科研可视化工具

科研可视化工具

从数据剖析到出版级成图 | Python + MATLAB | 自检 + AI 读图闭环

路径

• SKILL_ROOT：math-modeling-skill 仓库根目录（只读）。
• 本文件中所有 tools/figure/... 路径均相对于 SKILL_ROOT。
• CLI 命令使用 "<SKILL_ROOT>/tools/figure/scripts/..." 格式，确保从任何工作目录均可执行。
• Python import 使用 sys.path.insert(0, os.path.join(SKILL_ROOT, 'tools', 'figure', 'scripts')) 后导入。

概述

本工具融合 nature-figure 的图表契约/后端路由架构与 scipilot-figure-skill 的数据剖析/选图决策/自检闭环， 并扩展数学建模特有的三类图体系、子问题覆盖检查和建模流程图。永远先思考再画：

1. 先理解数据再选图——拿到数据先做 EDA，用事实驱动图型选择
2. 先想清楚"这张图要论证什么"——同样数据，不同论点 = 不同图
3. 主动拦截科研画图的经典错误，而不是顺从
4. 维度太多就建议拆图，不硬塞

数据图范围：折线、柱状、散点、箱线/小提琴、热力图、误差棒、分布图、相关性矩阵、雷达图、 3D 曲面、多面板组合。不做示意图、架构图。

额外覆盖建模流程图：数学建模场景的总体/子问题方法流程图走 references/chart-types/flowchart.md。 流程图属于方法与结构示意，不占用三类候选图配额，也不替代结果图。

工作流

第 1 步：数据剖析

bashCopy code
python "<SKILL_ROOT>/tools/figure/scripts/profile_data.py" data.csv --group group --group condition

输出：每列类型、样本量、缺失率、连续列描述统计 + 偏度 + 异常值、分组样本量分布、相关性矩阵、初步图型建议。 不会读报告？查 tools/figure/references/guides/data_profiling.md。

重点核对：列类型识别对不对？每组 n 是多少？是否高度偏态？是否需要对数轴？

数学建模场景：从题目分析报告提取全部子问题并规范为 q1…qN，按子问题核对行列、类型、缺失、 分组样本量、分布、异常值和单位。

第 2 步：图表契约

在选图之前，先填写五点契约（详见 tools/figure/static/core/contract.md）：

1. 核心结论：一句话写出这张图必须捍卫的论点
2. 证据链：每个面板对应论点的哪个证据环节
3. 版型：quantitative grid / schematic-led composite / image plate + quant / asymmetric mixed-modality
4. 后端：Python 或 MATLAB
5. 期刊/导出规范：最终尺寸、可编辑文字、源数据、统计口径、导出格式

第 3 步：选图决策

永远先选图型，再画图。 图型选错，画得再好看也没用。

基于第 1、2 步的事实，查 tools/figure/references/chart-types/chart_selection.md 的决策框架：

• 按数据形态选图：连续变量看分布→直方图/KDE/箱线，分类+连续看比较→箱线/柱状，两连续看关系→散点+回归，时间趋势→折线，多变量相关→热力图/pairplot
• 按论证意图选图：同一批数据，不同论点→不同图（"整体差异"用箱线，"动态变化"用折线，"个体差异"用散点）
• 给出推荐 + 简短理由 + 1-2 个备选
• 数据维度过多（分组组合 > 12）→ 明确建议拆图
• 用户指定图型不适合数据 → 善意指出问题并说明更好的选择（如 n<10 要画均值柱→建议箱线/stripplot）
• 数学建模场景：查 chart_selection.md 末尾的"数学建模场景速查"表
• 图型多样：全文图型种类 ≥ 3 种，避免全部柱状或全部折线；每个面板回答唯一问题，不重复展示相同数据（详见 design_theory.md §11 反冗余清单）

第 4 步：查期刊规范

确定目标期刊后查 tools/figure/references/quality/journal_specs.md 拿到：单/双栏宽（mm 与 inch）、字号、 推荐字体、DPI、矢量格式偏好。不知道目标期刊就问一句。

第 5 步：配环境

Python：

pythonCopy code
import sys, os
sys.path.insert(0, os.path.join(SKILL_ROOT, 'tools', 'figure', 'scripts'))
from setup_style import setup_style
setup_style(journal='nature', lang='en')             # 英文 Nature
setup_style(journal='general', lang='zh', serif_for_zh=True)   # 中文宋体混排

SciencePlots 装了自动用，没装回退到内置预设。

MATLAB：将 references/roles/编程手/scripts/apply_publication_style.m 复制到 PROJECT_ROOT/utils/ 后调用。

第 6 步：绘制

按 tools/figure/references/api-templates/plot_recipes.md 对应章节的配方画。每节都有可直接复制的代码 + 常见坑。

Python 画图时强制做到：

• figsize=(目标宽, 目标高) 单位英寸——直接定最终尺寸
• 用 seaborn.color_palette('colorblind') 或 Okabe-Ito + 冗余编码（不同线型/marker）
• 误差棒/阴影要在图注交代是 SD / SEM / 95% CI + n

MATLAB：按 references/roles/编程手/scripts/apply_publication_style.m 的出版规范绘制，用 export_publication_figure() 导出。

数学建模场景（两种语言均适用）：按三类图体系生成（原始数据图 / 过程图 / 结果图），每类至少 3 张、合计至少 9 张，且每个子问题在三类中各至少 1 张。每类内部图型要有变化（如原始数据类至少含 1 张分布图 + 1 张关系图），全文图型种类 ≥ 3 种。

第 7 步：自检闭环（三层全过）

1. 语义层：tools/figure/references/design/viz_pitfalls.md 18+ 条避坑清单——图型/配色/误差是否踩坑
2. 形式层：tools/figure/references/quality/publication_checklist.md 形式合规（尺寸、DPI、字号、误差交代）
3. 视觉层：
   • Python：tools/figure/scripts/visual_qa.render_preview(fig, 'figs/_preview.png') 渲预览，tools/figure/scripts/visual_qa.audit_layout(fig) 程序抓缺字/裁切/重叠
   • MATLAB：用 export_publication_figure() 导出 PNG 后人工检查
   • 用 Read 工具读 PNG，对照 tools/figure/references/quality/visual_review.md 的 8 项清单核对
   • 发现问题 → 回改 → 重渲 → 再读，最多 3 轮

第 8 步：导出

Python：

pythonCopy code
import sys, os
sys.path.insert(0, os.path.join(SKILL_ROOT, 'tools', 'figure', 'scripts'))
from export_figure import export_figure
export_figure(
    fig, basename='figs/fig1',
    formats=['pdf', 'svg', 'png'],
    size_inches=(3.5, 2.625),
    dpi=300,
    grayscale_preview=True,
)

MATLAB：使用 export_publication_figure(fig, 'figs/fig1', 'png', 300) 或 export_publication_figure(fig, 'figs/fig1', 'svg')。

数学建模场景（两种语言均适用）：同时输出 SVG 与至少 300 DPI PNG。

第 9 步：文件审计

两个脚本职责不同，按顺序执行：

bashCopy code
# 1. 编程手自检：文件格式/DPI/字体合规（每张图都过）
python "<SKILL_ROOT>/tools/figure/scripts/check_figure.py" "<PROJECT_ROOT>/figures" --strict

# 2. 数学建模 P2 门禁：三类图数量 + 子问题覆盖（终检时由质检 Subagent 执行）
python "<SKILL_ROOT>/references/roles/编程手/scripts/figure_audit.py" "<PROJECT_ROOT>/figures" --questions q1 q2 ... qN --strict

• check_figure.py：检查单张图的格式合规性（DPI、字体、尺寸、矢量格式），编程手每次导出后自检用。
• figure_audit.py：检查三类图数量是否达标、子问题是否全覆盖，P2 编程终检时由独立质检 Subagent 执行。

主动拦截（顾问职责）

发现用户需求触发以下错误时，先说明再给替代方案，不要默默照做。完整清单见 tools/figure/references/design/viz_pitfalls.md。

尊重用户最终决定，但留下明确的劝阻记录。

参考文档

tools/figure/references/ 下文档——按需读，不要一次全读：

选图与决策

配方与模板

自检与合规

设计与布局

数据与工具

依赖

Copy code
matplotlib>=3.7
seaborn>=0.13
plotly>=5.18
pandas>=2.0
numpy>=1.24
scipy>=1.10
Pillow>=10.0
SciencePlots>=2.1      # 可选
pypdf>=4.0             # 可选；字体嵌入检查
kaleido>=0.2.1         # 可选；plotly 导出

可选依赖缺失时优雅降级并提示。

核心原则

1. 按最终尺寸出图，不二次缩放——figsize 直接设论文实际尺寸
2. 矢量优先——折线/柱状/散点/热力/误差棒 → PDF/SVG，不用 JPEG
3. 配色对色盲友好——默认 colorblind 色板 + 冗余编码 + 灰度预览
4. 字号可读——正文标签和刻度数字 7-9 pt，最小 ≥ 6 pt
5. 误差必有交代——图注必须写清误差类型、样本量 n、检验方法、显著性符号定义
6. 图型多样——同一道题的全部图应覆盖 ≥ 3 种不同图型（如折线、柱状、散点、热力图、箱线、直方图、雷达图等），避免全部是柱状图或全部是折线图；每个面板必须回答一个唯一的问题，不得用不同图表形式重复展示相同数据（详见 design_theory.md §11 反冗余清单）

何时加载