scientific-visualization

scientific-visualization

概述

有效的科学可视化能够清晰、如实且易于理解地传达数据。不合适的图表、误导性的坐标轴或不适用的调色板可能掩盖研究发现或引入偏差。本指南涵盖科学图表准备的完整工作流程：从根据数据结构选择合适的图表类型，到色彩理论、无障碍设计以及期刊投稿的格式要求。

核心概念

图表类型与数据类型的匹配

每种图表类型都针对特定的数据结构进行了优化。两者不匹配（例如，用饼图展示连续分布、用条形图展示时间序列）会掩盖结构并扭曲感知。

数据类型	推荐图表	避免使用
连续分布（1 组）	直方图、小提琴图、山峦图	仅展示均值的条形图
连续分布（2–5 组）	小提琴图叠加箱线图、蜂群图	分组条形图
两个连续变量，相关性	散点图、大样本使用六边形分箱图	没有时间顺序的折线图
类别计数／比例	条形图（标签较长时使用水平条形图）	类别超过 4 个的饼图
随时间变化（连续）	折线图	条形图
随时间变化（稀疏事件）	阶梯图、事件栅格图	连线散点图
部分与整体（≤5 个部分）	堆叠条形图、华夫图	3D 饼图
高维（>5 个变量）	热图（聚类）、平行坐标图	3D 散点图
空间数据	地图、空间热图	气泡图
生存／事件发生时间	Kaplan-Meier 曲线	展示中位生存期的条形图

科学可视化的色彩理论

颜色用于编码信息。误用颜色会引入伪影，也会影响色觉缺陷（CVD；约 8% 的男性）读者。

顺序色板用于编码从低到高的有序数值数据（例如，表达水平、浓度）。使用感知均匀的色板：viridis、magma、cividis。这些色板打印为灰度时也能保持清晰。

发散色板用于编码具有明确中点的数据（例如，以 0 为中心的倍数变化、从 -1 到 +1 的相关性）。使用 RdBu、coolwarm 或 vlag。务必确保中点映射为白色／中性色。

定性色板用于编码无序类别。使用 Okabe-Ito（适用于色觉缺陷者）、tab10（matplotlib 默认值）或 ColorBrewer 定性色板。可区分的颜色不要超过 8 种；超过时，应使用形状或图案作为冗余编码。

颜色使用禁忌：

• 彩虹／jet 色图：感知不均匀，会产生虚假的轮廓
• 使用红色与绿色进行编码：不适用于红色盲（约 6% 的男性）
• 用高饱和度颜色作为背景或填充大面积区域

图表构图与布局

科学图表通常包含多个面板。面板布局和标注会影响读者理解信息的方式。

• 面板标签：在左上角使用粗体大写字母（A、B、C）；图内使用 8–12 pt 字号，图注引用处使用更大字号。
• 对齐：将各面板边缘沿网格对齐。面板未对齐会显得不够细致。
• 留白：留出足够的页边距；面板过于拥挤会降低可读性。
• 图表尺寸：根据目标栏宽设计——Nature 系列期刊的单栏约为 85 mm／3.35 in、1.5 栏约为 114 mm／4.5 in、双栏约为 170 mm／6.7 in。
• 字体：使用无衬线字体（Arial、Helvetica）；按出版分辨率查看最终图表时，字号至少为 6–8 pt。

期刊图表格式要求

主要期刊对投稿图表有明确要求。违反这些要求会导致稿件被编辑部退稿，延误处理。

期刊/样式	最大宽度	分辨率	色彩模式	字体	文件格式
Nature 系列	89 mm（单栏），183 mm（双栏）	300 dpi（照片），600 dpi（线稿）	RGB 或 CMYK	Arial 5–7 pt	PDF、TIFF、EPS
Cell/iScience	85 mm（单栏），170 mm（双栏）	300 dpi（栅格图），600 dpi（半色调）	RGB	Helvetica 6–8 pt	PDF、EPS、TIFF
ACS 期刊	3.25 in（单栏），7 in（双栏）	600 dpi（彩色），1200 dpi（黑白线稿）	RGB（屏幕显示），CMYK（印刷）	Arial/Helvetica 4.5–7 pt	TIFF、EPS、PDF
PLOS ONE	无严格宽度要求	300 dpi（栅格图），600–1200 dpi（线稿）	RGB	任意	TIFF、EPS、PDF

决策框架

使用此树，根据分析目标选择合适的可视化方式：

What is the primary message of this figure?
|
+-- Show a distribution or spread of values
|   +-- One group         --> Histogram or violin plot
|   +-- 2-5 groups        --> Violin + jitter (show all points if N < 100)
|   +-- Many groups       --> Ridge plot (joy plot)
|
+-- Compare quantities between categories
|   +-- Few categories (2-5)    --> Bar chart with error bars + individual points
|   +-- Many categories (>8)    --> Lollipop chart or dot plot (horizontal)
|   +-- Paired measurements     --> Slopegraph or paired dot plot
|
+-- Show a relationship between two continuous variables
|   +-- N < 1000                --> Scatter plot
|   +-- N > 1000                --> Hexbin or 2D density plot
|   +-- Time ordered            --> Line chart
|
+-- Show composition or part-to-whole
|   +-- 2-4 parts               --> Stacked bar or waffle chart
|   +-- Over time               --> Stacked area chart
|   +-- Avoid pie chart unless <= 3 parts and proportions are obvious
|
+-- Show high-dimensional data
|   +-- Genes x samples         --> Clustered heatmap (seaborn.clustermap)
|   +-- Embeddings (UMAP, PCA)  --> Scatter colored by metadata
|   +-- Feature importance      --> Horizontal bar chart (sorted)
|
+-- Show spatial or geographic data
|   +-- Microscopy              --> Image overlay with colorbar
|   +-- Geographic              --> Choropleth map

分析目标	图表类型	库	关键注意事项
不同组间的基因表达	小提琴图 + 抖动点	seaborn、plotnine	N < 50 时显示所有数据点；切勿只用柱状图 + SEM
差异表达	火山图	matplotlib	x 轴为 Log2FC，y 轴为 -log10(p)
聚类结果	UMAP 散点图	scanpy、matplotlib	每个注释变量单独绘制一张图
相关性矩阵	聚类热图	seaborn.clustermap	使用以 0 为中心的发散色板
蛋白质结构	蛋白质丝带图	PyMOL、ChimeraX	本文不涉及 — 请使用专用分子图形工具
生存分析	Kaplan-Meier 曲线	lifelines	包含置信带和风险人数表
时间序列	带 CI 的折线图	matplotlib	显示不确定性；连接组均值，而非单个数据点

最佳实践

1. 展示数据，而不只是汇总结果：对于 N < 100 的情况，使用抖动或蜂群图，在小提琴图或箱线图上叠加显示单个数据点。仅显示均值 ± SEM 的柱状图会掩盖分布形状、离群值和双峰分布。

2. 默认选择适合 CVD 的色板：顺序数据使用 Okabe-Ito 或 viridis/cividis。投稿前，使用 CVD 模拟器（例如 Coblis）检查图表。

3. 从一开始就按最终发表尺寸设计：将图表画布设为目标期刊的确切栏宽（例如，Nature 单栏为 89 mm）。事后缩放会使字体过小或过大，并改变纵横比。

4. 为坐标轴标注单位，并使用描述性标题：每个坐标轴都必须带有单位标签，单位放在括号中（例如，“表达量（log2 CPM）”）。避免使用没有图例说明的晦涩缩写。

5. 线稿和文字使用矢量格式：图表包含文字和线条时，保存为 PDF 或 SVG。仅在期刊要求提交 TIFF 时才栅格化。矢量图放大后不会出现像素化，且仍可编辑。

6. 统计注释应与所用检验相符：如果标注显著性星号（*），请在图注中说明所用检验、准确的 p 值和样本量。“n.s.” 也应报告 p 值。

7. 避免使用双 y 轴：同一图表使用两个不同的 y 轴几乎总会造成误导 — 表面上的关系取决于刻度选择。应改用两个独立面板。

常见误区

1. 用柱状图展示连续分布（炸药图）

   • 问题所在：均值 ± SEM 柱形会掩盖数据是否呈正态分布、多峰分布或存在离群值。两组数据即使柱形完全相同，其分布也可能截然不同。
   • 如何避免：使用小提琴图、带抖动的箱线图或蜂群图。N < 50 时，显示所有数据点。

2. 截断或断裂 y 轴，夸大差异

   • 问题所在：将 y 轴起点设为非零值，会让微小差异看起来很大，误导读者对效应大小的判断。
   • 如何避免：对于比率或计数数据，y 轴从零开始。如果确实需要放大查看，可使用嵌入图或单独的面板，并清楚标明坐标轴已截断。

3. 热图使用彩虹色／jet 色图

   • 问题所在：Jet 在感知上并不均匀，会制造虚假的等高线效果，并且在 CVD 和灰度打印中表现不佳。
   • 如何避免：连续数据使用 viridis、magma 或 inferno；发散数据使用 RdBu 或 coolwarm。这些是 seaborn >= 0.12 中的默认选项。

4. 数据点重叠，且未使用抖动或透明度

   • 问题所在：数据点彼此叠加（过度绘制），使密集区域看起来稀疏，并掩盖真实的数据密度。
   • 如何避免：添加抖动（seaborn.stripplot(jitter=True)）、设置透明度（alpha=0.3），或在 N 较大时改用六边形分箱图／二维密度图。

5. 标注 P 值，却不提供效应大小或样本量

   • 问题所在：N = 10,000 时，即使结果在统计学上显著（p < 0.05），也可能在科学意义上微不足道。单独使用星号无法提供有用信息。
   • 如何避免：在图注或图中直接报告精确 P 值、效应大小（Cohen's d、优势比）和样本量。

6. 图中文字在出版尺寸下过小

   • 问题所在：按屏幕尺寸设计后，再缩小到期刊栏宽，会导致文字只有 3–4 pt，无法达到最低可读性标准。
   • 如何避免：从一开始就按最终印刷尺寸设计。检查最终尺寸下的轴标签是否 ≥ 6 pt。

7. 多面板图中各面板的风格不一致

   • 问题所在：各面板的字体、线宽或配色方案不同，会使图表显得不专业，也更难进行比较。
   • 如何避免：在绘图脚本顶部定义共享的 matplotlib.rcParams 样式字典，并将其应用于所有面板。

工作流

1. 先明确要传达的信息

   • 用一句话描述希望读者从这张图中获得什么信息。
   • 使用上述决策框架，选择最直接传达该信息的图表类型。

2. 准备数据

   • 绘图前汇总、整理并验证数据。
   • 检查是否存在应当调查、而非悄悄删除的离群值。

3. 按屏幕分辨率制作原型

   • 使用你偏好的绘图库（matplotlib、seaborn、ggplot2、plotnine）绘制初稿。
   • 重点确保数据和图表类型正确；此阶段暂不考虑样式。

4. 应用期刊专属样式

   • 将画布尺寸设为目标期刊的栏宽。
   • 设置字体系列和最小字号。
   • 选择适用于 CVD 的配色方案。
   • 统一线宽（轴线和刻度为 0.5–1.0 pt，数据线为 1.0–2.0 pt）。

5. 添加注释和标签

   • 面板标签（A、B、C）使用粗体。
   • 轴标签注明单位。
   • 统计注释注明检验名称和精确 P 值。
   • 图例使用描述性条目。

6. 按正确分辨率导出

   • 矢量格式：线条图和文字使用 PDF 或 SVG。
   • 栅格格式：半色调图像／照片使用 300 dpi 的 TIFF，线条图使用 600 dpi 的 TIFF。
   • 在 matplotlib 中使用 plt.savefig("fig1.pdf", bbox_inches="tight")。

7. 检查无障碍性

   • 使用在线工具或 GIMP 的色盲滤镜模拟 CVD。
   • 以灰度打印，并确认各面板仍能区分。

协议指南

1. 对于 matplotlib/seaborn：在每个绘图脚本的顶部设置 rcParams；使用 fig.set_size_inches() 来确保符合期刊尺寸要求；导出时的 dpi 至少为 300。
2. 对于 R/ggplot2：使用 theme_classic() 或自定义主题；设置 ggsave(width=..., units="mm", dpi=300)。
3. 对于多面板组合：使用 matplotlib.gridspec、patchworklib（Python）或 cowplot/patchwork（R）来对齐面板网格。
4. 对于交互式图表：HTML 输出使用 Plotly 或 Bokeh；网页嵌入使用 Vega-Lite。务必提供用于出版的静态备用版本。
5. 对于海报展示：将所有字体放大 1.5–2 倍；使用更大的标记（点大小为 8–12 pt）和更粗的线条（2–3 pt）；优先采用高对比度的深色背景调色板。

延伸阅读

• 数据可视化基础——Claus O. Wilke（开放获取） — 全面的指南，涵盖图表选择、颜色和图表设计
• 打造更出色图表的十条简单规则（Rougier 等，2014，PLOS Computational Biology） — 实用的同行评审指南
• ColorBrewer 2.0 — 用于选择适合印刷且对色觉缺陷友好的调色板的浏览器工具
• Coblis CVD 模拟器 — 测试图表在 8 种色觉缺陷情况下的可访问性
• Nature Methods——观点专栏 — Bang Wong 及其同事每月分享的可视化建议
• ACS Publications 图表准备指南 — 期刊特定的技术要求

相关技能

• matplotlib-figures — 使用 matplotlib 和 seaborn 制作出版级图表的 Python 实现
• data-visualization — 通用 Python 绘图方法
• biostatistics — 用于配合图表标注的统计检验选择