- name
- 科研可视化工具
- description
- - 从数据剖析到出版级成图的完整可视化工具。先做数据剖析（列类型/样本量/分布/异常值/分组结构/相关性）， 再结合论证目标推荐图型，主动拦截科研画图经典错误，产出 Nature / Science / IEEE / Elsevier / PNAS / 中文核心期刊级别的成图。覆盖数据 EDA、图表契约、选图决策、出版级绘制、程序自检 + AI 读图闭环、多格式 导出和文件审计。数学建模场景额外支持三类图体系（原始数据/过程/结果）、子问题覆盖检查和建模流程图规范。 当用户涉及论文配图、科研画图、数据可视化、选图、期刊投稿图、figure、出版级图表、matplotlib、seaborn、 plotly、误差棒、显著性标注、色盲安全配色、矢量图导出、中文论文图表、多面板时使用。
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：
- 先理解数据再选图——拿到数据先做 EDA，用事实驱动图型选择
- 先想清楚"这张图要论证什么"——同样数据，不同论点 = 不同图
- 主动拦截科研画图的经典错误，而不是顺从
- 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
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）：
- 核心结论：一句话写出这张图必须捍卫的论点
- 证据链：每个面板对应论点的哪个证据环节
- 版型：quantitative grid / schematic-led composite / image plate + quant / asymmetric mixed-modality
- 后端：Python 或 MATLAB
- 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