从数据剖析到出版级成图的完整可视化工具。先做数据剖析（列类型/样本量/分布/异常值/分组结构/相关性）， 再结合论证目标推荐图型，主动拦截科研画图经典错误，产出 Nature / Science / IEEE / Elsevier / PNAS / 中文核心期刊级别的成图。覆盖数据 EDA、图表契约、选图决策、出版级绘制、程序自检 + AI 读图闭环、多格式 导出和文件审计。数学建模场景额外支持三类图体系（原始数据/过程/结果）、子问题覆盖检查和建模流程图规范。 当用户涉及论文配图、科研画图、数据可视化、选图、期刊投稿图、figure、出版级图表、matplotlib、seaborn、 plotly、误差棒、显著性标注、色盲安全配色、矢量图导出、中文论文图表、多面板时使用。
Send this to Claude Code, Codex or Cursor. The agent checks the Skill for safety first and installs it only after you confirm.
读取 https://funcoding.ai/skills/xiaomacoltai/math-modeling-skill/dsh-plugin-math-modeling-agent-skills-math-modeling-tools-figure/install.md ，按里面的步骤帮我安装这个 Skill。
从数据剖析到出版级成图 | Python + MATLAB | 自检 + AI 读图闭环
SKILL_ROOT：math-modeling-skill 仓库根目录（只读）。tools/figure/... 路径均相对于 SKILL_ROOT。"<SKILL_ROOT>/tools/figure/scripts/..." 格式，确保从任何工作目录均可执行。sys.path.insert(0, os.path.join(SKILL_ROOT, 'tools', 'figure', 'scripts')) 后导入。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、子问题覆盖检查和建模流程图。永远先思考再画：
数据图范围：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、架构图。
额外覆盖建模流程图：数学建模场景的总体/子问题方法流程图走 references/chart-types/flowchart.md。
流程图属于方法与结构示意，不占用三类候选图配额，也不替代结果图。
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。
在选图之前，先填写五点契约（详见 tools/figure/static/core/contract.md）：
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：
chart_selection.md 末尾的"数学建模场景速查"表design_theory.md §11 反冗余清单）确定目标期刊后查 tools/figure/references/quality/journal_specs.md 拿到：单/双栏宽（mm 与 inch）、字号、
推荐字体、DPI、矢量格式偏好。不知道目标期刊就问一句。
Python：
import sys, os
sys.path.insert(0, os.path.join(SKILL_ROOT, 'tools', 'figure', 'scripts'))
from setup_style import setup_style
setup_style(journal='nature', lang='en') # 英文 Nature
setup_style(journal='general', lang='zh', serif_for_zh=True) # 中文宋体混排
SciencePlots 装了自动用，没装回退到内置预设。
MATLAB：将 references/roles/编程手/scripts/apply_publication_style.m 复制到 PROJECT_ROOT/utils/ 后调用。
按 tools/figure/references/api-templates/plot_recipes.md 对应章节的配方画。每节都有可直接复制的代码 + 常见坑。
Python 画图时强制做到：
figsize=(目标宽, 目标高) 单位英寸——直接定最终尺寸seaborn.color_palette('colorblind') 或 Okabe-Ito + 冗余编码（不同线型/marker）MATLAB：按 references/roles/编程手/scripts/apply_publication_style.m 的出版规范绘制，用 export_publication_figure() 导出。
数学建模场景（两种语言均适用）：按三类图体系生成（原始数据图 / 过程图 / 结果图），每类至少 3 张、合计至少 9 张，且每个子问题在三类中各至少 1 张。每类内部图型要有变化（如原始数据类至少含 1 张分布图 + 1 张关系图），全文图型种类 ≥ 3 种。
tools/figure/references/design/viz_pitfalls.md 18+ 条避坑清单——图型/配色/误差是否踩坑tools/figure/references/quality/publication_checklist.md 形式合规（尺寸、DPI、字号、误差交代）tools/figure/scripts/visual_qa.render_preview(fig, 'figs/_preview.png') 渲预览，tools/figure/scripts/visual_qa.audit_layout(fig) 程序抓缺字/裁切/重叠export_publication_figure() 导出 PNG 后人工检查tools/figure/references/quality/visual_review.md 的 8 项清单核对Python：
import sys, os
sys.path.insert(0, os.path.join(SKILL_ROOT, 'tools', 'figure', 'scripts'))
from export_figure import export_figure
export_figure(
fig, basename='figs/fig1',
formats=['pdf', 'svg', 'png'],
size_inches=(3.5, 2.625),
dpi=300,
grayscale_preview=True,
)
MATLAB：使用 export_publication_figure(fig, 'figs/fig1', 'png', 300) 或 export_publication_figure(fig, 'figs/fig1', 'svg')。
数学建模场景（两种语言均适用）：同时输出 SVG 与至少 300 DPI PNG。
两个脚本职责不同，按顺序执行：
# 1. 编程手自检：文件格式/DPI/字体合规（每张图都过）
python "<SKILL_ROOT>/tools/figure/scripts/check_figure.py" "<PROJECT_ROOT>/figures" --strict
# 2. 数学建模 P2 门禁：三类图数量 + 子问题覆盖（终检时由质检 Subagent 执行）
python "<SKILL_ROOT>/references/roles/编程手/scripts/figure_audit.py" "<PROJECT_ROOT>/figures" --questions q1 q2 ... qN --strict
check_figure.py：检查单张图的格式合规性（DPI、字体、尺寸、矢量格式），编程手每次导出后自检用。figure_audit.py：检查三类图数量是否达标、子问题是否全覆盖，P2 编程终检时由独立质检 Subagent 执行。发现用户需求触发以下错误时，先说明再给替代方案，不要默默照做。完整清单见
tools/figure/references/design/viz_pitfalls.md。
| 错误 | 后果 | 替代方案 |
|---|---|---|
| n<10/组 还想画均值柱 | 掩盖分布、掩盖 n | 箱线 + stripplot |
| 双 Y 轴显示无关变量 | 视觉假相关 | 拆成上下子图共享 x |
| 用饼图展示占比 | 人眼判角度差长度 3 倍 | 横向柱状（按值排序） |
| 3D 柱 / 3D 饼 | 视角扭曲数值 | 2D 柱、热力图 |
| 比例图 Y 轴不从 0 起 | 误导小差异 | 从 0 起或用 log |
| x 是分类却用折线连均值 | 暗示假连续 | 散点/点图/柱状 |
| rainbow / jet 色图 | 感知不均匀 | viridis / magma / RdBu_r |
尊重用户最终决定，但留下明确的劝阻记录。
tools/figure/references/ 下文档——按需读，不要一次全读：
| 文档 | 何时读 |
|---|---|
chart-types/chart_selection.md | 每次选图必读——决策框架、不同论点→不同图 |
chart-types/flowchart.md | 需要画总体/子问题建模流程图时读——样式、生成路线、导出与自检 |
guides/figure_contract.md | 多面板图的契约工作流——核心结论→证据链→面板映射→审稿人风险 |
| 文档 | 何时读 |
|---|---|
api-templates/plot_recipes.md | 各类图完整配方（含数学建模专用模式） |
guides/tutorials.md | 端到端可运行教程——分组柱状/收敛曲线/热力图/森林图 |
api-templates/api.md | 可复用辅助函数（make_grouped_bar/make_trend/make_heatmap 等） |
api-templates/template_catalog.md | CSV 驱动模板——ROC/热力图/收敛曲线 |
| 文档 | 何时读 |
|---|---|
design/viz_pitfalls.md | 自检前必读——18+ 条避坑清单 |
quality/qa_contract.md | 交付前 QA 契约——统计图注最小模板 |
quality/publication_checklist.md | 投稿前最后过形式合规清单 |
quality/visual_review.md | 出图后视觉自检——AI 读图 8 项清单 |
| 文档 | 何时读 |
|---|---|
design/design_theory.md | 配色/字体/布局/导出理论 |
guides/nature_2026_observations.md | Nature 页面布局原型——示意图主导/非对称/密集分类 |
chart-types/chart_types.md | 雷达/3D/散点等高级图型 |
design/common_patterns.md | hero panel 等布局模式 |
guides/figure_legend_conventions.md | 图注写作规范——结构/时态/自足/进阶 |
| 文档 | 何时读 |
|---|---|
guides/data_profiling.md | 读不懂 profile_data.py 输出 |
quality/journal_specs.md | 不确定目标期刊的栏宽/字号/DPI/字体 |
guides/asset_adaptation.md | 复用模板时的数据映射规则 |
matplotlib>=3.7
seaborn>=0.13
plotly>=5.18
pandas>=2.0
numpy>=1.24
scipy>=1.10
Pillow>=10.0
SciencePlots>=2.1 # 可选
pypdf>=4.0 # 可选；字体嵌入检查
kaleido>=0.2.1 # 可选；plotly 导出
可选依赖缺失时优雅降级并提示。
design_theory.md §11 反冗余清单）| 情形 | 读取 |
|---|---|
| 画图 | 本文件 tools/figure/SKILL.md |
| 不确定用什么图 | tools/figure/references/chart-types/chart_selection.md |
| 需要图表函数 | tools/figure/references/api-templates/plot_recipes.md |
| 交付前 | tools/figure/references/quality/publication_checklist.md |
| MATLAB 出版绘图 | references/roles/编程手/scripts/apply_publication_style.m + export_publication_figure.m |
ComposioHQ/awesome-claude-skills77kIdentifies high-quality leads for your product or service by analyzing your business, searching for target companies, and providing actionable contact strategies. Perfect for sales, business development, and marketing professionals.
Science
K-Dense-AI/scientific-agent-skills48kEstimates intracellular metabolic fluxes from steady-state carbon-13 isotope-tracing measurements using validated atom maps, mfapy isotope simulation, constrained multistart fitting, and flux-profile diagnostics. Use for 13C-MFA, carbon tracing, mass isotopomer distributions (MDVs/MIDs), positional isotopomers, parallel tracer experiments, and determining whether labeling data constrain a pathway flux. Distinguishes measured-label inference from COBRA flux balance analysis and flags experiments requiring nonstationary MFA.
Science
K-Dense-AI/scientific-agent-skills48kPythonic wrapper around RDKit with simplified interface and sensible defaults. Preferred for standard drug discovery including SMILES parsing, standardization, descriptors, fingerprints, clustering, 3D conformers, parallel processing. Returns native rdkit.Chem.Mol objects. For advanced control or custom parameters, use rdkit directly.
Science
K-Dense-AI/scientific-agent-skills48kProvides Biopython workflows for sequence manipulation, file parsing (FASTA/GenBank/PDB), phylogenetics, and programmatic NCBI/PubMed access (Bio.Entrez). Supports batch processing, custom molecular-biology pipelines, BLAST automation, structure analysis, and motif analysis.
Science
K-Dense-AI/scientific-agent-skills48kPrepares bulk RNA-seq FASTQ, Salmon, STAR or featureCounts output for gene-level differential expression. Covers nf-core/rnaseq and standalone quantification, biological replication, strandedness, reference provenance, validated count assembly and a PyDESeq2 handoff. Use for FASTQ-to-counts analysis, nf-core/rnaseq configuration, STAR/Salmon quantification, or building a counts matrix for DESeq2. For single-cell data use scanpy; for statistical fitting alone use pydeseq2.
Science
K-Dense-AI/scientific-agent-skills48kLooks up precomputed AlphaGenome Atlas effects for any GRCh38 single-nucleotide variant (AVI score with Phred and 18 SHAP feature attributions, plus raw and quantile scores for RNA-seq, DNase, ATAC, ChIP-TF, ChIP-histone, CAGE, PRO-cap, splicing, polyadenylation and contact-map tracks), scores variants or scans windows on demand with the AlphaGenome model for human and mouse (variant scoring, in silico mutagenesis, REF-versus-ALT track prediction), and builds Atlas website deep links. Use when the user mentions AlphaGenome, AlphaGenome Atlas, AVI or AlphaGenome Variant Impact, DeepMind variant effect prediction, or wants to prioritise or mechanistically interpret non-coding, regulatory, splicing, enhancer, promoter, or chromatin-accessibility effects of SNVs from a VCF, credible set, or region. Research use only; not a clinical tool.
Science