文章目录
-
- 前言：你的图为什么会"差点意思"
- 零、先选对图：一张图表选型决策表
- 一、第一步：把"期刊样式"固化成一个函数
- 二、基础图表：柱状图、折线图、散点图的正确画法
-
- [2.1 柱状图：别只画均值，把原始数据点画上去](#2.1 柱状图：别只画均值，把原始数据点画上去)
- [2.2 折线图：带 95% 置信带的时间/剂量曲线](#2.2 折线图：带 95% 置信带的时间/剂量曲线)
- [三、高级可视化：箱线图、相关性热图、双 Y 轴](#三、高级可视化：箱线图、相关性热图、双 Y 轴)
-
- [3.1 箱线图 + 抖动散点（展示完整分布）](#3.1 箱线图 + 抖动散点（展示完整分布）)
- [3.2 相关性热图（组学、问卷数据的标配）](#3.2 相关性热图（组学、问卷数据的标配）)
- [3.3 双 Y 轴图（左轴浓度、右轴存活率这类组合）](#3.3 双 Y 轴图（左轴浓度、右轴存活率这类组合）)
- [3.4 高级图的三个高频误用](#3.4 高级图的三个高频误用)
- [四、机制示意图：不用 Illustrator 也能画通路图](#四、机制示意图：不用 Illustrator 也能画通路图)
-
- [4.1 示意图的构图三原则](#4.1 示意图的构图三原则)
- [五、文献计量图：关键词共现网络（CiteSpace 风格）](#五、文献计量图：关键词共现网络（CiteSpace 风格）)
-
- [5.1 真实题录数据怎么准备](#5.1 真实题录数据怎么准备)
- 六、配色：这是代码给不了你的东西（但可以给你可执行的标准）
- [七、拼版与导出：A/B/C/D 多子图 + 期刊导出规范](#七、拼版与导出：A/B/C/D 多子图 + 期刊导出规范)
-
- [7.1 多子图拼版（附子图标签）](#7.1 多子图拼版（附子图标签）)
- [7.2 批量导出（PDF 矢量 + TIFF 600dpi + PNG 预览）](#7.2 批量导出（PDF 矢量 + TIFF 600dpi + PNG 预览）)
- [7.3 投稿前检查清单（建议收藏）](#7.3 投稿前检查清单（建议收藏）)
- 八、代码之外的那一半：审美、版式与设计逻辑
- 九、从"模仿顶刊"到"自主设计"：一条可执行的路径
- 结语
前言：你的图为什么会"差点意思"
先说一个残酷的事实：审稿人打开论文，第一眼看的是图，不是正文。图的质量直接决定第一印象分，而第一印象分决定他是"仔细读"还是"找理由拒"。
但大多数人的图有三个致命伤：
- 样式不统一：字号忽大忽小，坐标轴粗细不一，有的带边框有的不带；
- 信息密度失控：该展示分布的地方只画了均值柱，该标注显著性的地方一片空白；
- 审美缺失 ：配色全靠 matplotlib 默认（那套被吐槽了十年的
tab10）、红绿并用（色盲读者直接看瞎）、图注和坐标轴挤成一团。
这三点里，前两点可以用一套固化好的代码模板一次性解决------这也是本文要给你的东西：12 段可直接复制运行的代码，覆盖基础图表、高级可视化、机制示意图、文献计量网络、配色体系、多子图拼版、期刊导出全链路。
第三点（审美）代码解决不了，它需要理解版式、配色和设计逻辑------这正是下面要推荐的新书《科研助手：科研论文配图设计与制作指南》（北京大学出版社）的核心价值。文章后半部分会说明：代码模板和这本书如何配合使用。
先跑通环境（依赖均为常用库）：
bash
pip install numpy scipy pandas matplotlib networkx零、先选对图：一张图表选型决策表
比样式更前置的问题是图选错了------图画得再漂亮，类型选错也是白费。下面这张表按"你想回答什么问题"来选图，是本文全部代码的总纲：
| 你想回答的问题 | 该用的图 | 常见错误 |
|---|---|---|
| 几组的均值差多少？ | 柱状图 + 误差棒 + 散点 / 箱线图 | 只画均值柱，隐藏分布和样本量 |
| 随时间/浓度怎么变？ | 折线图 + 置信带 | 用柱状图表示时间序列 |
| 两个变量相关吗？ | 散点图 + 回归线 + r 与 P | 用折线连接不连续的散点 |
| 多变量之间怎么相关？ | 相关性热图 / 相关矩阵 | 用几十张散点图堆砌 |
| 分布形状如何？ | 箱线图 / 小提琴图 / 直方图 | 用均值±标准差代替分布展示 |
| 两个量纲不同的趋势？ | 双 Y 轴图 | 两条曲线共用一个轴，另一条被压扁 |
| 机制/流程怎么走？ | 示意图（框 + 箭头） | 用文字段落描述通路 |
| 领域研究热点是什么？ | 关键词共现网络 / 聚类图谱 | 只给词频柱状图，丢掉关联信息 |
选图的第一原则是让数据自己说话，而不是让读者的想象力补位 ：凡是读者需要"脑补"才能得出的结论，都应该由图形直接呈现出来。第二原则是一张图只回答一个问题------想在一张图里塞进三个结论，结果通常是三个都没讲清。
一、第一步：把"期刊样式"固化成一个函数
绝大多数人画图难看，根源是每次都从默认样式开始手动微调 。正确做法是：把期刊要求写进 rcParams，全局生效，一劳永逸。
python
import matplotlib.pyplot as plt
import numpy as np
def sci_style():
"""一键切换为期刊投稿样式（Nature/Science/Elsevier 通用底版）"""
plt.rcParams.update({
# 字体：期刊普遍要求 Arial / Helvetica，字号 7~9 pt
'font.family': 'sans-serif',
'font.sans-serif': ['Arial', 'Helvetica', 'DejaVu Sans'],
'font.size': 8,
'axes.labelsize': 9,
'axes.titlesize': 9,
'xtick.labelsize': 8,
'ytick.labelsize': 8,
'legend.fontsize': 8,
'legend.frameon': False, # 图例去边框，顶刊标配
# 线条与坐标轴线宽统一为 0.8 pt
'axes.linewidth': 0.8,
'lines.linewidth': 1.2,
'lines.markersize': 4,
'xtick.major.width': 0.8,
'ytick.major.width': 0.8,
'xtick.major.size': 3,
'ytick.major.size': 3,
'xtick.direction': 'out',
'ytick.direction': 'out',
# 去掉顶部和右侧边框（顶刊图几乎都是"半框"）
'axes.spines.top': False,
'axes.spines.right': False,
# 导出：TrueType 字体嵌入，避免 PDF 里文字变成乱码或曲线
'pdf.fonttype': 42,
'ps.fonttype': 42,
'svg.fonttype': 'none',
'figure.dpi': 150,
'savefig.dpi': 600,
'savefig.bbox': 'tight',
})
def set_size(width_pt=252, fraction=1.0, subplots=(1, 1)):
"""按期刊版面尺寸计算图片尺寸。
常用版面：Nature/Science 单栏 89 mm ≈ 252 pt；双栏通排 183 mm ≈ 519 pt
subplots: (行数, 列数)，按黄金比例反推高度
"""
inches_per_pt = 1 / 72.27
golden_ratio = (5 ** 0.5 - 1) / 2
fig_w = width_pt * fraction * inches_per_pt
fig_h = fig_w * golden_ratio * (subplots[0] / subplots[1])
return (fig_w, fig_h)
sci_style()
print("单栏图尺寸 (inch):", np.round(set_size(252), 2))
print("双栏图尺寸 (inch):", np.round(set_size(519), 2))为什么这一步最重要 ：期刊排版时会把你的图等比缩放 到栏宽。如果你画的图是默认的 6.4×4.8 英寸却被塞进 89 mm 单栏，字号会被压到 5 pt 以下------直接被要求返修。用
set_size()从源头对齐版面，字号才可控。
二、基础图表：柱状图、折线图、散点图的正确画法
2.1 柱状图：别只画均值，把原始数据点画上去
顶刊近年明确抵制"光秃秃的柱子"（barbarplot 运动）。趋势是柱 + 误差棒 + 原始数据散点 + 显著性标注四件套。
python
from scipy import stats
np.random.seed(42)
groups = ['Control', 'Low dose', 'High dose']
data = [np.random.normal(100, 12, 12),
np.random.normal(118, 13, 12),
np.random.normal(142, 11, 12)]
fig, ax = plt.subplots(figsize=set_size(252, subplots=(1, 1)))
colors = ['#8491B4', '#4DBBD5', '#E64B35']
for i, (d, c) in enumerate(zip(data, colors), start=1):
# 1) 柱子用浅色 + 描边，避免"色块压死"
ax.bar(i, d.mean(), width=0.6, color=c, alpha=0.85,
edgecolor='black', linewidth=0.8, zorder=2)
# 2) 误差棒：SEM（务必在图注中写明是 SEM 还是 SD）
sem = d.std(ddof=1) / np.sqrt(len(d))
ax.errorbar(i, d.mean(), yerr=sem, color='black',
capsize=3, elinewidth=0.8, capthick=0.8, zorder=3)
# 3) 原始数据散点：抖动避免重叠
jitter = np.random.normal(i, 0.06, len(d))
ax.scatter(jitter, d, s=8, facecolor='white', edgecolor='black',
linewidth=0.6, zorder=4)
ax.set_xticks([1, 2, 3])
ax.set_xticklabels(groups)
ax.set_ylabel('Relative expression')
ax.set_ylim(0, 185)
def add_sig(ax, x1, x2, y, h, text):
"""显著性标注：两条短线 + 一根横梁 + 星号"""
ax.plot([x1, x1, x2, x2], [y, y + h, y + h, y],
lw=0.8, color='black')
ax.text((x1 + x2) / 2, y + h, text, ha='center',
va='bottom', fontsize=8)
# 4) 显著性：对照组 vs 高剂量组
t, p = stats.ttest_ind(data[0], data[2])
add_sig(ax, 1, 3, 160, 4, '***' if p < 0.001 else '**' if p < 0.01 else '*')
print(f"Control vs High dose: t = {t:.3f}, p = {p:.2e}")
plt.show()为什么顶刊在抵制"光秃秃的柱子"：一根柱子只传达了两个数字（均值和误差），却掩盖了样本量、分布形态、离群点这些关键信息。同样的数据，柱子可以是正态分布、双峰分布、也可以是一个离群点拉出来的假象。近年 Nature 系列期刊明确鼓励作者用箱线图、小提琴图或"柱 + 散点"的组合替代传统柱状图，审稿人也越来越常把"请展示原始数据分布"写进返修意见。这段代码一次就把四件套全给了，直接抄进你的项目里改数据即可。
2.2 折线图：带 95% 置信带的时间/剂量曲线
python
x = np.linspace(0, 24, 40)
np.random.seed(7)
curves = {
'WT': 100 * np.exp(-x / 8) + np.random.normal(0, 2, 40),
'Mutant': 100 * np.exp(-x / 16) + np.random.normal(0, 2, 40),
}
fig, ax = plt.subplots(figsize=set_size(252, subplots=(1, 1)))
for name, c in zip(curves, ['#3C5488', '#E64B35']):
y = curves[name]
resid_sd = np.std(y - np.polyval(np.polyfit(x, y, 6), x))
ax.plot(x, y, lw=1.4, color=c, label=name)
ax.fill_between(x, y - 1.96 * resid_sd, y + 1.96 * resid_sd,
color=c, alpha=0.18, linewidth=0)
ax.set_xlabel('Time (h)')
ax.set_ylabel('Survival (%)')
ax.set_xlim(0, 24)
ax.legend(loc='upper right')
plt.show()三、高级可视化：箱线图、相关性热图、双 Y 轴
3.1 箱线图 + 抖动散点（展示完整分布）
python
np.random.seed(11)
samples = [np.random.normal(0, 1, 40),
np.random.normal(1.2, 1.4, 40),
np.random.lognormal(0.6, 0.5, 40)]
fig, ax = plt.subplots(figsize=set_size(252, subplots=(1, 1)))
bp = ax.boxplot(samples, positions=[1, 2, 3], widths=0.5,
patch_artist=True, showfliers=False,
medianprops=dict(color='black', linewidth=1.2))
for patch, c in zip(bp['boxes'], ['#4DBBD5', '#00A087', '#F39B7F']):
patch.set_facecolor(c)
patch.set_alpha(0.85)
patch.set_edgecolor('black')
patch.set_linewidth(0.8)
for i, d in enumerate(samples, start=1):
ax.scatter(np.random.normal(i, 0.05, len(d)), d,
s=7, facecolor='white', edgecolor='black',
linewidth=0.5, alpha=0.8, zorder=3)
ax.set_xticks([1, 2, 3])
ax.set_xticklabels(['Sham', 'Model', 'Treatment'])
ax.set_ylabel('Normalized score')
plt.show()要点：箱线图必须说明箱体含义（中位数 / 四分位距）、须线范围（1.5 IQR 还是 min-max）、离群点如何处理------这三行字写进图注，审稿人就不会挑刺。
3.2 相关性热图（组学、问卷数据的标配）
python
np.random.seed(3)
labels = ['IL-6', 'TNF-α', 'CRP', 'IL-10', 'IFN-γ', 'MCP-1']
A = np.random.rand(6, 6)
X = np.random.multivariate_normal(np.zeros(6), A @ A.T + 6 * np.eye(6), size=60)
corr = np.corrcoef(X.T)
fig, ax = plt.subplots(figsize=set_size(252, subplots=(1, 1)))
mask = np.triu(np.ones_like(corr, dtype=bool), k=1) # 只保留下三角
corr_masked = np.where(mask, np.nan, corr)
im = ax.imshow(corr_masked, cmap='RdBu_r', vmin=-1, vmax=1)
for i in range(len(labels)):
for j in range(len(labels)):
if not mask[i, j] and i != j:
ax.text(j, i, f'{corr[i, j]:.2f}', ha='center',
va='center', fontsize=6.5,
color='white' if abs(corr[i, j]) > 0.6 else 'black')
ax.set_xticks(range(len(labels)))
ax.set_yticks(range(len(labels)))
ax.set_xticklabels(labels, rotation=45, ha='right')
ax.set_yticklabels(labels)
cb = fig.colorbar(im, ax=ax, shrink=0.8, pad=0.02)
cb.set_label("Pearson's r", fontsize=8)
cb.ax.tick_params(labelsize=7)
plt.show()要点 ：发散型数据（有正负之分）必须用发散色板 （RdBu_r / coolwarm），中间值是 0；用 viridis 这类顺序色板画相关系数是典型错误。
3.3 双 Y 轴图（左轴浓度、右轴存活率这类组合）
python
fig, ax1 = plt.subplots(figsize=set_size(252, subplots=(1, 1)))
days = np.arange(0, 8)
conc = np.array([0, 12, 28, 45, 52, 47, 38, 30])
viab = np.array([100, 98, 94, 86, 74, 63, 55, 49])
ax1.plot(days, conc, 'o-', color='#E64B35', label='Concentration')
ax1.set_xlabel('Time (day)')
ax1.set_ylabel('Drug concentration (μg/mL)', color='#E64B35')
ax1.tick_params(axis='y', labelcolor='#E64B35')
ax2 = ax1.twinx()
ax2.plot(days, viab, 's--', color='#3C5488', label='Cell viability')
ax2.set_ylabel('Cell viability (%)', color='#3C5488')
ax2.tick_params(axis='y', labelcolor='#3C5488')
ax2.spines['right'].set_visible(True) # 双 Y 轴必须显式打开右边框
h1, l1 = ax1.get_legend_handles_labels()
h2, l2 = ax2.get_legend_handles_labels()
ax1.legend(h1 + h2, l1 + l2, loc='center right', frameon=False)
plt.show()3.4 高级图的三个高频误用
- 箱线图不放原始数据点：样本量小于 10 时，箱线图的四分位数本身就不稳定，必须叠加散点；
- 热图不做聚类和排序：变量顺序随机时热图就是一块噪音，至少按相关系数做一次层次聚类排个序；
- 双 Y 轴图不说明对应关系：两个轴的量纲不同，读者极易误读交叉点，图注里必须写清"左轴为 A、右轴为 B"，并且两条线的样式（实线/虚线、圆点/方点）要有明显区分。
四、机制示意图：不用 Illustrator 也能画通路图
论文里最劝退的一类是机制示意图 / 流程图 。多数人以为必须用 AI（Adobe Illustrator），其实 matplotlib 的 FancyBboxPatch 完全够用，而且可复用到任何数据。
python
from matplotlib.patches import FancyBboxPatch, FancyArrowPatch
def node(ax, x, y, w, h, text, fc='#DCF0F7', ec='#333333'):
ax.add_patch(FancyBboxPatch((x, y), w, h,
boxstyle='round,pad=0.02,rounding_size=0.06',
linewidth=1.0, edgecolor=ec, facecolor=fc))
ax.text(x + w / 2, y + h / 2, text, ha='center', va='center',
fontsize=8, color='#111111')
def edge(ax, p1, p2, style='-|>', color='#333333', ls='-'):
ax.add_patch(FancyArrowPatch(p1, p2, arrowstyle=style,
mutation_scale=9, lw=1.0, color=color,
linestyle=ls, shrinkA=6, shrinkB=6))
fig, ax = plt.subplots(figsize=set_size(519, subplots=(1, 2)))
ax.axis('off')
ax.set_xlim(0, 10); ax.set_ylim(0, 4)
palette = {'ligand': '#F6E8C3', 'receptor': '#DFE3F5',
'path': '#D8F0E3', 'tf': '#FBD9D3', 'pheno': '#E8DAF3'}
node(ax, 0.4, 1.5, 1.7, 1.0, 'Ligand', palette['ligand'])
node(ax, 2.7, 1.5, 1.7, 1.0, 'Receptor', palette['receptor'])
node(ax, 5.0, 2.6, 1.9, 1.0, 'PI3K / AKT', palette['path'])
node(ax, 5.0, 0.3, 1.9, 1.0, 'MAPK / ERK', palette['path'])
node(ax, 7.5, 1.5, 2.0, 1.0, 'Phenotype', palette['pheno'])
edge(ax, (2.1, 2.0), (2.7, 2.0))
edge(ax, (4.4, 2.5), (5.0, 3.1))
edge(ax, (4.4, 1.9), (5.0, 0.8))
edge(ax, (6.9, 3.1), (7.5, 2.2))
edge(ax, (6.9, 0.8), (7.5, 1.8))
edge(ax, (2.0, 1.7), (5.0, 1.7), style='-', ls='--', color='#888888')
ax.text(3.5, 1.85, 'negative feedback', fontsize=7,
color='#666666', ha='center', va='bottom', style='italic')
plt.show()要点 ：示意图的核心是层级清晰 + 语义配色（同一类元件同色、负反馈用虚线、激活用实线箭头、抑制用 T 型箭头）。这些规则属于"设计逻辑"，代码只是执行工具。
4.1 示意图的构图三原则
- 同层同高、同类同色：同一级的元件放在同一水平线上、用同一颜色，读者的视线自然形成从左到右的动线；
- 语义化线型 ：激活用实线箭头，抑制用 T 型箭头（把
arrowstyle换成'-|>'以外的'-['即可），负反馈用虚线，不确定关系用问号标注； - 留白优于塞满：示意图最容易犯的错是元件过多导致留白消失。一张图超过 12 个元件，就应该拆成两张，或者把次要通路折叠成一个模块框。
五、文献计量图：关键词共现网络（CiteSpace 风格）
综述和开题报告里必画的图。用 networkx 30 行搞定：
python
import itertools
from collections import Counter
import networkx as nx
# 模拟 60 篇文献的关键词列表（真实场景从 WoS/CNKI 导出的题录里读取）
np.random.seed(5)
vocab = ['machine learning', 'radiomics', 'deep learning', 'MRI',
'prognosis', 'immune infiltration', 'single-cell', 'biomarker',
'nomogram', 'metabolism', 'ferroptosis', 'tumor microenvironment']
papers = [list(np.random.choice(vocab, size=4, replace=False)) for _ in range(60)]
pair_cnt = Counter()
for kws in papers:
for a, b in itertools.combinations(sorted(set(kws)), 2):
pair_cnt[(a, b)] += 1
G = nx.Graph()
for (a, b), w in pair_cnt.items():
if w >= 8: # 阈值过滤，网络才不会糊成一团
G.add_edge(a, b, weight=w)
fig, ax = plt.subplots(figsize=set_size(252, subplots=(1, 1)))
ax.axis('off')
pos = nx.spring_layout(G, seed=42, k=0.55)
deg = dict(G.degree())
nx.draw_networkx_nodes(G, pos, ax=ax,
node_size=[60 + 90 * deg[n] for n in G.nodes()],
node_color=[deg[n] for n in G.nodes()],
cmap=plt.cm.YlOrRd, edgecolors='#333333',
linewidths=0.6)
nx.draw_networkx_edges(G, pos, ax=ax,
width=[0.4 + 0.35 * G[u][v]['weight'] for u, v in G.edges()],
alpha=0.45, edge_color='#777777')
nx.draw_networkx_labels(G, pos, ax=ax, font_size=6.5, font_color='#111111')
ax.set_title('Keyword co-occurrence network', fontsize=9, pad=6)
plt.show()要点 ：节点大小映射度中心性 （degree）、颜色映射聚类或频次 、边宽映射共现强度------三个视觉通道各司其职，这是文献计量图的通用语法。
5.1 真实题录数据怎么准备
这段代码用的是模拟数据，换成真实数据时按下面三步走：
- 导出题录：Web of Science 选"全记录与引用的参考文献"，导出为纯文本或 BibTeX；CNKI 用"Refworks"格式导出；Scopus 直接导出 CSV；
- 抽关键词：作者关键词（DE 字段）优先，缺失时用 KeyWords Plus（ID 字段）补齐，中文库注意繁简和英文混排问题；
- 清洗同义词 ：这是最耗时也最关键的一步------
machine learning与ML、deep learning与deep neural network、tumor microenvironment与TME必须合并，否则同一个概念会被拆成两个节点，网络立刻失真。英文统一小写、去复数、去连字符，中文去掉"研究""分析"这类无信息量的通用词。
清洗质量决定图的说服力：共现网络画得漂不漂亮是技术问题，画得准不准是数据问题。
六、配色：这是代码给不了你的东西（但可以给你可执行的标准）
配色是"一眼看出业余"的重灾区。先给两套经过验证的色板，直接固化进代码：
python
# ggsci 中 Nature Publishing Group 官方配色（顶刊论文高频出现）
NPG = ['#E64B35', '#4DBBD5', '#00A087', '#3C5488',
'#F39B7F', '#8491B4', '#91D1C2', '#DC0000']
# Okabe-Ito 色盲友好色板（红绿色盲也能区分，强烈推荐默认使用）
OKABE_ITO = ['#E69F00', '#56B4E9', '#009E73', '#F0E442',
'#0072B2', '#D55E00', '#CC79A7', '#999999']
# 全局生效
plt.rcParams['axes.prop_cycle'] = plt.cycler(color=OKABE_ITO)
# 快速预览色板
fig, axes = plt.subplots(2, 1, figsize=set_size(252, subplots=(2, 1)))
for ax, pal, name in zip(axes, (NPG, OKABE_ITO), ('NPG (Nature style)', 'Okabe-Ito (色盲友好)')):
for i, c in enumerate(pal):
ax.add_patch(plt.Rectangle((i, 0), 0.9, 1, color=c))
ax.text(i + 0.45, -0.25, c, fontsize=5.5, ha='center', rotation=90)
ax.set_xlim(0, len(pal)); ax.set_ylim(-1.6, 1)
ax.set_title(name, fontsize=8); ax.axis('off')
plt.show()配色三条硬规则（记住就能避开 90% 的坑）：
- 类别型数据用定性色板 （色相区分，如上面的两套），数值型用顺序色板 （
viridis/magma），有正负的用发散色板 （RdBu_r/coolwarm）； - 永远不要红绿并列作为唯二区分------约 8% 的男性读者分不清；
- 一图一重点：用灰色弱化对照组，只给核心结果上彩色，读者的视线 3 秒内就会落到你想让他看的地方。
七、拼版与导出：A/B/C/D 多子图 + 期刊导出规范
7.1 多子图拼版（附子图标签）
python
fig, axes = plt.subplots(2, 2, figsize=set_size(519, subplots=(2, 2)))
rng = np.random.default_rng(0)
for ax, lab in zip(axes.ravel(), 'ABCD'):
ax.scatter(rng.normal(size=60), rng.normal(size=60),
s=10, color='#4DBBD5', edgecolor='#333333', linewidth=0.4)
ax.set_xlabel('PC1'); ax.set_ylabel('PC2')
# 子图标签：放在左上角外侧，8~10 pt 加粗
ax.text(-0.15, 1.08, lab, transform=ax.transAxes,
fontsize=10, fontweight='bold', va='top')
plt.subplots_adjust(wspace=0.35, hspace=0.5)
plt.show()7.2 批量导出（PDF 矢量 + TIFF 600dpi + PNG 预览）
python
def export_figure(fig, stem, dpi=600):
"""一次导出三种格式：PDF 投稿用、TIFF 期刊系统用、PNG 幻灯片/网页用"""
fig.savefig(f'{stem}.pdf', bbox_inches='tight') # 矢量，首选
fig.savefig(f'{stem}.tif', dpi=dpi, bbox_inches='tight', # 位图，LZW 无损
pil_kwargs={'compression': 'tiff_lzw'})
fig.savefig(f'{stem}.png', dpi=300, bbox_inches='tight') # 预览用
print(f'已导出：{stem}.pdf / {stem}.tif / {stem}.png')
# export_figure(fig, 'Fig1')7.3 投稿前检查清单（建议收藏）
| 检查项 | 标准 |
|---|---|
| 分辨率 | 位图 ≥ 300 dpi（线图建议 600 dpi）；优先提交矢量 PDF/EPS |
| 字体 | Arial / Helvetica，嵌入字体（PDF 用 TrueType，即 pdf.fonttype: 42） |
| 字号 | 图内文字最终印刷 ≥ 6 pt，一般 8~10 pt |
| 尺寸 | 对齐期刊栏宽（单栏 89 mm / 双栏 183 mm） |
| 坐标轴 | 必须有单位；去掉顶部和右侧边框 |
| 误差棒 | 图注明示 SD / SEM / 95% CI 及样本量 n |
| 统计标注 | 标明检验方法、P 值、多重比较校正方式 |
| 图注 | 独立成段，脱离正文也能读懂 |
八、代码之外的那一半：审美、版式与设计逻辑
到这里，你已经能用代码画出规范 的图。但"规范"和"顶刊级"之间还差一层：设计感。
举几个代码解决不了的问题：
- 一张图里 6 个变量，该用分组柱状图、堆叠面积图还是小倍数图（small multiples）？
- 正文版面是双栏，图注该放图上方还是下方，图宽该占单栏还是通排？
- 示意图里的元件比例、留白、视觉动线怎么安排，才能让读者 3 秒读懂机制？
- 同一篇论文的 6 张图，怎么保证配色体系统一、不让审稿人觉得"拼凑感"？
这些是设计决策 ，不是 API 参数。而这正是《科研助手：科研论文配图设计与制作指南》（北京大学出版社）这本书要解决的事。
这本书讲什么
全书 7 章，按"看得懂、学得会、用得上"的原则组织：
- 基础入门------配图的底层逻辑与软件工具链准备；
- 常用可视化图------柱状、折线、散点这类高频图的正确用法；
- 高级可视化图------箱线、热图、小提琴、多组组合图的进阶表达；
- 示意图------机制图、流程图的构图与绘制；
- 文献科学计量图------共现网络、聚类图谱的绘制与解读；
- 版式设计 + 配图布局 + 编排技巧------图文混排、版面规划；
- 色彩搭配------配色原理与顶刊配色方案拆解。
工具链上，它覆盖 Excel、Origin 等常用软件 + 在线工具 + AI 绘图软件 ，每一种都给了详细操作步骤；同时参考 Nature、Science 等国际顶刊的配图样式，拆解高水平论文的配图设计逻辑，目标是让你从"模仿绘图"走到"自主设计"。
作者郭鑫是同济大学博士、自媒体"科研小郭"（抖音/小红书/视频号/B站）的主理人，长期从事科学可视化工作，已发表 SCI 论文 5 篇，原创科研绘图与论文排版教程百余篇，完成过多篇 SCI 论文封面设计。
谁适合读
- 科研新人 / 研究生：三大痛点（审美缺失、软件门槛高、缺系统指导）一次解决，"理论讲解 + 任务驱动 + 工具实操"的模式，零基础也能即学即用；
- 有一定基础但想提质的科研工作者：重点看第 6、7 章的版式与配色，这是从"能看"到"好看"的分水岭；
- 习惯用代码出图的同学（也就是本文读者）：你的图已经"规范"，这本书补的是"设计"这一课------两者叠加，才是顶刊水准。
代码模板 + 这本书，怎么配合用
| 你要解决的问题 | 用这套代码模板 | 用这本书 |
|---|---|---|
| 快速批量出图、复用样式 | ✅ | --- |
| 数据驱动的统计图（箱线、热图、ROC） | ✅ 效率最高 | 提供 Excel/Origin 无代码路线 |
| 配色方案、色板选择 | 可执行的标准（NPG / Okabe-Ito） | ✅ 讲清"为什么这么配" |
| 版式布局、图文编排 | --- | ✅ 核心章节 |
| 机制示意图的构图设计 | 能画出来 | ✅ 教你怎么画得"专业" |
| 顶刊配图风格拆解 | --- | ✅ 对标 Nature/Science |
一句话：代码解决效率，设计决定上限。
九、从"模仿顶刊"到"自主设计"：一条可执行的路径
很多人学配图的路径是：看到一张好看的图 → 想知道用什么软件画的 → 学会软件 → 还是画不出那个味道。问题出在顺序反了：先问"为什么这么画"，再问"怎么画"。
一条更有效的路径是三步：
第一步，拆解。 找 3~5 篇你目标期刊上同类型的论文，把它们的图抠出来放在一起对比，逐项记录：用了什么图类型？坐标轴起止怎么定的？配色是定性还是发散？子图标签放在哪？图注写了几行？这一步的输出是一张"参数表"，而不是一堆截图。
第二步，复现。 用本文的代码模板把其中一张图 1:1 复现出来。复现过程中你会被迫回答很多细节问题------为什么 y 轴从 0 开始（或为什么不从 0 开始）、为什么误差棒用 SEM 而不是 SD、为什么这个配色里灰色占了一半。这些问题的答案，就是设计逻辑本身。
第三步，迁移。 把复现时总结的参数表套到自己的数据上，然后做减法：删掉一切不服务于核心结论的装饰（3D 效果、渐变填充、多余网格线、图例里重复的信息）。顶刊配图的共同特征是信息密度高、装饰密度低------每一笔都在传递信息，没有一笔是为了好看而存在。
这三步里，第一步和第三步是设计训练，第二步是工具训练。大多数人只练第二步，所以学了一堆软件操作，图还是停在"能用"的水平。这也是为什么一本讲设计逻辑的书，比再学一个绘图软件更值得投入时间。
结语
配图这件事，本质是"把复杂结果压缩进一张图，同时不丢失真实性"。代码能帮你做到"不丢失真实性"------误差棒、分布、显著性、样本量一个不少；而"压缩得优雅"需要设计能力，那是另一半功夫，得靠系统学习和大量看图。
本文 12 段代码全部免费，复制即用，欢迎收藏备用。如果你在用 Excel 或 Origin 画图，或者想系统补齐配色和版式这一课，文末这本书值得翻一翻。
