出版级科学可视化

痛点：科学图表不是“画出来”就行

论文投稿和学术汇报对图表有严格的出版级要求。但很多工程师在用 Python 生成图表时，常遇到几类典型问题：

• 默认样式不够专业：matplotlib 默认字号偏小、配色刺眼，直接导出很难达到期刊要求。
• 多子图排版混乱：当一张图需要包含多个 panel 时，subplots 或 GridSpec 的间距、对齐难以精确控制。
• 格式选不对：论文需要矢量 PDF 或 SVG，幻灯片展示用 PNG 又常常 DPI 不够，导致放大后模糊。
• 数据格式不适配：长格式（long format）数据更利于分组映射，但很多人仍然用宽格式硬塞，后续调整极其痛苦。

这些细节单看都不大，但叠加在一起，足以让一张本该清晰的图表反复返工。

核心工作流

这个技能把“出版级科学可视化”拆解成一套可复用的五步工作流：

1. 数据准备：优先采用长格式组织数据，方便后续用 pandas 做分组、映射和聚合。
2. 图表选择与设计：根据数据维度和信息密度，选择合适的图表类型，而不是一上来就画折线图或散点图。
3. 样式设定：统一设定字号、DPI 和配色方案，确保整组图表风格一致。
4. 多子图编排：使用 subplots 或 GridSpec 精确控制 panel 之间的间距、高度比和对齐。
5. 导出与交付：根据用途选择输出格式——论文用 PDF 矢量图，汇报用 PNG 高 DPI 位图，需要二次编辑时保留 SVG。

每一步都对应一个实际工程中容易踩坑的决策点，而不是泛泛地告诉你“画个好看的图”。

适用边界

• 技能聚焦于 Python 生态下的科学可视化，如果你用的是 R 的 ggplot2 或 Origin 等工具，这套流程不直接适用。
• 它解决的是 图表制作环节的问题，不涉及数据采集、清洗的全流程，也不涵盖交互式可视化（如 Plotly 或 Bokeh 的动态图表）。
• 输出遵循 references/template.md 中的结构化模板，适合需要标准化交付的团队，但如果你的图表需求非常定制化、非结构化，可能需要在此基础上自行调整。