为什么审稿人先看图表
在SCI论文评审中，图表往往是审稿人最先浏览的部分。一张清晰、规范的图表能在几秒内传达研究核心，而混乱的配色和排版则可能让审稿人对数据质量产生怀疑。科研绘图的目标不是“好看”，而是准确、高效、可重复地传递信息。
许多研究生习惯直接使用软件默认配色，结果导致多组数据难以区分，或颜色在黑白打印时完全失效。以下从配色、排版、图表类型三个维度给出可操作建议。
配色：少即是多，对比优先
科研配色的第一原则是服务于数据区分，而非视觉装饰。建议遵循以下准则：
- 控制颜色数量：同一图表中主色不超过5种，过多颜色会增加认知负担。
- 避免红绿搭配：约8%的男性存在红绿色觉障碍，红绿对比在灰度打印时也容易混淆。可改用蓝橙、紫黄等对比组合。
- 使用色盲友好色板：如ColorBrewer、Viridis等开源色板，兼顾色觉障碍读者和黑白打印。
- 保持全文一致：同一变量在所有图中使用同一颜色，降低读者记忆成本。例如，对照组始终用灰色，实验组用蓝色。
此外，连续型数据优先使用渐变色，分类数据使用离散色。不要用彩虹色表示连续变量，因为其亮度变化不均匀，容易误导读者对数值大小的判断。
排版：对齐、留白与层级
排版的核心是建立清晰的视觉层级。读者应能按“标题→坐标轴→数据→注释”的顺序自然获取信息。
- 对齐：多子图拼版时，坐标轴、标签、图例应严格对齐。可使用Adobe Illustrator、Inkscape或Python的Matplotlib GridSpec实现。
- 留白：子图之间保留适当间距，避免元素拥挤。图例不要压盖数据点。
- 字体统一：全文图表使用同一无衬线字体（如Arial、Helvetica），字号在最终印刷尺寸下不小于6 pt，坐标轴标签不小于8 pt。
- 图注独立：图注应能独立说明图表内容，包括样本量、统计方法、误差线含义等。避免“详见正文”这类模糊表述。
结合尚辑Sagesci的润色经验来看，不少稿件因图注信息缺失而被审稿人要求补充，建议在初稿阶段就按期刊要求完整撰写图注。
图表类型：选对形式比美化更重要
不同数据关系适合不同图表类型，错误选择会削弱信息传达：
- 比较数值大小：柱状图或点图，避免使用饼图（超过3类难以比较）。
- 展示趋势：折线图，横轴通常为时间或连续变量。
- 展示分布：箱线图、小提琴图或散点图，避免仅用均值±标准差掩盖数据分布。
- 展示相关性：散点图加拟合线，并报告相关系数和p值。
- 展示组成：堆叠柱状图或面积图，谨慎使用饼图。
对于多组数据，可使用分面图（facet）替代在一张图中堆叠过多线条。分面图能保持统一坐标轴，便于组间比较。
常见误区与检查清单
以下问题在投稿中高频出现，建议逐项自查：
- 坐标轴未标注单位或刻度方向不一致。
- 误差线未说明是标准差、标准误还是置信区间。
- 使用3D效果或阴影，导致数据读取失真。
- 图片分辨率不足，线条模糊或文字锯齿。期刊通常要求线图≥1000 dpi，灰度图≥300 dpi。
- 直接截图软件界面或Excel默认图表，未做任何排版调整。
- 颜色在黑白打印后无法区分，未做灰度测试。
建议在投稿前将图表转为灰度模式检查一次，确保所有信息在无彩色条件下仍可理解。
工具与流程建议
绘图工具的选择取决于数据规模和协作需求。Python（Matplotlib、Seaborn）、R（ggplot2）适合可重复的批量绘图；Adobe Illustrator、Inkscape适合后期拼版和微调。无论使用何种工具，建议保留原始数据与绘图脚本，便于返修时快速调整。
最后，将图表与正文视为一个整体：正文不应重复图表中的所有数据，而应引导读者关注图表中的关键发现。一图胜千言的前提，是这张图真正做到了准确、清晰、自明。
