科研数据制图
帮选诚实的图表编码、检查颜色与可及性,输出更适合论文/报告的科研图(含误差/缺失数据表示)。
功能与用途
该技能用于指导并生成真实、合规且无视觉误导的出版级科研数据图表。基于输入的实验数据与目标期刊要求,协助选择准确的视觉编码形式(如基线设定、对数轴、双轴规避),规范呈现样本误差范围、置信区间及缺失值。支持利用 Matplotlib、Seaborn 或 Plotly 输出符合无障碍对比度与版面尺寸要求的矢量或高清图片,使用需具备 Python 3.11+ 运行环境。
适用场景
- 论文多面板实验数据图版编排:将对照组与处理组的多组观测指标组合排版,统一坐标跨度与图例样式,生成整齐规范的多子图。
- 不确定性与缺失数据诚实编码:为散点或折线图合理标注标准差、置信区间及样本量,并对删失或缺失数据采用合规的空隙与样式呈现。
- 期刊投稿图表无障碍色彩审查:将图表配色调整为色盲友好色板,强化线条样式与标记差异,确保在黑白打印和屏幕阅读下均清晰可辨。
适用人群
- 研究者
- 数据分析
- 学术作者
使用步骤
- 定义证据与去向(受众/期刊/变量/缺失)。
- 选诚实编码(位置优先、含零、不确定性命名)。
- 设计可及性(颜色+标记/线型)。
- 输出适合论文的科研图。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 设计
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 简单
- 版本
- main
- 最近更新
- 2026-09-12
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
Create and audit truthful, accessible, publication-ready scientific figures with Matplotlib, Seaborn, or Plotly. Use for figure design, multi-panel layouts, uncertainty and missing-data displays, color/contrast review, image metadata validation, and journal export planning.
使用前准备
- 研究数据与变量语义
- (出版)期刊与最终宽度
依赖与权限
- 读取用户主动提供的内容