wehub/skillhub-014-scientific-visualization

Fork 0

Files

T

wehub-skill-sync 19bd4edf01 chore: import zh skill scientific-visualization

2026-07-13 21:35:36 +08:00

24 KiB

Raw Permalink Blame History

name, description, license, metadata

name

description

license

metadata

scientific-visualization

用于制作达到发表质量图形的元技能。在需要创建期刊投稿图形时使用，要求包含多面板布局、显著性标注、误差线、色盲友好调色板以及特定期刊（Nature、Science、Cell）格式。使用 matplotlib/seaborn/plotly 配合发表样式进行编排。快速探索请直接使用 seaborn 或 plotly。

MIT license

version	skill-author
1.0	K-Dense Inc.

Scientific Visualization

概述

科学可视化将数据转换为清晰、准确的发表级图形。创建具有多面板布局、误差线、显著性标记和色盲友好调色板的期刊就绪图表。使用 matplotlib、seaborn 和 plotly 导出为 PDF/EPS/TIFF 格式，用于学术手稿。

何时使用本技能

以下情况应使用本技能：

为科学手稿创建图形或可视化
为期刊投稿准备图表（Nature、Science、Cell、PLOS 等）
确保图形色盲友好且无障碍可读
制作风格一致的多面板图形
以正确的分辨率和格式导出图形
遵循特定的出版指南
改进现有图形以符合发表标准
创建需在彩色和灰度下均能清晰显示的图形

快速入门指南

基本发表质量图形

import matplotlib.pyplot as plt
import numpy as np

# 应用发表样式（来自 scripts/style_presets.py）
from style_presets import apply_publication_style
apply_publication_style('default')

# 创建合适尺寸的图形（单栏 = 3.5 英寸）
fig, ax = plt.subplots(figsize=(3.5, 2.5))

# 绘制数据
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x), label='sin(x)')
ax.plot(x, np.cos(x), label='cos(x)')

# 正确标注单位
ax.set_xlabel('Time (seconds)')
ax.set_ylabel('Amplitude (mV)')
ax.legend(frameon=False)

# 移除不必要的边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# 以发表格式保存（来自 figure_export.py）
from figure_export import save_publication_figure
save_publication_figure(fig, 'figure1', formats=['pdf', 'png'], dpi=300)

使用预配置样式

使用 assets/ 中的 matplotlib 样式文件应用特定期刊样式：

import matplotlib.pyplot as plt

# 选项 1：直接使用样式文件
plt.style.use('assets/nature.mplstyle')

# 选项 2：使用 style_presets.py 辅助函数
from style_presets import configure_for_journal
configure_for_journal('nature', figure_width='single')

# 现在创建图形——它们将自动符合 Nature 规格
fig, ax = plt.subplots()
# ... 你的绘图代码 ...

使用 Seaborn 快速入门

对于统计图形，使用 seaborn 配合发表样式：

import seaborn as sns
import matplotlib.pyplot as plt
from style_presets import apply_publication_style

# 应用发表样式
apply_publication_style('default')
sns.set_theme(style='ticks', context='paper', font_scale=1.1)
sns.set_palette('colorblind')

# 创建统计比较图
fig, ax = plt.subplots(figsize=(3.5, 3))
sns.boxplot(data=df, x='treatment', y='response', 
            order=['Control', 'Low', 'High'], palette='Set2', ax=ax)
sns.stripplot(data=df, x='treatment', y='response',
              order=['Control', 'Low', 'High'], 
              color='black', alpha=0.3, size=3, ax=ax)
ax.set_ylabel('Response (μM)')
sns.despine()

# 保存图形
from figure_export import save_publication_figure
save_publication_figure(fig, 'treatment_comparison', formats=['pdf', 'png'], dpi=300)

核心原则与最佳实践

1. 分辨率与文件格式

关键要求（详见 references/publication_guidelines.md）：

栅格图像（照片、显微镜）：300-600 DPI
线条图（图表、曲线图）：600-1200 DPI 或矢量格式
矢量格式（首选）：PDF、EPS、SVG
栅格格式：TIFF、PNG（科学数据切勿使用 JPEG）

实现方式：

# 使用 figure_export.py 脚本设置正确参数
from figure_export import save_publication_figure

# 以多种格式保存，DPI 正确
save_publication_figure(fig, 'myfigure', formats=['pdf', 'png'], dpi=300)

# 或按特定期刊要求保存
from figure_export import save_for_journal
save_for_journal(fig, 'figure1', journal='nature', figure_type='combination')

2. 颜色选择——色盲无障碍

始终使用色盲友好调色板（详见 references/color_palettes.md）：

推荐：Okabe-Ito 调色板（所有类型的色盲均可区分）：

# 选项 1：使用 assets/color_palettes.py
from color_palettes import OKABE_ITO_LIST, apply_palette
apply_palette('okabe_ito')

# 选项 2：手动指定
okabe_ito = ['#E69F00', '#56B4E9', '#009E73', '#F0E442',
             '#0072B2', '#D55E00', '#CC79A7', '#000000']
plt.rcParams['axes.prop_cycle'] = plt.cycler(color=okabe_ito)

对于热力图/连续数据：

使用感知均匀的颜色映射：viridis、plasma、cividis
避免红-绿发散型映射（改用 PuOr、RdBu、BrBG）
切勿使用 jet 或 rainbow 颜色映射

始终在灰度模式下测试图形，确保可读性。

3. 字体与文本

字体指南（详见 references/publication_guidelines.md）：

无衬线字体：Arial、Helvetica、Calibri
最终印刷尺寸下的最小字号：
- 轴标签：7-9 pt
- 刻度标签：6-8 pt
- 面板标签：8-12 pt（粗体）
标签使用句首大写：写 "Time (hours)" 而非 "TIME (HOURS)"
始终在括号内包含单位

实现方式：

# 全局设置字体
import matplotlib as mpl
mpl.rcParams['font.family'] = 'sans-serif'
mpl.rcParams['font.sans-serif'] = ['Arial', 'Helvetica']
mpl.rcParams['font.size'] = 8
mpl.rcParams['axes.labelsize'] = 9
mpl.rcParams['xtick.labelsize'] = 7
mpl.rcParams['ytick.labelsize'] = 7

4. 图形尺寸

期刊特定宽度（详见 references/journal_requirements.md）：

Nature：单栏 89 mm，双栏 183 mm
Science：单栏 55 mm，双栏 175 mm
Cell：单栏 85 mm，双栏 178 mm

检查图形尺寸合规性：

from figure_export import check_figure_size

fig = plt.figure(figsize=(3.5, 3))  # Nature 的 89 mm
check_figure_size(fig, journal='nature')

5. 多面板图形

最佳实践：

使用粗体字母标注面板：A、B、C（大多数期刊用大写，Nature 用小写）
所有面板保持风格一致
尽可能沿边缘对齐面板
面板之间保留适当的空白

示例实现（完整代码见 references/matplotlib_examples.md）：

from string import ascii_uppercase

fig = plt.figure(figsize=(7, 4))
gs = fig.add_gridspec(2, 2, hspace=0.4, wspace=0.4)

ax1 = fig.add_subplot(gs[0, 0])
ax2 = fig.add_subplot(gs[0, 1])
# ... 创建其他面板 ...

# 添加面板标签
for i, ax in enumerate([ax1, ax2, ...]):
    ax.text(-0.15, 1.05, ascii_uppercase[i], transform=ax.transAxes,
            fontsize=10, fontweight='bold', va='top')

常见任务

任务 1：创建可用于发表的线图

完整代码见 references/matplotlib_examples.md 示例 1。

关键步骤：

应用发表样式
为目标期刊设置合适的图形尺寸
使用色盲友好颜色
添加正确表示的误差线（SEM、SD 或 CI）
标注轴及单位
移除不必要的边框
以矢量格式保存

使用 seaborn 自动计算置信区间：

import seaborn as sns
fig, ax = plt.subplots(figsize=(5, 3))
sns.lineplot(data=timeseries, x='time', y='measurement',
             hue='treatment', errorbar=('ci', 95), 
             markers=True, ax=ax)
ax.set_xlabel('Time (hours)')
ax.set_ylabel('Measurement (AU)')
sns.despine()

任务 2：创建多面板图形

完整代码见 references/matplotlib_examples.md 示例 2。

关键步骤：

使用 GridSpec 实现灵活布局
确保所有面板风格一致
添加粗体面板标签（A、B、C 等）
对齐相关面板
验证所有文本在最终尺寸下可读

任务 3：创建使用正确颜色映射的热力图

完整代码见 references/matplotlib_examples.md 示例 4。

关键步骤：

使用感知均匀的颜色映射（viridis、plasma、cividis）
包含带标注的颜色条
对于发散型数据，使用色盲安全的发散映射（RdBu_r、PuOr）
为发散映射设置合适的中心值
测试灰度显示效果

使用 seaborn 绘制相关矩阵：

import seaborn as sns
fig, ax = plt.subplots(figsize=(5, 4))
corr = df.corr()
mask = np.triu(np.ones_like(corr, dtype=bool))
sns.heatmap(corr, mask=mask, annot=True, fmt='.2f',
            cmap='RdBu_r', center=0, square=True,
            linewidths=1, cbar_kws={'shrink': 0.8}, ax=ax)

任务 4：为特定期刊准备图形

工作流程：

查看期刊要求：references/journal_requirements.md

为期刊配置 matplotlib：

from style_presets import configure_for_journal
configure_for_journal('nature', figure_width='single')

创建图形（将自动调整尺寸）

按期刊规格导出：

from figure_export import save_for_journal
save_for_journal(fig, 'figure1', journal='nature', figure_type='line_art')

任务 5：修复现有图形使其符合发表标准

清单式方法（完整清单见 references/publication_guidelines.md）：

检查分辨率：确认 DPI 符合期刊要求
检查文件格式：图形用矢量格式，图像用 TIFF/PNG
检查颜色：确保色盲友好
检查字体：最终尺寸下最小 6-7 pt，无衬线字体
检查标签：所有轴标注单位
检查尺寸：匹配期刊栏宽
测试灰度：无颜色也能解读图形
去除图表垃圾：不要不必要的网格、3D 效果、阴影

任务 6：创建色盲友好的可视化

策略：

使用 assets/color_palettes.py 中的认可调色板
添加冗余编码（线型、标记、图案）
使用色盲模拟器测试
确保灰度兼容

示例：

from color_palettes import apply_palette
import matplotlib.pyplot as plt

apply_palette('okabe_ito')

# 在颜色之外添加冗余编码
line_styles = ['-', '--', '-.', ':']
markers = ['o', 's', '^', 'v']

for i, (data, label) in enumerate(datasets):
    plt.plot(x, data, linestyle=line_styles[i % 4],
             marker=markers[i % 4], label=label)

统计严谨性

始终包含：

误差线（SD、SEM 或 CI——在说明中注明具体类型）
样本量（n）在图中或说明中
统计显著性标记（、、）
尽可能显示个体数据点（而不仅仅是汇总统计量）

含统计信息的示例：

# 显示个体数据点及汇总统计量
ax.scatter(x_jittered, individual_points, alpha=0.4, s=8)
ax.errorbar(x, means, yerr=sems, fmt='o', capsize=3)

# 标记显著性
ax.text(1.5, max_y * 1.1, '***', ha='center', fontsize=8)

使用不同的绘图库

Matplotlib

对发表细节的控制最全面
最适合复杂的多面板图形
使用提供的样式文件实现统一格式
更多示例见 references/matplotlib_examples.md

Seaborn

Seaborn 提供了一种高级的、面向数据集的统计图形接口，构建于 matplotlib 之上。它在使用最少代码创建发表质量的统计可视化方面表现出色，同时与 matplotlib 自定义功能完全兼容。

科学可视化的主要优势：

自动统计估计和置信区间
内置多面板图形支持（分面）
默认使用色盲友好调色板
基于 pandas DataFrame 的面向数据集 API
变量到视觉属性的语义映射

发表样式快速入门

始终先应用 matplotlib 发表样式，然后配置 seaborn：

import seaborn as sns
import matplotlib.pyplot as plt
from style_presets import apply_publication_style

# 应用发表样式
apply_publication_style('default')

# 为发表配置 seaborn
sns.set_theme(style='ticks', context='paper', font_scale=1.1)
sns.set_palette('colorblind')  # 使用色盲安全调色板

# 创建图形
fig, ax = plt.subplots(figsize=(3.5, 2.5))
sns.scatterplot(data=df, x='time', y='response', 
                hue='treatment', style='condition', ax=ax)
sns.despine()  # 移除顶部和右侧边框

用于发表的常见图形类型

统计比较：

# 带个体数据点的箱线图，增加透明度
fig, ax = plt.subplots(figsize=(3.5, 3))
sns.boxplot(data=df, x='treatment', y='response', 
            order=['Control', 'Low', 'High'], palette='Set2', ax=ax)
sns.stripplot(data=df, x='treatment', y='response',
              order=['Control', 'Low', 'High'], 
              color='black', alpha=0.3, size=3, ax=ax)
ax.set_ylabel('Response (μM)')
sns.despine()

分布分析：

# 带分组比较的提琴图
fig, ax = plt.subplots(figsize=(4, 3))
sns.violinplot(data=df, x='timepoint', y='expression',
               hue='treatment', split=True, inner='quartile', ax=ax)
ax.set_ylabel('Gene Expression (AU)')
sns.despine()

相关矩阵：

# 使用正确颜色映射和标注的热力图
fig, ax = plt.subplots(figsize=(5, 4))
corr = df.corr()
mask = np.triu(np.ones_like(corr, dtype=bool))  # 仅显示下三角
sns.heatmap(corr, mask=mask, annot=True, fmt='.2f',
            cmap='RdBu_r', center=0, square=True,
            linewidths=1, cbar_kws={'shrink': 0.8}, ax=ax)
plt.tight_layout()

带置信带的时序图：

# 自动计算置信区间的线图
fig, ax = plt.subplots(figsize=(5, 3))
sns.lineplot(data=timeseries, x='time', y='measurement',
             hue='treatment', style='replicate',
             errorbar=('ci', 95), markers=True, dashes=False, ax=ax)
ax.set_xlabel('Time (hours)')
ax.set_ylabel('Measurement (AU)')
sns.despine()

使用 Seaborn 创建多面板图形

使用 FacetGrid 自动分面：

# 创建分面图
g = sns.relplot(data=df, x='dose', y='response',
                hue='treatment', col='cell_line', row='timepoint',
                kind='line', height=2.5, aspect=1.2,
                errorbar=('ci', 95), markers=True)
g.set_axis_labels('Dose (μM)', 'Response (AU)')
g.set_titles('{row_name} | {col_name}')
sns.despine()

# 以正确 DPI 保存
from figure_export import save_publication_figure
save_publication_figure(g.figure, 'figure_facets', 
                       formats=['pdf', 'png'], dpi=300)

将 seaborn 与 matplotlib 子图结合：

# 创建自定义多面板布局
fig, axes = plt.subplots(2, 2, figsize=(7, 6))

# 面板 A：带回归的散点图
sns.regplot(data=df, x='predictor', y='response', ax=axes[0, 0])
axes[0, 0].text(-0.15, 1.05, 'A', transform=axes[0, 0].transAxes,
                fontsize=10, fontweight='bold')

# 面板 B：分布比较
sns.violinplot(data=df, x='group', y='value', ax=axes[0, 1])
axes[0, 1].text(-0.15, 1.05, 'B', transform=axes[0, 1].transAxes,
                fontsize=10, fontweight='bold')

# 面板 C：热力图
sns.heatmap(correlation_data, cmap='viridis', ax=axes[1, 0])
axes[1, 0].text(-0.15, 1.05, 'C', transform=axes[1, 0].transAxes,
                fontsize=10, fontweight='bold')

# 面板 D：时序图
sns.lineplot(data=timeseries, x='time', y='signal', 
             hue='condition', ax=axes[1, 1])
axes[1, 1].text(-0.15, 1.05, 'D', transform=axes[1, 1].transAxes,
                fontsize=10, fontweight='bold')

plt.tight_layout()
sns.despine()

发表用配色方案

Seaborn 包含多个色盲安全调色板：

# 使用内置色盲调色板（推荐）
sns.set_palette('colorblind')

# 或指定自定义色盲安全颜色（Okabe-Ito）
okabe_ito = ['#E69F00', '#56B4E9', '#009E73', '#F0E442',
             '#0072B2', '#D55E00', '#CC79A7', '#000000']
sns.set_palette(okabe_ito)

# 用于热力图和连续数据
sns.heatmap(data, cmap='viridis')  # 感知均匀
sns.heatmap(corr, cmap='RdBu_r', center=0)  # 发散型，居中

在轴级与图级函数之间选择

轴级函数（如 scatterplot、boxplot、heatmap）：

在构建自定义多面板布局时使用
接受 ax= 参数进行精确定位
与 matplotlib 子图集成更好
对图形组成有更多控制

fig, ax = plt.subplots(figsize=(3.5, 2.5))
sns.scatterplot(data=df, x='x', y='y', hue='group', ax=ax)

图级函数（如 relplot、catplot、displot）：

用于按分类变量自动分面
创建风格一致的完整图形
非常适合探索性分析
使用 height 和 aspect 控制尺寸

g = sns.relplot(data=df, x='x', y='y', col='category', kind='scatter')

使用 Seaborn 实现统计严谨性

Seaborn 自动计算并显示不确定性：

# 线图：默认显示均值 ± 95% CI
sns.lineplot(data=df, x='time', y='value', hue='treatment',
             errorbar=('ci', 95))  # 可改为 'sd'、'se' 等

# 条形图：显示均值及自助法 CI
sns.barplot(data=df, x='treatment', y='response',
            errorbar=('ci', 95), capsize=0.1)

# 始终在图注中注明误差类型：
# "误差线表示 95% 置信区间"

发表级 Seaborn 图形的最佳实践

始终先设置发表主题：

sns.set_theme(style='ticks', context='paper', font_scale=1.1)

使用色盲安全调色板：
```
sns.set_palette('colorblind')
```

移除不必要的元素：

sns.despine()  # 移除顶部和右侧边框

适当控制图形尺寸：

# 轴级：使用 matplotlib figsize
fig, ax = plt.subplots(figsize=(3.5, 2.5))

# 图级：使用 height 和 aspect
g = sns.relplot(..., height=3, aspect=1.2)

尽可能显示个体数据点：

sns.boxplot(...)  # 汇总统计
sns.stripplot(..., alpha=0.3)  # 个体数据点

包含带单位的正确标签：

ax.set_xlabel('Time (hours)')
ax.set_ylabel('Expression (AU)')

以正确分辨率导出：

from figure_export import save_publication_figure
save_publication_figure(fig, 'figure_name', 
                       formats=['pdf', 'png'], dpi=300)

高级 Seaborn 技巧

探索性分析的成对关系图：

# 快速查看所有关系
g = sns.pairplot(data=df, hue='condition', 
                 vars=['gene1', 'gene2', 'gene3'],
                 corner=True, diag_kind='kde', height=2)

层次聚类热力图：

# 对样本和特征进行聚类
g = sns.clustermap(expression_data, method='ward', 
                   metric='euclidean', z_score=0,
                   cmap='RdBu_r', center=0, 
                   figsize=(10, 8), 
                   row_colors=condition_colors,
                   cbar_kws={'label': 'Z-score'})

带边缘分布的联合图：

# 双变量分布及上下文
g = sns.jointplot(data=df, x='gene1', y='gene2',
                  hue='treatment', kind='scatter',
                  height=6, ratio=4, marginal_kws={'kde': True})

常见 Seaborn 问题及解决方案

问题：图例超出绘图区域

g = sns.relplot(...)
g._legend.set_bbox_to_anchor((0.9, 0.5))

问题：标签重叠

plt.xticks(rotation=45, ha='right')
plt.tight_layout()

问题：最终尺寸下文字过小

sns.set_context('paper', font_scale=1.2)  # 根据需要增大

其他资源

更多 seaborn 详细信息，请参见：

skills/seaborn/SKILL.md —— 全面的 seaborn 文档
skills/seaborn/references/examples.md —— 实际用例
skills/seaborn/references/function_reference.md —— 完整 API 参考
skills/seaborn/references/objects_interface.md —— 现代声明式 API

Plotly

交互式图形用于探索
导出静态图像用于发表
配置为发表质量：

fig.update_layout(
    font=dict(family='Arial, sans-serif', size=10),
    plot_bgcolor='white',
    # ... 详见 matplotlib_examples.md 示例 8
)
fig.write_image('figure.png', scale=3)  # scale=3 约等于 300 DPI

资源

参考文档目录

根据需要加载以下文件获取详细信息：

publication_guidelines.md：综合最佳实践
- 分辨率和文件格式要求
- 排版指南
- 布局与构图规则
- 统计严谨性要求
- 完整发表检查清单
color_palettes.md：颜色使用指南
- 色盲友好调色板规格及 RGB 值
- 顺序型和发散型颜色映射推荐
- 无障碍测试流程
- 领域特定调色板（基因组学、显微镜）
journal_requirements.md：期刊特定规格
- 各出版社的技术要求
- 文件格式和 DPI 规格
- 图形尺寸要求
- 快速参考表
matplotlib_examples.md：实用代码示例
- 10 个完整的工作示例
- 线图、条形图、热力图、多面板图形
- 期刊特定图形示例
- 各库（matplotlib、seaborn、plotly）的使用技巧

脚本目录

使用以下辅助脚本实现自动化：

figure_export.py：导出工具
- save_publication_figure()：以多种格式保存，DPI 正确
- save_for_journal()：自动应用期刊特定要求
- check_figure_size()：验证尺寸是否符合期刊规格
- 直接运行：python scripts/figure_export.py 查看示例
style_presets.py：预配置样式
- apply_publication_style()：应用预设样式（default、nature、science、cell）
- set_color_palette()：快速切换调色板
- configure_for_journal()：一键期刊配置
- 直接运行：python scripts/style_presets.py 查看示例

资源文件目录

在图形中使用以下文件：

color_palettes.py：可导入的颜色定义
- 所有推荐调色板作为 Python 常量
- apply_palette() 辅助函数
- 可直接导入到笔记本/脚本中
Matplotlib 样式文件：使用 plt.style.use() 加载
- publication.mplstyle：通用发表质量
- nature.mplstyle：Nature 期刊规格
- presentation.mplstyle：海报/幻灯片用大字体

工作流程总结

创建发表级图形的推荐工作流程：

规划：确定目标期刊、图形类型和内容

配置：为期刊应用合适的样式

from style_presets import configure_for_journal
configure_for_journal('nature', 'single')

创建：使用正确的标签、颜色和统计信息构建图形

验证：检查尺寸、字体、颜色和无障碍性

from figure_export import check_figure_size
check_figure_size(fig, journal='nature')

导出：以所需格式保存

from figure_export import save_for_journal
save_for_journal(fig, 'figure1', 'nature', 'combination')

审阅：在手稿上下文中以最终尺寸查看

应避免的常见陷阱

字体过小：以最终尺寸打印时文字不可读
JPEG 格式：切勿在图表中使用 JPEG（会产生伪影）
红-绿配色：约 8% 的男性无法区分
低分辨率：发表时出现像素化图形
缺少单位：始终为轴标注单位
3D 效果：扭曲感知，应完全避免
图表垃圾：移除不必要的网格线和装饰
截断坐标轴：条形图从零开始，除非有科学依据
风格不一致：同一手稿中不同图形使用不同字体/颜色
没有误差线：始终显示不确定性

最终检查清单

在提交图形之前，请确认：

分辨率符合期刊要求（300+ DPI）
文件格式正确（图形用矢量，图像用 TIFF）
图形尺寸符合期刊规格
所有文字在最终尺寸下可读（≥6 pt）
颜色色盲友好
图形在灰度下可用
所有轴已标注单位
误差线已标注且说明中已定义
面板标签存在且一致
无图表垃圾或 3D 效果
所有图形字体一致
统计显著性已清晰标记
图例清晰完整

使用本技能，确保科学图形达到最高发表标准，同时对所有读者保持无障碍可读。

24 KiB Raw Permalink Blame History Unescape Escape

Scientific Visualization

概述

何时使用本技能

快速入门指南

基本发表质量图形

使用预配置样式

使用 Seaborn 快速入门

核心原则与最佳实践

1. 分辨率与文件格式

2. 颜色选择——色盲无障碍

3. 字体与文本

4. 图形尺寸

5. 多面板图形

常见任务

任务 1：创建可用于发表的线图

任务 2：创建多面板图形

任务 3：创建使用正确颜色映射的热力图

任务 4：为特定期刊准备图形

任务 5：修复现有图形使其符合发表标准

任务 6：创建色盲友好的可视化

统计严谨性

使用不同的绘图库

Matplotlib

Seaborn

发表样式快速入门

用于发表的常见图形类型

使用 Seaborn 创建多面板图形

发表用配色方案

在轴级与图级函数之间选择

使用 Seaborn 实现统计严谨性

发表级 Seaborn 图形的最佳实践

高级 Seaborn 技巧

常见 Seaborn 问题及解决方案

其他资源

Plotly

资源

参考文档目录

脚本目录

资源文件目录

工作流程总结

应避免的常见陷阱

最终检查清单

24 KiB

Raw Permalink Blame History