为什么一张好图能替你说话
审稿人通常先看图，再看正文。一张逻辑清晰、配色合理的图，能在几秒内传达研究核心；而一张拥挤、色彩混乱的图，则可能让审稿人对数据的严谨性产生疑虑。科研绘图的目标不是“好看”，而是准确、高效地传递信息。在投稿中，图的质量直接影响审稿人对论文专业度的第一印象。
配色：少即是多，对比即清晰
配色是科研绘图中最容易“用力过猛”的环节。很多作者习惯使用软件默认的彩虹色，结果图面花哨、重点模糊。以下原则可供参考：
- 控制颜色数量：一张图的主色建议不超过3种，加上灰度辅助即可。颜色越多，读者越难建立“颜色—含义”的对应关系。
- 使用感知均匀的色阶：连续数据优先选择viridis、cividis、RdBu等色盲友好的色阶，避免jet/rainbow色阶，因为其亮度变化不均匀，容易误导数据高低。
- 保持全文一致：同一变量在所有图中使用同一颜色。例如，实验组始终用蓝色，对照组始终用灰色，读者无需反复对照图注。
- 注意黑白打印：部分审稿人可能打印纸质稿。用明度差异辅助区分，确保灰度下仍可辨读。
如果不确定配色是否合适，可以将图转为灰度模式预览，或请同领域同学快速描述图中重点，检验颜色是否有效引导了注意力。
排版：对齐、留白与层级
排版决定了图的“可读性”。常见问题包括：子图大小不一、标签重叠、图例遮挡数据、字体过小。建议从以下方面入手：
- 统一子图尺寸：多面板图应尽量保持各子图等大，除非有明确的视觉层级需求。对齐坐标轴和标签，减少读者视线跳跃。
- 留白不是浪费：图边缘、子图之间、图例周围留出适当空白，能显著降低阅读负担。拥挤的图往往让人放弃细看。
- 字体大小可读：期刊通常要求图中文字在最终印刷尺寸下不小于6-7 pt。建议在排版时按最终尺寸预览，确保坐标轴标签、图例、注释清晰可辨。
- 图注独立完整：图注应能让读者不看正文就理解图的内容。说明样本量、统计方法、误差棒含义、显著性标记等。
选对图表类型，比美化更重要
图表类型选择错误，再精美的配色也救不了。几个常见场景：
- 比较类别：柱状图或点图。注意柱状图从零开始，避免截断纵轴造成视觉夸大。
- 展示分布：箱线图、小提琴图或蜂群图。样本量较小时，建议叠加原始数据点。
- 展示趋势：折线图。时间序列注意横轴间隔一致，多条线时用颜色和线型双重区分。
- 展示相关性：散点图加拟合线，必要时标注相关系数和p值。
- 展示组成：堆叠柱状图或饼图。饼图在类别较多时难以比较，建议不超过5类。
如果不确定某种图表是否合适，可以问自己：读者最需要从这张图中比较什么？答案往往指向正确的图表类型。
常见误区与自查清单
投稿前，建议对每张图做一次快速自查：
- 是否所有坐标轴都有明确标签和单位？
- 误差棒是否说明是SD、SE还是CI？
- 显著性标记是否有图注解释？
- 颜色是否在灰度下仍可区分？
- 图中文字是否在最终尺寸下可读？
- 子图编号（A、B、C）是否与正文引用一致？
- 图片分辨率是否满足期刊要求（通常线图≥1000 dpi，灰度图≥300 dpi，彩图≥300 dpi）？
尚辑Sagesci在协助作者处理投稿材料时发现，不少拒稿或大修意见并非源于数据本身，而是图中信息表达不清。花半小时检查图的细节，往往比反复修改文字更有效。
工具与流程建议
常用绘图工具各有侧重：Origin适合工程与实验数据，GraphPad Prism适合生物医学统计图，Python（Matplotlib/Seaborn）和R（ggplot2）适合批量与可重复绘图，Illustrator或Inkscape适合后期排版。建议固定一套工具链，建立自己的绘图模板，包括配色方案、字体、字号、图例样式。这样不仅能提高效率，也能保证全文风格统一。
最后，把图交给未参与研究的同学看一遍，请他们用一句话说出图的主要结论。如果对方能快速准确回答，说明你的图已经做到了“一图胜千言”。
