nature-figure

用途

生成符合 Nature 期刊系列视觉规范的多面板科研图表：字体规范、语义化配色方案、无障碍可访问设计，并输出可编辑的 SVG 格式文件。

触发条件

当用户提及以下任一内容时激活：

• "画图" / "figure" / "plot" / "科研绘图"
• "Nature figure" / "publication figure" / "publication plot"
• "matplotlib" / "ggplot" / "seaborn"
• "配色" / "color palette" / "color scheme"
• 希望优化或重排现有图表

Nature 图表规范

字体排印（Typography）

• 字体族：使用 Arial 或 Helvetica（无衬线字体；图表中严禁使用 Times New Roman）
• 印刷成品最小字号：7 pt（适用于坐标轴标签、刻度标签）
• 面板标签（a, b, c…）：8 pt 加粗，小写字母
• 图表标题（如有）：不得嵌入图中，应置于图注（legend）内
• 所有文字必须可编辑（禁止光栅化）

尺寸与分辨率

配色方案（Nature 认可、色觉障碍友好）

NATURE_COLORS = {
    "blue":    "#4878CF",
    "red":     "#D65F5F", 
    "green":   "#6ACC65",
    "orange":  "#EE854A",
    "purple":  "#956CB4",
    "teal":    "#82C6E2",
    "brown":   "#D5BB67",
    "gray":    "#8C8C8C",
    # 色觉障碍友好主色对：
    "cb_blue": "#0072B2",
    "cb_orange":"#E69F00",
}

• 禁止同时使用纯红色与纯绿色（存在色觉障碍冲突）
• 为保障可访问性，须结合填充符号与不同几何形状，不可仅依赖颜色区分
• 灰度模式下各元素仍须清晰可辨

面板结构（Panel Architecture）

• 每个面板传达一个明确结论
• 面板 (a)：概览图 / 示意图 / 代表性图像
• 面板 (b–d)：定量证据支持
• 末尾面板：对比分析或普适性验证
• 面板标签为 a, b, c（小写加粗，置于左上角）
• 白色背景；网格线极简（浅灰色，0.5 pt 线宽）
• 杜绝“图表垃圾”（chartjunk）：移除顶部与右侧坐标轴边框（spines）

统计标注（Statistical Annotations）

• 误差线（Error bars）：图注中必须明确定义（如 mean ± s.d. 或 ± s.e.m.）
• 显著性标记：*, **, ***, **** 分别对应 p < 0.05、0.01、0.001、0.0001；推荐直接报告精确 p 值
• 样本量 n 必须注明（例如：n = 5 次独立实验）
• 箱线图（Box plots）：需标示中位数、四分位距（IQR）、须线延伸至 1.5×IQR，并叠加原始数据点

工作流程

第 0 步：从数据文件自动生成图表（最快路径）

若用户提供 CSV、Excel 或 JSON 数据文件：

python3 ~/.openclaw/workspace/skills/nature-paper-hub/scripts/auto_figure.py 
  --input  
  --output ~/Downloads/figure_.pdf 
  --title "[figure title]" 
  --xlabel "X axis label" 
  --ylabel "Y axis label" 
  --type [auto|line|bar|scatter|heatmap|box]

该脚本将自动识别列类型、选择合适图表类型、应用 Nature 风格，并输出 PDF 与 PNG 文件。

第 1 步：收集需求（尚无数据文件时）

向用户提问：

1. 您拥有哪些数据？（可粘贴 CSV 内容、描述各列含义，或直接提供数值）
2. 需要几个面板？每个面板展示什么内容？
3. 图表宽度要求：单栏 / 1.5 栏 / 双栏？
4. 编程语言偏好：Python（matplotlib/seaborn）还是 R（ggplot2）？
5. 是否有特定配色要求，或目标期刊子风格（sub-style）？

第 2 步：生成图表代码

Python 模板（matplotlib）：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np

# --- Nature 风格设置 ---
plt.rcParams.update({
    'font.family': 'Arial',
    'font.size': 8,
    'axes.linewidth': 0.8,
    'axes.spines.top': False,
    'axes.spines.right': False,
    'xtick.major.width': 0.8,
    'ytick.major.width': 0.8,
    'xtick.major.size': 3,
    'ytick.major.size': 3,
    'xtick.direction': 'out',
    'ytick.direction': 'out',
    'figure.dpi': 300,
    'savefig.dpi': 300,
    'savefig.bbox': 'tight',
    'savefig.pad_inches': 0.05,
    'pdf.fonttype': 42,   # PDF 中文字可编辑
    'ps.fonttype': 42,
})

COLORS = {
    "blue": "#4878CF", "red": "#D65F5F", "green": "#6ACC65",
    "orange": "#EE854A", "purple": "#956CB4", "teal": "#82C6E2",
    "cb_blue": "#0072B2", "cb_orange": "#E69F00",
}

# --- 图表布局 ---
fig = plt.figure(figsize=(7.2, 4.0))  # 双栏宽度，高度可调
gs = gridspec.GridSpec(1, 3, figure=fig, wspace=0.4, hspace=0.4)

ax_a = fig.add_subplot(gs[0])
ax_b = fig.add_subplot(gs[1])
ax_c = fig.add_subplot(gs[2])

# --- 面板标签 ---
for ax, label in zip([ax_a, ax_b, ax_c], ['a', 'b', 'c']):
    ax.text(-0.15, 1.05, label, transform=ax.transAxes,
            fontsize=8, fontweight='bold', va='top', ha='right')

# --- 此处填入您的数据 ---
# ax_a: ...
# ax_b: ...
# ax_c: ...

plt.savefig('figure1.pdf', format='pdf')
plt.savefig('figure1.png', dpi=300)
print("Saved: figure1.pdf, figure1.png")

R 模板（ggplot2）：

library(ggplot2)
library(patchwork)

# Nature 主题
theme_nature <- function() {
  theme_classic(base_size = 8, base_family = "Arial") +
  theme(
    axis.line = element_line(linewidth = 0.5),
    axis.ticks = element_line(linewidth = 0.5),
    axis.ticks.length = unit(2, "pt"),
    strip.background = element_blank(),
    legend.key.size = unit(3, "mm"),
    plot.margin = margin(2, 2, 2, 2, "mm")
  )
}

nature_colors <- c(
  blue = "#4878CF", red = "#D65F5F", green = "#6ACC65",
  orange = "#EE854A", purple = "#956CB4", teal = "#82C6E2"
)

# --- 此处填入您的图表代码 ---
# p1 <- ggplot(...) + theme_nature()
# p2 <- ggplot(...) + theme_nature()
# combined <- p1 | p2
# ggsave("figure1.pdf", combined, width = 183, height = 80, units = "mm", dpi = 300)

第 3 步：校验（Validate）

输出前务必检查以下各项：

• 所有元素字体 ≥ 7 pt
• 无顶部/右侧坐标轴边框（spines）
• 使用色觉障碍友好配色方案
• 误差线定义完整
• 面板标签存在且格式正确（a, b, c 小写加粗）
• 分辨率 ≥ 300 DPI（线条图需 ≥ 600 DPI）
• 图表宽度匹配所选栏宽格式
• 输出 PDF/SVG 以确保矢量可编辑性

第 4 步：图注（Figure legend）

生成配套的图注文字：

• 以加粗 “Figure X |” 开头
• 简短标题（一句话）
• 每面板一句说明
• 误差线定义
• 样本量 n 值及所用统计检验方法
• 图像类图表需注明比例尺（scale bar）定义

常用图表类型

折线图（Line plot，适用于时间序列 / 趋势分析）

使用带标记点的实线；不同组别采用不同线型 + 颜色区分。

柱状图（Bar chart）

类别较多时建议使用横向柱状图；应在柱体上叠加原始数据点。 使用 plt.bar() 并设置 edgecolor='black', linewidth=0.5。

散点图（Scatter plot）

若用于展示相关性，须添加回归线及 95% 置信区间（CI）。 图中需标明 Pearson/Spearman 相关系数 r 与 p 值。

热图（Heatmap）

相关性分析宜用发散型色阶（如 RdBu_r），强度表达宜用顺序型色阶。 必须包含带标签和单位的色标（colorbar）。

箱线图 / 小提琴图（Box/Violin plot）

必须叠加原始数据点（使用 stripplot 或 geom_jitter）。 需注明每组样本量 n。

示意图 / 机制图（Schematic / Mechanism diagram）

推荐使用 BioRender（biorender.com）或 Inkscape 绘制示意图。 导出为 SVG 后嵌入主图。

输出内容

向用户提供以下全部内容：

1. 完整、可直接运行的 Python 或 R 代码
2. 按正确格式保存文件的操作说明（PDF + PNG）
3. 配套的图注（legend）文字
4. 投稿前需自查的核对清单