figure

# 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和子问题覆盖检查。**永远先思考再画**： 1. 先理解数据再选图——拿到数据先做 EDA，用事实驱动图型选择 2. 先想清楚"这张图要论证什么"——同样数据，不同论点 = 不同图 3. 主动拦截科研画图的经典错误，而不是顺从 4. 维度太多就建议拆图，不硬塞 **只覆盖纯数据图**：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、流程图、架构图。 ## 工作流 ### 第 1 步：数据剖析 ```bash 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`）： 1. **核心结论**：一句话写出这张图必须捍卫的论点 2. **证据链**：每个面板对应论点的哪个证据环节 3. **版型**：quantitative grid / schematic-led composite / image plate + quant / asymmetric mixed-modality 4. **后端**：Python 或 MATLAB 5. **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 ### 第 3 步：选图决策 **永远先选图型，再画图。** 图型选错，画得再好看也没用。 基于第 1、2 步的事实，查 `tools/figure/references/chart-types/chart_selection.md` 的决策框架： - **按数据形态选图**：连续变量看分布→直方图/KDE/箱线，分类+连续看比较→箱线/柱状，两连续看关系→...