Prism 风格科研图表

要解决的问题

把 Prism 使用者熟悉的“先定数据表，再选图和统计”的流程搬到 Python；避免常见坑：误差棒只是装饰、显著性星号随手贴、多组比较直接两两 t 检验、图轴和配色不符合期刊要求。技能用 matplotlib、seaborn、scipy 等工具承接这种心智模型，让科研人员只描述“我要一张 Prism 那种图”，也能得到可投稿的图。

核心能力与关键步骤

• Phase 0：先识别 8 种数据表之一：XY、Column、Grouped、Contingency、Survival、Parts of whole、Multiple variables、Nested；不确定时展示判断依据并请用户确认。
• Phase 1：按表类型查映射，给出默认图型和 2–3 个备选，例如 Column 默认带散点柱状图，Grouped 默认分组柱状图，Survival 默认 Kaplan-Meier。
• Phase 2：先统计后绘图；2 组用 t 检验，≥3 组单因素用 ANOVA 与事后检验，双因素用 Two-way ANOVA，生存数据用 log-rank，计数列联用卡方/Fisher；多组比较禁止只用两两 t 检验。报告 n、均值、SEM 或 SD，生成星号/精确 p 值标注。
• Phase 3：按期刊规范绘制，包括 L 形坐标轴、色盲友好配色、无衬线字体、误差线类型标注、叠加原始点；散点布局默认镜像均衡抖动，也可 beeswarm；误差线/箱体边框等置于顶层，避免被数据点覆盖。
• Phase 4–5：核验统计数值、输出 PNG/PDF 与图注，并记录可复用案例；来自 CSV/Excel 且未指定标签时，read_table(path) 会返回默认 ylabel，可用 ax.set_ylabel(res['ylabel']) 直接设置，但投稿前仍需人工确认单位与措辞。

适用边界

它适合 Prism 风格统计图，不替代实验设计或统计咨询；表类型认错、统计假设不满足、事后检验选择不当，都会让图看起来专业但结论不可信。默认标签、误差类型、星号规则只是合理起点，最终投稿图仍需按期刊和审稿人要求复核。