当前位置：首页>python>Python绘图教程:Nature级SCI科研图表保姆级代码模板

Python绘图教程:Nature级SCI科研图表保姆级代码模板

2026-08-18 23:11:57

科研技能 · Python可视化

审稿人说图表不专业？一套Python代码解决所有问题

中研智数科技研究院·科研干货

Python绘图教程Matplotlib教程SCI图表Python科研图表Nature图表模板科研可视化出版级图表SCI论文图表博士论文图表

你的SCI论文图表被审稿人说过"不专业"吗？

我见过太多博士：代码能力很强，数据分析很扎实，但最终提交的论文配图——字体大小不一、配色乱七八糟、分辨率不够、轴线没有单位……

图表是论文的"门面"。审稿人打开论文的第一眼看到的就是图表。如果图表不专业，会直接影响论文的第一印象。

今天我把自己3年科研过程中反复打磨的一套Python科研图表模板完整公开。这份Python绘图教程从Matplotlib基础设置到Nature级输出，手把手教你。

核心观点：Nature级图表的核心不是复杂度，而是清晰度和规范性。字体统一、配色一致、分辨率达标，这三件事做好，你的SCI论文图表就已经超过了80%的同行。

一、Nature图表到底"专业"在哪里？风格规范拆解

先别急着写代码。我们先拆解Nature/Science论文的图表风格，找到其中的共性规范。

规范项	Nature要求	你的论文该怎么做
字体	Helvetica/Arial，无衬线体	全文统一Arial，5-8pt
单栏宽度	89mm	设置figsize=(3.5, 3)
双栏宽度	183mm	设置figsize=(7, 3)
分辨率	≥300 dpi	savefig dpi=300+
线条粗细	0.25-1pt	linewidth=0.8-1.2
颜色模式	RGB	直接用RGB色值
文件格式	矢量PDF/AI	导出PDF+PNG
子图标注	8pt粗体，a/b/c	fontsize=8, fontweight='bold'

关键认知：Nature图表"看起来高级"，不是因为花哨，而是因为每个细节都严格统一。字体用Arial就不出现Times New Roman，线条用0.8pt就全场0.8pt，颜色方案确定后全程不换。

二、Matplotlib全局设置教程：3分钟配置出版级样式

打开Jupyter Notebook或你的Python环境，先把以下Matplotlib全局配置跑一遍。这一步做完，后面所有Python科研图表自动继承这些设置。

import matplotlib.pyplot as plt

import matplotlib as mpl

# ========== Nature级全局配置 ==========

CB_PALETTE = [

"#000000",

"#E69F00",

"#56B4E9",

"#009E73",

"#F0E442",

"#0072B2",

"#D55E00",

"#CC79A7",

]

plt.rcParams.update(

{

# 字体设置

"font.sans-serif": ["Arial", "Helvetica"],

"font.size": 7,

"axes.titlesize": 8,

"axes.labelsize": 8,

# 线条

"axes.linewidth": 0.8,

"xtick.major.width": 0.8,

"ytick.major.width": 0.8,

"xtick.minor.width": 0.5,

"ytick.minor.width": 0.5,

# 图例

"legend.frameon": True,

"legend.framealpha": 0.9,

"legend.fontsize": 7,

# 配色

"axes.prop_cycle": plt.cycler(color=CB_PALETTE),

# 分辨率

"figure.dpi": 300,

"savefig.dpi": 300,

# 去掉顶部和右侧边框

"axes.spines.top": False,

"axes.spines.right": False,

})

这段配置做了什么？

字体统一Arial，7-8pt字号，符合Nature规范
线条粗细0.8pt，在Nature允许的0.25-1pt范围内
全局色盲友好配色，Wong (2011) CB_PALETTE方案
去掉右侧和顶部边框，让图表更简洁
默认300dpi，满足所有期刊投稿要求

中文论文怎么办？如果你的论文含中文标签，把字体改为："font.sans-serif": ["SimHei", "Arial"]，同时加上：plt.rcParams["axes.unicode_minus"] = False（解决负号显示问题）。

三、SCI论文图表配色方案：色盲友好的Matplotlib调色板

配色是Python科研图表美观的第一要素。好的配色不仅要好看，还要让色盲读者也能区分。

目前科研领域最权威的色盲友好方案来自Wong (2011) 发表在 Nature Methods 上的论文，被称为CB_PALETTE。

Wong色盲友好调色板（8色）

黑

橙

天蓝

绿

黄

蓝

朱红

紫红

这个配色在红绿色盲、蓝黄色盲和全色盲条件下均能保持可区分性，而且在黑白打印下也能通过亮度差异区分。

场景	推荐方案	调用方式
分类变量（离散）	CB_PALETTE	直接传入color列表
连续数据（渐变）	viridis / cividis	cmap="cividis"
正负偏差（发散）	RdBu_r / coolwarm	cmap="RdBu_r"
热力图（矩阵）	inferno / plasma	cmap="inferno"

常见错误：不要用默认的"红蓝绿"配色！Matplotlib默认的"jet"色图在色盲模拟下几乎无法区分。也不要在一个图表里使用超过8种颜色——超过8色后即使正常人也会混淆。

四、6种SCI高频图表Python代码（附完整模板可直接复制）

博士论文中最常用的SCI图表类型不超过6种。我给每种都准备了可直接复制的Python代码。

图表1：多组对比折线图

import numpy as np

fig, ax = plt.subplots(figsize=(3.5, 2.5))

x = np.linspace(0, 10, 100)

ax.plot(x, np.sin(x), label="Control", linewidth=1.0)

ax.plot(

np.sin(x + 0.5),

label="Treatment A",

linewidth=1.0,

linestyle="--",

)

ax.plot(

np.sin(x + 1.0),

label="Treatment B",

linewidth=1.0,

linestyle="-.",

)

ax.set_xlabel("Time (h)")

ax.set_ylabel("Expression Level")

ax.legend(edgecolor="none")

ax.spines[["top", "right"]].set_visible(False)

plt.tight_layout()

plt.savefig("fig_line.pdf")

图表2：分组柱状图

fig, ax = plt.subplots(figsize=(3.5, 2.5))

groups = ["Group A", "Group B", "Group C"]

values = [23.5, 45.2, 31.8]

errors = [3.1, 4.2, 2.8]

bars = ax.bar(

groups,

values,

width=0.6,

color=[CB_PALETTE[1], CB_PALETTE[2], CB_PALETTE[3]],

edgecolor="none",

)

ax.errorbar(

groups,

values,

yerr=errors,

fmt="none",

ecolor="black",

capsize=3,

linewidth=0.8,

)

ax.set_ylabel("Yield (%) (mean ± SD)")

ax.spines[["top", "right"]].set_visible(False)

plt.tight_layout()

plt.savefig("fig_bar.pdf")

图表3：多组箱线图

fig, ax = plt.subplots(figsize=(3.5, 2.5))

data = [

np.random.normal(m, s, 50)

for m, s in [(10, 2), (15, 3), (12, 2.5)]

]

bp = ax.boxplot(

data,

widths=0.5,

patch_artist=True,

boxprops=dict(linewidth=0.8),

whiskerprops=dict(linewidth=0.8),

capprops=dict(linewidth=0.8),

)

for patch, color in zip(

bp["boxes"],

[CB_PALETTE[1], CB_PALETTE[2], CB_PALETTE[3]],

patch.set_facecolor(color)

patch.set_alpha(0.8)

ax.set_xticklabels(["Ctrl", "Treat A", "Treat B"])

ax.set_ylabel("Response (a.u.)")

ax.spines[["top", "right"]].set_visible(False)

plt.tight_layout()

plt.savefig("fig_box.pdf")

图表4：相关系数热力图

import seaborn as sns

fig, ax = plt.subplots(figsize=(3.5, 3))

corr = np.random.rand(5, 5)

corr = (corr + corr.T) / 2

np.fill_diagonal(corr, 1)

labels = [

"Var A",

"Var B",

"Var C",

"Var D",

"Var E",

]

sns.heatmap(

corr,

annot=True,

fmt=".2f",

cmap="RdBu_r",

vmin=-1,

vmax=1,

xticklabels=labels,

yticklabels=labels,

ax=ax,

square=True,

annot_kws={"size": 6},

)

ax.tick_params(labelsize=7)

plt.tight_layout()

plt.savefig("fig_heatmap.pdf")

图表5：散点图+回归线

from scipy import stats

fig, ax = plt.subplots(figsize=(3.5, 2.5))

x = np.random.uniform(0, 10, 80)

y = 2.5 * x + np.random.normal(0, 3, 80)

ax.scatter(

s=15,

alpha=0.6,

color=CB_PALETTE[2],

edgecolors="none",

)

# 回归线

slope, intercept, r, p, se = stats.linregress(x, y)

x_fit = np.linspace(0, 10, 100)

ax.plot(

x_fit,

slope * x_fit + intercept,

color=CB_PALETTE[0],

linewidth=0.8,

)

ax.text(

0.05,

0.95,

f"R² = {r**2:.3f}",

transform=ax.transAxes,

fontsize=7,

verticalalignment="top",

)

ax.set_xlabel("Concentration (μM)")

ax.set_ylabel("Activity (U/mg)")

ax.spines[["top", "right"]].set_visible(False)

plt.tight_layout()

plt.savefig("fig_scatter.pdf")

图表6：小提琴图（数据分布）

fig, ax = plt.subplots(figsize=(3.5, 2.5))

data_v = [

np.random.normal(m, s, 100)

for m, s in [(5, 1.5), (8, 2), (6, 1.8)]

]

parts = ax.violinplot(

data_v,

positions=[1, 2, 3],

showmeans=True,

showmedians=True,

)

for i, pc in enumerate(parts["bodies"]):

pc.set_facecolor(CB_PALETTE[i + 1])

pc.set_alpha(0.6)

parts["cmeans"].set_color("black")

parts["cmedians"].set_color("black")

ax.set_xticks([1, 2, 3])

ax.set_xticklabels(["WT", "KO-1", "KO-2"])

ax.set_ylabel("Protein Level (ng/mL)")

ax.spines[["top", "right"]].set_visible(False)

plt.tight_layout()

plt.savefig("fig_violin.pdf")

五、Python多子图排版：一张Nature Figure的诞生

Nature论文的Figure通常包含2-6个子图（a, b, c, d...），用plt.subplots()进行网格排版。

# ========== 2×2子图排版 ==========

fig, axes = plt.subplots(2, 2, figsize=(7, 5))

# 子图标注：a, b, c, d

labels = ["a", "b", "c", "d"]

for ax, label in zip(axes.flat, labels):

ax.text(

-0.15,

1.05,

label,

transform=ax.transAxes,

fontsize=8,

fontweight="bold",

)

# 在各子图中分别绘图...

axes[0, 0].plot(...) # 折线图

axes[0, 1].bar(...) # 柱状图

axes[1, 0].boxplot(...) # 箱线图

axes[1, 1].scatter(...) # 散点图

plt.tight_layout(w_pad=2, h_pad=2)

plt.savefig("fig_combined.pdf")

排版技巧：1. figsize=(7, 5) 对应Nature双栏宽度，(3.5, 3)对应单栏2. 子图标注用 ax.text(-0.15, 1.05, "a", transform=ax.transAxes) 放在左上角外侧3.plt.tight_layout(w_pad=2, h_pad=2) 自动调整间距，避免标签重叠4. 所有子图共享同一个配色方案

六、Python导出高分辨率图片：SCI期刊投稿格式要求

最后一道关卡：导出。Nature要求矢量格式（PDF/EPS）+ 位图备份（PNG 300dpi）。

# ========== 推荐导出方式 ==========

# 方式1：同时导出PDF+PNG

plt.savefig("figure.pdf", dpi=300, bbox_inches="tight")

plt.savefig("figure.png", dpi=300, bbox_inches="tight")

# 方式2：指定物理尺寸（推荐）

plt.savefig(

"figure.pdf",

dpi=300,

bbox_inches="tight",

width=89, # mm，Nature单栏宽度

height=60,

units="mm",

)

绝对不要做的事：1. 不要用jpg格式！jpg会压缩线条图产生伪影，期刊明确不推荐2. 不要用"截图"方式获取图片！截图分辨率通常只有72-96dpi3. 不要用Photoshop人工提高分辨率——不会改善画质，审稿人一眼看穿

导出检查清单：□ 矢量格式（PDF/EPS）已保存□ PNG备份 300dpi 已保存□ bbox_inches="tight" 已启用（避免裁切标签）□ 字体已转为轮廓/嵌入（AI编辑时）□ 图表中的数字与单位之间有空格（SI命名法）□ 子图标注为8pt粗体小写字母

七、Python改图前 vs 改图后：Nature级效果对比

同一个数据，用默认Matplotlib vs Nature级设置，效果差距有多大？

改图前（默认样式）

宋体字体混杂

默认jet色图四边框全显示字号过大12pt分辨率72dpi导出格式jpg

改图后（Nature级）

全文Arial统一色盲友好配色只保留底部左侧框字号7-8pt规范矢量PDF+300dpibbox_inches自动裁切

八、获取完整Python科研图表代码模板

以上所有代码我都整理成了一份可直接运行的完整Python模板，包含10种图表类型，打开Jupyter Notebook就能跑。

模板包含：

全局Nature级配置函数 setup_publication_style()
10种图表类型：折线图、柱状图、误差线图、箱线图、小提琴图、热力图、散点图、堆叠柱状图、直方图+KDE、多子图面板
CB_PALETTE色盲友好配色（直接可用）
自动导出PDF+PNG双格式
中文论文适配配置

这份模板我实测生成20张出版级图表（10种PNG+10种PDF），运行时间不到30秒。

📥 回复【1】领取《SCI论文出版级图表Python代码模板》

含10种图表类型 | Nature级配色 | 直接可运行

如果你是正在写论文的博士/博后——这套模板至少帮你节省一整天的图表调整时间。不用再一个个调字体、改颜色、查分辨率了。

如果你是刚入门科研的研究生——从第一天就用规范的图表标准，养成好习惯，审稿人永远不会在你的图表上挑毛病。

关注不迷路。Python科研图表是博士科研的必备技能，这份Python绘图教程值得收藏。

📊 你画论文图表用什么工具？

A. Python (Matplotlib/Seaborn)

B. Origin / GraphPad Prism

C. R (ggplot2)

D. Excel（手动调格式）

智汇中研 · 数启未来

中研智数科技研究院——科创领域的新锋力量！以"智汇科创，数启未来"为使命，集聚顶尖博士人才，贯通全国产学研资源，打造多学科交叉创新引擎。搭建高规格科研平台，聚焦核心技术攻关，推动成果转化落地。以创新为帆，以自立自强为舵，紧扣数字经济产业发展导向，以智汇之光点亮科创通途，携创新之力数启未来征程！

编制：孙煜茜

排版：李思漫，秦明瑶，刘宇鑫，徐艺丝

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。

一、Nature图表到底"专业"在哪里？风格规范拆解

二、Matplotlib全局设置教程：3分钟配置出版级样式

三、SCI论文图表配色方案：色盲友好的Matplotlib调色板

四、6种SCI高频图表Python代码（附完整模板可直接复制）

图表1：多组对比折线图

图表2：分组柱状图

图表3：多组箱线图

图表4：相关系数热力图

图表5：散点图+回归线

图表6：小提琴图（数据分布）

五、Python多子图排版：一张Nature Figure的诞生

六、Python导出高分辨率图片：SCI期刊投稿格式要求

七、Python改图前 vs 改图后：Nature级效果对比

八、获取完整Python科研图表代码模板

Python绘图教程:Nature级SCI科研图表保姆级代码模板

最新文章

热门文章

随机文章

Python绘图教程:Nature级SCI科研图表保姆级代码模板

一、Nature图表到底"专业"在哪里？风格规范拆解

二、Matplotlib全局设置教程：3分钟配置出版级样式

三、SCI论文图表配色方案：色盲友好的Matplotlib调色板

四、6种SCI高频图表Python代码（附完整模板可直接复制）

图表1：多组对比折线图

图表2：分组柱状图

图表3：多组箱线图

图表4：相关系数热力图

图表5：散点图+回归线

图表6：小提琴图（数据分布）

五、Python多子图排版：一张Nature Figure的诞生

六、Python导出高分辨率图片：SCI期刊投稿格式要求

七、Python改图前 vs 改图后：Nature级效果对比

八、获取完整Python科研图表代码模板

写给 Python 程序员的 AI Agent 框架,类型

学Python总记不住语法?试试这个笨办法,一周后代码自然从指尖流出

最新文章

热门文章

随机文章