733', # 橙
'#0077BB', # 蓝
'#33BBEE', # 青
'#EE3377', # 玫红
'#CC3311', # 红
'#009988', # 青绿
'#BBBBBB', # 灰
]
# 生物医学专用配色
COLORS_BIOMED = {
'up': '#D73027', # 上调 - 红
'down': '#4575B4', # 下调 - 蓝
'ns': '#CCCCCC', # 不显著 - 灰
'control': '#999999', # 对照组 - 灰
'treatment': '#E69F00', # 治疗组 - 橙
}
# 灰度友好的配色（用于打印）
COLORS_PRINT_FRIENDLY = [
'#000000', # 黑
'#444444', # 深灰
'#888888', # 中灰
'#CCCCCC', # 浅灰
'#FFFFFF', # 白（填充）
]
7.5 seaborn 主题配置
import seaborn as sns
import matplotlib.pyplot as plt
def set_publication_theme():
"""
设置Seaborn发表级主题
"""
# 使用paper上下文（最紧凑）
sns.set_theme(
context='paper',
style='ticks', # 仅显示刻度线
palette='deep',
font='sans-serif',
font_scale=0.9,
rc={
'axes.spines.top': False,
'axes.spines.right': False,
'axes.linewidth': 0.8,
'xtick.major.width': 0.8,
'ytick.major.width': 0.8,
'xtick.major.size': 3,
'ytick.major.size': 3,
}
)
# 使用示例
set_publication_theme()
# ... seaborn绘图代码 ...
7.6 统计标注辅助函数
import matplotlib.pyplot as plt
from matplotlib.patches import FancyBboxPatch
def add_significance_bar(ax, x1, x2, y, p_value, h=0.02, text_offset=0.01):
"""
在图中添加显著性标注线和星号
Parameters
----------
ax : matplotlib.axes.Axes
x1, x2 : 要比较的两组x坐标
y : 标注线的y坐标
p_value : p值
h : 垂线高度（相对坐标）
text_offset : 文字偏移量
"""
# 转换到数据坐标
ylim = ax.get_ylim()
h_abs = (ylim[1] - ylim[0]) * h
offset_abs = (ylim[1] - ylim[0]) * text_offset
# 确定标记
if p_value < 0.0001:
sig_text = '****'
elif p_value < 0.001:
sig_text = '***'
elif p_value < 0.01:
sig_text = '**'
elif p_value < 0.05:
sig_text = '*'
else:
sig_text = 'ns'
# 绘制连接线
ax.plot([x1, x1, x2, x2],
[y, y + h_abs, y + h_abs, y],
linewidth=0.8, color='black')
# 添加文字
ax.text((x1 + x2) / 2, y + h_abs + offset_abs, sig_text,
ha='center', va='bottom', fontsize=8)
# 使用示例
# add_significance_bar(ax, 0, 1, 18, 0.003)
八、提交前自检清单（Checklist）
8.1 技术规范检查
8.2 设计质量检查
8.3 数据完整性检查
8.4 多面板检查
8.5 图注检查
8.6 图像完整性
九、常见错误与审稿人关注点
9.1 最常导致返修的图表问题
| 排名 | 问题 | 修正方法 |
|---|
| 1 | 分辨率不足 | 按期刊要求重新输出，使用矢量格式 |
| 2 | 字体过小 | 字号至少6-7 pt，考虑印刷后尺寸 |
| 3 | Y轴不从0开始（柱状图） | 柱状图Y轴必须从0开始，折线图可以截断 |
| 4 | 色盲不友好 | 使用色盲友好配色，不仅靠颜色区分 |
| 5 | 缺少统计信息 | 图注明确检验方法、p值、样本量 |
| 6 | 误差线类型未说明 | 图注明确是SD、SEM还是95%CI |
| 7 | 图例遮挡数据 | 图例放在图外或空白区域 |
| 8 | 过度装饰 | 去除3D效果、阴影、渐变、多余边框 |
| 9 | 坐标轴标签缺失 | 所有轴必须有标签和单位 |
| 10 | 面板编号混乱 | 使用连续字母编号，清晰可读 |
9.2 学科特殊注意事项
生物医学/临床医学
- 生存分析：必须包含风险表（number at risk）
- 免疫组化：提供染色评分标准
- Western Blot：提供完整膜图，标注分子量
- 显微镜图像：包含比例尺和染色说明
生物信息学/基因组学
- 热图：必须进行行/列聚类
- 火山图：明确fold change和p值阈值
- PCA/t-SNE：解释方差百分比
- 通路分析：注明数据库和版本
工程技术
- 电路图：使用标准IEEE符号
- 流程图：遵循标准符号规范
- 机械图：包含尺寸标注和公差
- 算法图：伪代码与图示一致
社会科学
- 问卷数据：说明量表类型和评分标准
- 定性数据：提供编码示例
- 地理数据：包含地图投影说明
9.3 伦理与诚信
- 图像处理：仅允许亮度/对比度整体调整，不允许局部修改
- 数据完整性：不得删除"异常值"而不报告
- 重复发表：同一数据不得在多篇文章中重复发表而不引用
- 第三方图像：必须获得使用许可并注明来源
十、推荐工具与资源
10.1 Python 库
| 库 | 用途 | 推荐版本 |
|---|
| matplotlib | 基础绘图 | ≥3.5 |
| seaborn | 统计可视化 | ≥0.12 |
| plotly | 交互式图表 | ≥5.0 |
| scipy | 统计分析 | ≥1.9 |
| scikit-survival | 生存分析 | ≥0.19 |
| statannotations | 统计标注 | ≥0.5 |
10.2 R 包
| 包 | 用途 |
|---|
| ggplot2 | 基础绘图 |
| ggpubr | 发表级图表 |
| survminer | 生存曲线 |
| ComplexHeatmap | 热图 |
| EnhancedVolcano | 火山图 |
10.3 在线工具
| 工具 | 用途 | 网址 |
|---|
| ColorBrewer | 配色方案 | colorbrewer2.org |
| Coblis | 色盲模拟 | coblis.com |
| BioRender | 科学插图 | biorender.com |
| PlotDigitizer | 数据提取 | plotdigitizer.com |
10.4 参考资源
- Tufte, E.R. (2001). The Visual Display of Quantitative Information. 2nd Ed.
- Cleveland, W.S. (1994). The Elements of Graphing Data. 2nd Ed.
- Wilke, C.O. (2019). Fundamentals of Data Visualization. O'Reilly.
- Healy, K. (2018). Data Visualization: A Practical Introduction. Princeton.
十一、快速参考卡（Quick Reference）
尺寸速查
单栏 (89 mm) = 3.54 inch ≈ 250 pixels @ 72 DPI
双栏 (183 mm) = 7.48 inch ≈ 540 pixels @ 72 DPI
最小字号: 6 pt = 2.1 mm ≈ 6 pixels @ 300 DPI
DPI速查
屏幕显示: 72-96 DPI
网页/演示: 150 DPI
期刊印刷: 300 DPI (彩色/灰度)
线条图: 600-1200 DPI
字号速查
面板编号: 10-12 pt, bold
图表标题: 9-10 pt
轴标签: 8 pt
刻度标签: 7 pt
图例: 7 pt
最小可读: 5-6 pt
线宽速查
数据线: 1.0-1.5 pt
坐标轴: 0.8 pt
误差线: 0.8 pt
显著性标记线: 0.8 pt
边框线: 0.5-1.0 pt
代码调试速查
| 报错/异常 | 快速诊断 | 修复方案 |
|---|
Font family ['Arial'] not found | 系统缺少 Arial 字体 | 已配置回退链 ['Arial', 'Helvetica', 'DejaVu Sans', 'Liberation Sans']；如仍报错，安装 mscorefonts 或改用 DejaVu Sans |
ModuleNotFoundError: No module named 'sksurv' | 生存分析库未安装 | pip install scikit-survival；如安装失败，改用 lifelines 库替代 |
UserWarning: Glyph missing / 中文显示为方框 | 当前字体不支持 CJK 字符 | 临时回退 plt.rcParams['font.sans-serif'] = ['SimHei', 'WenQuanYi Zen Hei', 'Noto Sans CJK']；提醒用户投稿前替换为期刊要求的英文字体 |
PermissionError 保存失败 | 输出目录无写入权限 | 更换 output_dir 到用户有权限的路径，如 ./figures 或当前工作目录 |
ValueError: x and y must have same first dimension | 数据长度不匹配 | 检查 DataFrame 行列是否与绘图代码一致；确认分组标签与数据点数量相等 |
LinAlgError 在热图聚类时 | 数据中存在 NaN 或常数列 | 先剔除全 NaN 行/列，或对常数列添加微小噪声 (+ np.random.normal(0, 1e-10)) |
| 图片保存后文字/标签被截断 | bbox_inches='tight' 未生效或面板过多 | 增大 figsize 或减小 fontsize；多面板图使用 plt.savefig(..., bbox_inches='tight', pad_inches=0.1) |
版本历史
| 版本 | 日期 | 更新内容 |
|---|
| 1.0 | 2026-02-13 | 初始版本，覆盖 Nature/Science/Cell/Lancet/IEEE/PNAS/NEJM 规范 |
参考来源
本技能文档基于以下官方指南和权威资源编制。按关联章节索引，便于快速定位：
| 序号 | 来源 | 关联章节 | 用途 |
|---|
| 1 | Nature - Formatting Guide for Authors (nature.com) | 1.1, 1.2 | 分辨率、尺寸、格式规范 |
| 2 | Science - Instructions for Preparing Revised Manuscripts (science.org) | 1.1, 1.2, 1.3 | 尺寸、字体、线条规范 |
| 3 | Cell Press - Figure Guidelines (cell.com) | 1.1 | 格式兼容性 |
| 4 | The Lancet - Artwork Guidelines (thelancet.com) | 1.1, 1.2 | 分辨率与最小尺寸 |
| 5 | IEEE - Graphic Preparation Guidelines (ieee.org) | 1.1, 1.2 | 线条图 DPI、单双栏宽度 |
| 6 | PNAS - Digital Art Guidelines (pnas.org) | 1.1 | 最终出版尺寸要求 |
| 7 | NEJM - Technical Guidelines for Figures (nejm.org) | 1.1 | 高分辨率图形标准 |
| 8 | Morrison et al. (2021) - PLoS Comput Biol | 2.1, 2.2 | 数据可视化十原则 |
| 9 | Tufte, E.R. - The Visual Display of Quantitative Information | 2.1, 2.3 | 数据墨水比、可读性原则 |
| 10 | Paul Tol - Color Schemes for Scientific Data | 3.1, 3.5 | 色盲友好配色方案 |
| 11 | Wong, B. - Nature Methods Points of View | 1.4, 2.4 | 色盲设计考量 |
| 12 | Matplotlib - style sheets and rcParams | 7.1, 7.5 | 全局配置与主题设置 |
| 13 | root-analysis skill (配色实践) | 2.5, 3.5, 3.6 | 半透明叠加原则、高区分度色板、渐变方案 |
本文档遵循 CC BY 4.0 协议，可自由分享和修改，但需注明来源。
