如何在论文中画出漂亮的插图？ 第1页

遇到安装问题的请尝试Anaconda这个Python发行版。下载安装后直接使用即可，它几乎预装了所有要用到的科学计算及可视化的库。

有盆友在评论里说希望能有完整的教程，确实就这个答案来说，离实际使用还有很大的距离，网上相关的中文资料也不多。不过真要写起来这个答案也装不下，况且写在这个问题下也不是很恰当。等到那天我有专栏了再说吧，到时候也许会写一个关于可视化的系列教程。

＝＝＝＝＝＝＝分割线＝＝＝＝＝＝

强烈推荐 Python 的绘图模块

。画出来的图真的是高端大气上档次，低调奢华有内涵~ 适用于从 2D 到 3D，从标量到矢量的各种绘图。能够保存成从 eps, pdf 到 svg, png, jpg 的多种格式。并且 Matplotlib 的绘图函数基本上都与 Matlab 的绘图函数名字都差不多，迁移的学习成本比较低。开源免费。如图所示（题目描述中的图在最后）：

（以下图片均引用自

）

像这种普通的函数图象：

       plt.fill(x, y1, 'b', x, y2, 'r', alpha=0.3)      

以及这种 Scatter 图（中文不知道该怎么说…）：

       plt.scatter(x, y, s=area, alpha=0.5)     

精致的曲线，半透明的配色。都显出你那高贵冷艳的X格，最重要的是只需一行代码就能搞定。从此以后再也不用忍受 Matlab以及GNUPlot 中那蛋疼的配色了。

想画 3D 数据？没有问题 (不过用 mayavi 可能更方便一些)：

       ax.plot_surface(X, Y, Z, rstride=8, cstride=8, alpha=0.3) cset = ax.contourf(X, Y, Z, zdir='z', offset=-100, cmap=cm.coolwarm) cset = ax.contourf(X, Y, Z, zdir='x', offset=-40, cmap=cm.coolwarm) cset = ax.contourf(X, Y, Z, zdir='y', offset=40, cmap=cm.coolwarm)     

四行代码你就能拥有（后三行是画坐标平面上的等高线，严格的额说还是一行）。

除此以外，不过你是矢量场，网络还是什么奇葩的需求都能够搞定：

       plt.streamplot(X, Y, U, V, color=U, linewidth=2, cmap=plt.cm.autumn) plt.colorbar()     

       plt.triplot(x, y, triangles, 'go-') plt.title('triplot of user-specified triangulation') plt.xlabel('Longitude (degrees)') plt.ylabel('Latitude (degrees)')      

       ax = plt.subplot(111, polar=True) bars = ax.bar(theta, radii, width=width, bottom=0.0)     

这还没完，Matplotlib 还支持Latex公式的插入，当别人画的图还是这个样子的时候（以下图片引用自

）

你能够把它变成这个样子：

如果再搭配上 IPython 作为运行终端（这张图是自己的~）：

简直就是神器啊，有木有！

心动不如行动，还等什么？

（奉上教程一篇

）

==== Update: 2013-9-18 18:04 ====

经

同学提醒，再补充一句，matplotlib 还可以话 xkcd 风格的图呦~

（图片引用自网络）

此外结合 IPython Notebook 后更多精彩内容，请看

==== Update: 2013-9-19 20:04 ====

如果嫌安装麻烦并且恰好在 Windows 系统下的话可以尝试Python的一个发行版

。

==== Update: 2013-10-1 23:45 ====

鉴于

同学质疑 matplotlib 是否能画出题目中所示的图像，我在这里将题目中的图像用 matplotlib 画出来如下：

代码在此处：

代码在此处：

======== 2014.5.10更新======

看到楼下有人说配色和好看，唉....那我也贴几个吧...只不过当初限于篇幅没有写而已。

首先，python 有一个专门的配色包

，提供了从美术角度来讲的精美配色（戳这里感受

）。

此外还有一些致力于美化绘图的库，用起来也都非常方便，比如

。

废话不多说，上图就是王道。

（一下图片来源网络）

有人可能会说需要复杂的设置，其实也不用。比如上边这幅图，只需要多加一个参数就好：

       cmap=brewer2mpl.get_map('RdBu', 'diverging', 8, reverse=True).mpl_colormap,      

楼下说到统计绘图。嘛 seaborn (

) 是一个调用 matplotlib 的统计绘图库，上图：

代码一行，后边的几乎都是一行，没做其他设置，默认就这样。我就不贴其他的代码了：

       g = sns.jointplot(x1, x2, kind="kde", size=7, space=0)      

这还有个更炫酷的可交互式的绘图，大家自己戳开看吧

哼哼，完爆了吧~~~~(≧▽≦)/~

out了，咱还在玩PPT，origin！

以下干货预警，非科研人员请迅速撤离ヽ(*。>Д<)o゜（软件和其他工具推荐见最末 ღ）

科学可视化通常被定义为以图片方式显示科学数据的过程，然而这个过程并不是直接或者是自动的。相同的数据可以采取很多不同的方法来展现，比如散点图、线形图、条形图和饼状图。此外，同样的数据使用相同类型的图来表示，在不同的人看来效果是非常不同的。对于科学可视化更准确的定义，是人与数据之间的图形交互界面。在这篇短文中，我们不会解释关于这个交互界面的所有内容，相关的介绍性工作请参见文献 [1]、[2]。我们的目标是提供一套改进图片设计的基本规则，并解释一些常见的误区。

来源 PLoS One

1. 了解你的受众

根据上述对科学可视化的定义，当视觉信息的接收方与内容传递一方的意图有显著差异时，问题就产生了。因此，在设计过程中尽早地确认图像的受众和信息是很重要的。视觉上的图形设计应该以此为依据。

如果你正在为自己和直接合作者制作一张图片，那么你可以跳过设计过程中的许多步骤，因为每个人都知道图片是关于什么的。然而，如果你打算在科学期刊上发表一张图片，那么你应该确保图片内容是正确的，并且把所有相关的信息传达给更广泛的读者。学生读者需要特别加以关注，因为在这种情况下，你的目标是解释一个概念。此时你可能需要添加额外的信息，以确保他们可以完全理解这个概念。最后，公众可能是更难理解图片内容的读者了，你需要设计一张简单的图片，可能只能表达近似的意义，只展示你研究中最突出的部分（图 1）。事实证明，这是一个困难的练习（详见参考文献 [3]）。

这张图片根据 2007 年在《纽约时报》（New York Times）上发布的一张图片重新制作。新图片使用了近似数据，用 matplotlib 绘制。数据由四个类别（男性死亡/病例，女性死亡/病例）组成并可以使用经典的双栏（死亡/病例）条形图表示。这里使用的布局比原图片更适合目标受众。这里他们利用了这样一个事实，即新的病例数总是大于相应的死亡人数，所以可以将两组数据对应的图像重叠起来。此外，他们还利用了阅读方向上的优势（《纽约时报》使用英语，阅读方向是从左到右），以便于男女之间的比较，同时图片中间的标签醒目展示了图片上的主要信息，即不同的癌症。

这张图片包含了理解它所需要的全部内容，清楚地传达了关于癌症死亡数量的信息。然而图片并不准确，图片所选择的布局使得读者实际上很难估计肾癌的死亡人数，因为它被标示在图片底部，而刻度标示在图片顶部。虽然这对于面向公众的出版物是可接受的，但如果在文章的其他地方没有给出实际数值，那么这在科学出版物中是不能接受的。

2. 明确图片要传达的信息

无论是在一篇文章还是一个时间有限的口头报告中，如果一个事实或者结论很难或不可能用简短的文字来表达，那么图片就派上了用场。在这种情况下，很重要的一点是要清楚地意识到图片所扮演的角色——图片隐含了怎样的信息，以及如何最好地呈现该信息。一旦明确了这点，这个信息将成为图片设计的有力指南，如图 2 所示。只有在明确了图片需要传达的信息后，才值得花时间改进你的图片，就像你在写文章时只有明确了要点之后才能遣词造句一样。如果你的图片能够让人一眼就能看到重要的信息，那么你的文章就有可能吸引更多的关注。

上丘（superior colliculus, SC）是位于多功能通路交叉点的脑干结构。有神经生理学研究表明，上丘中的活跃神经元群将视觉目标的位置编码，从而诱发眼球运动。从视网膜表面（左侧）到瞳孔表面（右侧）的投影基于一个标准的定量模型，其中一个对数映射函数描述了从视网膜坐标到瞳孔坐标的投影关系。这种对数映射在眼跳（saccade）的决策中起着重要作用。为了更好地说明这个作用，研究人员使用了人工棋盘图案，即使在实验中没有使用这种图案。这个棋盘图案清楚地显示了中央凹注视区域的极端放大，这就是图形的主要信息。

3. 使图片适应支持媒介

图片可以在各种媒体上展示，例如海报、计算机显示器、投影屏幕（如做口头报告时）或简单的纸张（如印刷品中）。每一种媒介都要求图片有不同的物理尺寸，而且更重要的是，每一种媒介都暗示着观看者和与图片交互的不同方式。例如，在做口头报告的时候，图片展示的时间比较有限。因此，观众必须快速理解图片内容及其含义，同时还要倾听你的解释。在这种情况下，图片必须保持简单，必须在视觉上突出信息，以便引起注意，如图 3 所示。同样重要的是，在口头报告中，图片将被视频投影并从远处看到，因此图片中的元素必须加粗（线条）或放大（点、文本），颜色应具有强烈的对比度，并且应避免垂直文本等。

而对于期刊文章，情况就截然不同，因为读者想看多久就能看多久，直到看懂图片为止。这意味着你可以在图片中添加很多细节，并且在图注里进行补充解释。考虑到现在越来越多的人在电脑屏幕上阅读文章，他们也有可能放大和拖动这个图片。

在理想情况下，每种类型的支持媒介都需要一张不同的图片。可千万别可从论文里复制一张图片到处贴，比如贴到口头报告的 PPT 里。

这两幅图片代表了对双粒子系统轨迹的相同模拟，其中两颗粒子之间存在相互作用：

系统可能以三种不同的状态结束，取决于不同的初始条件。左图是为期刊文章准备的，读者可以自由查看每个细节。红色一直用于表示初始条件（放大区域中的红点）和轨迹（红线）。为了突出轨迹重叠的区域（高色密度），增加了线条透明度。右图是口头报告准备的图片，因为图片的展示时间有限，观众无法仔细查看每一个图片细节，所以许多细节已被删除（轨迹数量减少，没有重叠的轨迹，刻度数减少，轴线加粗，刻度标签减少，没有标题，线条加粗）。此外，由于图片将在口头报告期间介绍，因此图片的一些部分已被修改，使它们更容易被口头描述（例如黄色框和红色虚线）。

4. 图注是必要的

无论是描述一个实验设置，引入一个新的模型，还是展示新的结果，你都不能解释图片本身中的所有内容——图片应该带有图注。图注解释了如何阅读图片，并为无法用图片表示的内容提供额外的准确信息。你可以认为它是你在口头陈述或活动海报前给出的解释，只是你必须提前考虑人们会问的问题。

例如，如果你有一张条形图，不要期望读者仅仅通过查看和测量图上的相对高度来猜测不同条形图的值。如果数值很重要，那么它们必须在文章的其他地方提供，或者在图上写得非常清楚。同样，如果图片中有一个令人感兴趣的点（关键域、特定点等），确保它在视觉上是清晰的，而且不要犹豫，在图注中再次指出。

5. 不要相信默认设置

所有的绘图库或者软件都带有默认设置。当用户没有指定任何设置时，这些默认设置就决定了图片的尺寸、字体、颜色、样式、刻度、标记等（图 4）。几乎所有的设置都是可以调整的，不过你通常可以一眼认出不同软件包（比如Matlab，Excel，Keynote 等）或者库（LaTeX，matplotlib，gnuplot 等）的特殊样式，这要归功于这些默认设置的选择。由于这些设置几乎可用于任何类型的绘图，因此它们并没有针对特定类型的绘图进行微调。换句话说，这些工具能画出任何类型的“足够好”的图片，但它们画出的图都不是最好的。

无论是为了让一张精确的图片更容易被广大读者看懂，还是为了根据数据本身性质来选择最佳的颜色图，所有图片都需要对不同设置进行一些手动调整，以便更好地表达信息。图 4 就展示了如何对一张使用 matplotlib 默认设置的图片进行调整，呈现更好的视觉效果。

左图为采用 matplotlib 默认设置绘制的正弦和余弦函数图像。虽然图片足够清晰，但是你还可以通过调整各种设置来进行改进，如右图所示。

6. 有效地使用颜色

颜色是人类视觉的一个重要维度，因此在科学图片的设计中也同样重要。然而，正如 Edward Tufte 所言，颜色可能是你最好的盟友，但如果使用不当也会变成你最大的敌人[1] 。如果你决定使用颜色，你应该考虑使用哪种颜色，以及在哪里使用它。例如，要想突出显示图片中的某些元素，你可以对该元素使用颜色，同时保持其他元素为灰色或黑色，这提供了增强效果。然而，如果你没有这样的需要，那就该问问自己：“这张图表是蓝色而不是黑色，这样做有什么理由吗？“如果你不知道答案，那么就让它保持黑色。对于彩色图片也是如此。不要使用默认的色图设置（例如墨黑色或彩虹色），除非有明确的理由这样做（参见图 5 和文献 [5]）。

这幅图使用三种不同的颜色设置表现了相同的信号，其中频率从左向右逐渐增加，强度从上到下逐渐增强。彩虹色图（rainbow colormap，定性）和地震色图（seismic colormap，发散）都不适合展示这样的信号，因为它们会隐藏高频区域（右下角）的细节信息。如果使用连续色图，比如最右紫色的色图，我们就更容易看到高频区域的细节。图片改编自文献 [5]。

色图传统上分为三大类：

渐变（sequential）：使用单一颜色的变化展示从低到高的定量数据；
分裂（diverging）：从一种颜色到另一种颜色的变化，用于突出显示与中位数的偏差；
定性（qualitative）：颜色的快速变化，主要用于离散或分类数据。

使用和你的数据最相关的色图。最后，避免使用过多相似的颜色，因为色盲人士可能在辨认某些颜色方面存在困难（详细解释见参考文献 [6]）。

7. 不要误导读者

科学图片与其它图片艺术品的区别在于数据的体现，数据需要尽可能客观地展示出来。根据定义，科学图片与数据（无论是实验设置、模型还是某些结果）相关联，如果你忽略了这种联系，可能会无意中表达出与预期不同的信息。

客观地表示结果并不简单。例如，你所使用的库或软件所做的一些隐式选择在大多数情况下都是准确的，但在某些情况下也可能误导读者。如果软件自动对数值进行缩放处理，你可能会获得数据的客观表示（因为标题、标签和刻度清楚地表明实际显示的内容），但是这些数据在视觉上具有误导性（请参见图 6 中的条形图）；你无意中误导了你的读者，使他们在视觉上相信你的数据中不存在的东西。

你还可能在设计上做出明确的错误选择，例如使用饼状图或三维图表来比较数量。这两种形式的图片会导致对数量的错误感知，你需要具备一些专业知识才能正确使用它们。根据经验，请务必始终使用最简单的绘图类型来传达你的信息，并确保使用相关的标签、刻度、标题和完整的数值范围。最后，不要犹豫，多多询问同事们如何理解你的图片吧。

在图的左侧，我们展示了四个值：30、20、15、10。在左上角，我们使用圆盘面积来表示数值，而左下方图片使用圆盘半径来表示。结果在视觉上非常不同。在后一种情况下（红色圆盘），最后一个值（10）与第一个值（30）相比显得非常小，然而这两个值之间的比率仅为 3∶1。这种情况在文献中实际上非常常见，因为用于生成圆或散点图（具有不同大小的点）的命令（或界面）使用半径作为默认值来指定圆盘大小。因此，使用半径长度表示一个数值看起来是合乎逻辑的，但这会产生误导。

在图的右侧，我们采用不同方法显示一个集合中的 10 个数值，对于顶部数值我们使用坐标的全范围（y 轴从 0 到 100），底部数值使用坐标的部分范围（y 轴从 80 到 100），并且我们没有明确地标记 y 轴，以增强混淆。这两组图形的视觉感受完全不同。对于右上方（黑色柱状图），我们倾向于将数值解释为非常相似的值；而在右下方，我们倾向于认为数值之间存在显著差异。即使我们使用标签来指明数值的实际范围，图片依旧会造成这样的效果，因为条形的长度就是图片中最显著的信息。

8. 避免“图表垃圾”

图表垃圾（chartjunk）指图片中所有不必要或混乱的视觉元素，这些元素不会改善信息的表示（在最好情况下），还可能增加混淆（在最坏情况下）。图表垃圾可能包括使用过多的颜色、过多的标签、毫无意义的彩色背景、无用的网格线等（参见图 7 的左侧部分）。Edward Tufte 在文献 [1] 中首次创造了这个术语，他认为任何不能为读者提供新信息的装饰都应该被禁止：“不管原因是什么，那些装饰中要么没有数据，要么包含冗余数据，而且通常是图表垃圾。”因此，为了避免产生图表垃圾，努力节约一点墨水，或者在计算机时代节约一点电力吧。在文献 [7] 中，Stephen Few 提醒我们在理想的情况下，图片应该“表示所有需要被查看和理解其意义的数据”。

不过，在一张图片中被视为图表垃圾的元素在另一张图片中可能是合理的。例如，在常规绘图中使用背景色通常是一个坏主意，因为它不会带来有用的信息；然而在图 7 的右侧，如标题中所述我们使用灰色背景框来表示 [−1，+1] 的研究范围。如果你有疑问，可以参考 Kaiser Fung 的博客 [8]，上面有许多案例分析，清楚地解释了图表垃圾的概念。

我们有同等重要的七个样本，为了直观地比较它们，我们想把它们全部展示出来（确切的信号值应该在别处给出）。左图展示了什么是最糟糕的设计：所有的曲线互相重叠，不同的颜色（软件自动作出了糟糕的选择）对区分它们并没有帮助。图例框盖住了部分图形，因此无法检查重叠区域中是否有任何有用的信息。此外还有很多问题：x 轴的坐标相互重叠，难以阅读，而且到小数点后三位的精确度似乎也不携带任何重要的信息。最后，图片中的网格并没有帮助，因为它没有与信号对齐，考虑到采样点的数量很少，可以认为数据是离散的。

而右图在同样面积的纸张上采用了完全不同的布局。这一系列数据被分为七个小图表，每一个表示一类数据，而其他数据组则利用淡色绘制于主要数据后面。数据的标签被放置在数据的左侧，这样避免了使用颜色和图例框。x 轴的坐标数值减少到 3 个，并用细线在所有的图表中表示出这三个数值。最后，y 轴的刻度被完全去除，并利用灰色背景框的高度表示 [-1, +1] 的数据范围（这点也要在图片标题中说明，就像图片要被用在文章里那样）。

9. 信息重于颜值

在制作图片方面，每个科学领域都有自己的一套最佳实践方法。了解这些标准很重要，因为它们有助于将模型、研究或实验进行更直接的比较。更重要的是，它们可以帮助你在结果中发现明显的错误。不过，大多数时候你可能需要设计一张全新的图片，因为在描述研究结果这方面并没有标准的方法。在这种情况下，浏览科学文献是一个很好的起点。如果某篇文章展示了一张惊人的图片，介绍与你的结果相似的信息，你可以参考它对自己的图片进行调整（请注意，我们没有说“复制”，请尊重图片版权）。

如果你转向网络，你必须非常小心，因为数据可视化、信息图形、设计和艺术之间的界限正在变得越来越模糊 [9]。网上存在着无数的图片，其中美学是第一标准，内容是第二标准。即使这些图片中有很多可能大家认为是美观的，它们中的大多数都不符合科学框架。记住，在科学中，图片的信息和可读性是最重要的方面，而美观只是一个选项，如图 8 所示。

这张图片是一个极端的案例，在这种情况下，即使图片的美感值得怀疑，其中的信息仍然非常清晰。恐怖谷理论是机器人技术领域的一个众所周知的假设，它将我们的舒适度与机器人与人类的相似程度联系起来。为了表示这个理论假设，研究人员使用了一个假设的数据来描述：

图片采用了一种手绘风格（类似对 matplotlib 的图片使用 xkcd “滤镜”），并配合卡通字体，以增强整体效果。横坐标也被移除，因为整体曲线的形状才是最重要的信息。使用手绘风格能向读者传达出这样的信息：图中数据仅为近似值，并且重要的是更高层次的整体概念，而不是低层次的细节。

10. 使用正确的工具

在绘制图片时，有许多工具可以让你更轻松，并且了解其中的一些可以为你节省大量时间。针对每个不同的图片类型，通常有一个专用工具可以完成你想要实现的目标。而至关重要的是，要了解你用于制作可视化图片的工具（软件或库）可能与你用于研究和/或分析数据的工具不同。你可以导出绘图工具中的数据，以便在其他工具中使用它。无论是绘制图表、设计实验示意图还是用数据作图，都有适合你的开源工具。它们只是等待着被发现和使用。下面是一小部分开源工具的介绍。

Matplotlib 是一个 python 绘图库，主要用于二维作图，但也支持一些三维作图，可以生成具有出版级品质的各种可拷贝格式和跨平台交互式环境的图片。 它还附带了一个大型图库，涵盖几乎所有科学领域：http://matplotlib.org/gallery.html

R 语言是关于统计计算和图形的语言环境。R 语言提供各种统计功能（线性和非线性建模，经典统计测试，时间序列分析，分类，聚类等）和图形技术，并且具有高度可扩展性。

Inkscape 是一个专业的矢量图片编辑器。它允许设计复杂的图形，例如它可以用于改进脚本生成的图片或读取 PDF 文件，以便让你用各种方式提取图形和进行转换。

TikZ 和 PGF 是用于以编程方式创建图形的 TeX 包。 TikZ 建立在 PGF 之上，允许你以相当直观和简单的方式创建复杂的图形，如 Tikz 图库所示：http://www.texample.net/tikz/examples/all/

GIMP 是 GNU 图像处理程序。它适用于照片修饰、图像合成和图像创作等任务。如果需要快速修饰图像或添加一些图例、标签，GIMP 就是完美的工具。

ImageMagick 是一个软件套件，用于从命令行创建，编辑，编写或转换位图图像。 它可用于快速将图像转换为另一种格式，Fred Weinhaus 的巨大脚本库还将提供你要实现的几乎任何效果：
http://www.fmwconcepts.com/imagemagick/index.php

D3.js 简称 D3，即数据驱动文档（Data-Driven Documents）。这是一个 JavaScript 库，它提供了一种简单的方法来创建和控制在 Web 浏览器中运行的基于数据的交互式图形表单：
http://github.com/mbostock/d3/wiki/Gallery

Cytoscape 是一个软件平台，用于可视化复杂网络，并将其与任何类型的属性数据（attribute data）进行整合。如果你的数据或结果非常复杂，Cytoscape 可能会帮助你减轻这种复杂性。

Circos 最初的设计方向是用于可视化基因组数据，但它也可以根据任何领域的数据创建图片。如果你的数据在一个或多个尺度上描述了描述一个或多个比例的关系或多层注释的数据，那么 Circos 就非常有用。

注：文章中的所有图片均由 matplotlib 绘制而成，图片脚本可在https://github.com/rougier/ten-rules 获得。

参考文献

1. Tufte EG (1983) The Visual Display of Quantitative Information. Cheshire, Connecticut: Graphics Press.

2. Doumont JL (2009) Trees, maps, and theorems. Brussels: Principiae.

3. Kosara R, Mackinlay J (2013) Storytelling: The next step for visualization. IEEE Comput 46: 44–50. 文章链接

4. Rougier NP (2012) Scientific visualization and matplotlib tutorial. Euroscipy 2012 & 2013. Available: http://www.loria.fr/~rougier/teaching/matplotlib/matplotlib.html. Accessed 12 August 2014.

5.Borland D, Taylor RM (2007) Rainbow color map (still) considered harmful. IEEE Comput Graph Appl 27: 14–17. 文章链接

6. Okabe M, Ito K (2008). Color universal design (cud) - how to make figures and presentations that are friendly to colorblind people. Available: http://jfly.iam.u-tokyo.ac.jp/color/. Accessed 12 August 2014.

7. Few S (2011) The chartjunk debate, a close examination of recent findings. Visual Business Intelligence Newsletter. Available: http://www.perceptualedge.com/articles/visual_business_intelligence/the_chartjunk_debate.pdf. Accessed 12 August 2014.

8. Fung K (2005). Junk charts: Recycling chartjunk as junk art. Available: http://junkcharts.typepad.com. Accessed 12 August 2014.

9. Borkin MA, Vo AA, Bylinskii Z, Isola P, Sunkavalli S, et al. (2013) What makes a visualization memorable? IEEE Trans Vis Comput Graph 19: 2306–2315. 文章链接

10. Schumann J, Strothotte T, Raab A, Laser S (1996) Assessing the effect of non-photorealistic rendered images in cad. In: Proceedings of the SIGCHI Conference on Human Factors in Computing Systems; 13–18 April 1996; New York, New York, United States. CHI 96. New York: Association for Computing Machinery. pp.35–41.

今天我给大家介绍几个画图漂亮且免费好用的软件。

如今作图软件众多，想要画出那种顶级插图还是需要那些复杂一些的工具比如R，或者付费的软件像Orgin这类的，但是对于我们普通人有一些简单免费的软件也可以帮助我们画出漂亮的插图。

科研论文中有很多类型的图，实验结果照片、流程图、示意图、数据图等等，下面我就给大家分别推荐几个好用免费的绘图软件，最后还会为大家介绍最重要的颜色搭配工具，让你的图片充满艺术美感。

1、数据图

① Veusz 下载地址链接：https://veusz.github.io/.

科研绘图不止于Origin。免费是Veusz最大的优势！

Veusz是Jeremy Sanders博士在读博做科研期间，发现其他绘图软件的很多功能，并未站在使用者的角度设计，故他自己重新编写了一个小巧且非常适合科研人员绘制科研数据图的软件。

Veusz软件界面非常友好，操作逻辑跟常用绘图软件相似，让你轻松上手。绘图效果非常专业，Jeremy Sanders博士比你更懂数据展示！如果你担心Veusz功能不够强大，那你就多虑了！导入数据、常见数据集、源码编译、文本标注、各种3D绘图不在话下，数据拟合也是小菜一碟。

Veusz 是一个用来绘制各种科学图表的Python程序库，并且可在Windows，Linux / Unix和MacOS上运行，支持矢量和位图输出，包括PDF，Postscript，SVG和EMF文档。包含一个易用的图形化界面，同时也有一些命令行接口以便直接在Python程序中调用。软件占用内存极小，仅24MB不到，相对Origin的600MB，真是轻巧。

② SciDAVis 下载地址链接：http://scidavis.sourceforge.net/

SciDAVis是一款跨平台的免费开源科研绘图软件，基本使用功能和Origin 相同，而且可以打开Origin创建的文件，用于交互式科学图形和数据分析。

开发始于2007年，是QtiPlot的分支，而QtiPlot则是Origin的克隆，推荐大家使用。简单来说就是一款免费版的Origin，支持Windows、Mac和Linux全平台的操作系统。

SciDAVis官方版是一款相当出色的专业化科学绘图工具，SciDAVis最新版功能强劲，能够帮助用户轻松进行作表、矩阵、图表、注释等等一系列绘图操作，SciDAVis软件操作界面十分的简洁，便捷好用，还支持多级撤销功能，防止出错，图形还可以输出到各种格式，比如svg格式（矢量图）。软件界面展示不用汉化破解，操作界面逻辑十分友好。

SciDAVis同时解决了Origin多语言支持问题，语言切换方法步骤：点击Edit-Preferences，Application-Language下拉菜单里，就可以选择中文了。支持英文、中文、日文和法文在内的十余种语言。不仅轻巧上手快，最重要的是多平台免费使用！

2、流程图

Drawio这款软件最大的特点就是完全免费，而且更新的非常快，经常会修正Bug和一些问题。
而且支持中文语言，下面就让我们来看一下吧。

Drawio在功能上，更像是SmartArt和Visio的结合，去掉了一些花里胡哨的功能，着重在导图的绘制上增加功能，当然最重要一点是，软件完全免费。

安装好后，打开软件，软件会根据系统语言自动进行切换。

进入后软件会提示我们进入新建页面，这里“Drawio”会给出各种各样的模板，从普通的流程图到韦恩图，应有尽有，就连电路图都有，而且全部免费，无限制使用。

当然，通常来说，流程图我们选择空白框图即可。

软件的操作页面一览无余，和Visio复杂繁琐的页面相比Drawio则显得非常简单，简单但不简陋，该有的功能一样不缺，甚至在文本框之间的线条连接上，做的比Visio还要美观自然。

新建画布后，在左侧选择不同的文本框进行文字的添加。

在挪动文本框时，软件也会用横纵坐标来标记文本框的位置方便我们操作。左侧的栏目中，我们可以根据需求选择不同样式的文本框，甚至是表格进行添加。

在左侧的【通用】【杂项】【高级】部分，分别对应着不同的文本框。

【通用】大部分都是不同的形状，
【杂项】中是不同的表格和一些稍微复杂的箭头，
【高级】中则是很多复杂的图标，甚至是流程图中还能嵌套一个小的流程图，这样的操作也可以在【高级】中实现。

选择好合适的文本框后，“点击”即可出现在操作画布中。

点击刚刚插入的文本框，我们可以在软件页面的右侧进行各种详细的操作，

在样式中，我们可以选择文本框的边框、背景、透明度；

文本中则可以设置文字的字体和大小等内容；

调整图形可以让我们对文本框的位置和角度进行微调，做到鼠标调整无法实现的精细操作。

设置好文本框和内容后，我们需要在不同的文本框之间进行连接，从而丰富我们的层级和文本框之间的关系。

在线条上，Drawio也提供各种各样的连接线。可以在文本框之间，进行折线、弧线、双线等线条的连接。

选择想要的连接方式后，直接在文本框的相应位置点击即可，软件内置的找平和对齐功能比较强大，不用像Visio一样花很长的时间把连接线找齐。

利用好上述功能，包括不同的文本框和内置图片的组合，我们能做出很多比较个性的流程图模板。

当然Drawio内置的各种模板也比较强大，可以在新建导图时直接套用合适的模板，也能省掉不少的时间。

三、示意图

有很多小伙伴都非常羡慕那些精美的示意图，可以将文章的主要内容浓缩到一张精美的图中，看着非常高大上，其实这些图用PPT就可以画了下面我就用PPT来画个磷脂双分子层做个例子。

细胞膜的绘制

为了方便学习，小编将详细绘图过程用下图展现。素材选择方面，基本上所有的形状都可以在PPT默认形状工具里选择到，只需要自己搭配色彩即可。

PPT插件推荐

通过上面的举例我们发现利用PPT也可以绘制我们的细胞结构，但是在操作上还是有点不方便，比较繁琐，这时候我们就要在这里推荐一些专门为科研绘图开发的一些PPT插件了，有了这些插件，大家在PPT中也可以轻松绘制出漂亮专业的科研绘图。

ScienceSlides 2016

ScienceSlides 2016版是一个功能强大的PPT插件，其中包含多个生物医学相关分子模块，可以直接通过工具条插入使用这些对象，能大大提高做PPT的效率和绘图的可视化程度。

新版ScienceSlide2016的素材分为七大类，包括常用形状、生物学、生物化学、药理学、实验方法、信号通路和分子病理模型。具体的内容小编就不在这里展示了。需要的用户自己选择需要的模块即可。

插入这些素材的方法也超级简单，下面小编进行举例说明。

选择一个需要的模块素材，选择Insert，即可插入到PPT中。下面以“信号通路”中ROS在Apoptosis中的调控通路。

最后插入PPT的图片，如下图所示。而且这些素材都可以在PPT中随意移动和删除，大家可以根据需要适当删减。

然后可以按照我们上面提到的PPT绘图过程就可以绘制出更漂亮的通路图了。

提示一下大家，PPT图片导出的时候选择PDF。PDF的矢量图更适合后期AI和PS编辑，且能保证分辨率。

4、配色

配色对于一个图片，可以说是灵魂了。

下图是同一张图片的不同配色方案，是不是对比的效果非常明显，右图的配色要比左图的清爽许多，显然颜色的搭配非常重要。

下面就为大家分享一些十分好用的配色网站，助力大家的科研绘图工作。

01 ColorSpace

网站名称：ColorSpace
网站地址：https://mycolor.space/

ColorSpace 是一个在线调色板生成工具，只需要输入主色调颜色号，一键就可以生成优秀的配色方案，配色方案有多种类型可供选择，如通用渐变（Generic Gradient）、匹配梯度（Matching Gradient）、调色板（Matching Gradient）、扭曲点调色板（Twisted Spot Palette）等。
在使用时，单击色块，就可以直接选中色块对应的颜色号，方便我们使用绘图软件如Origin、PS等直接使用。

除了基本的调色板模式外，ColorSpace还提供了渐变色和三色渐变这两种配色模式，如果需要生成渐变色，只需输入颜色号，点击“GENERATE”即可生成渐变色。

02 Adobe Color

网站名称：Adobe Color
网站地址：https://color.adobe.com/zh/create/color-wheel

Adobe Color是Adobe家自产的配色网站，不仅提供现成的配色方案，还支持从自己喜欢的图片中提取配色和渐变，以及获取某些期刊要求的色盲友好和对比度友好的配色。

Adobe Color主要有「创建」、「探索」及「趋势」三大主题。在「创建」处提供色轮配色、从图片抓取主题色及渐变色，还有个就是色盲冲突颜色检测。从图片中抓取主题色是很实用的一个功能，我们可以选择一些大师的作品获取高级配色方案，根据要求我们可以选择彩色、亮色、柔色、深色、暗色，并且可以自己移动色标，选取喜欢的颜色。

同样的方法，我们也可以从图片中提取渐变色，左侧“渐层色标”可以增加或者减少色标的数目，下方有对应色标的各种颜色代码，可以直接复制使用。

很多期刊比如nature对配色要求色盲友好，Adobe color可以做到这一点。在“协助工具”处可以通过色轮选择配色方案，若配色不合适，会有警告提示。

在「探索」中可输入关键字搜索相关图片的用色，如我们搜索“月光”，可以获得一系列与主题相关的配色方案。

「趋势」则是提供从Behance和Adobe Stock的创意社群中，探索不同行业目前的色彩趋势。

Adobe Color相比于其它配色网站来说，功能更加强大。如果有Adobe账号，我们可以将中意的配色方案储存起来，也可很方便地与Adobe系列产品如PS、AI等联用。

如果您现在急需好看的图片，您也可以来找我们投必得，投必得为广大科研工作者提供各类图片、海报、幻灯片、视频设计与制作服务。

如果大家有作图需求可以私信联系我哦~

这里是投必得——全专业顶级论文润色专家，有关于论文润色发表的问题都可以和我讨论，我们下一篇文章再见~

投必得SCI写作神器大集合！

1. 同学们在写论文的时候发现了哪些神仙级网站？
2. 参加培训写SCI，7000元值得吗？
3. 有哪些好的科研习惯？
4. 撰写 SCI 论文时，有什么好用的软件或者技巧吗？
5. 我有一篇论文写好了，去哪可以找到合适的期刊呢？
6. sci-hub所有的网址都已经挂掉了，不能用！像我这种每天都要看文献，公司又没有买数据库的该怎么办！？
7. 怎样有效率地进行外文文献检索？
8. 该如何学习 R 语言？

如果您觉得我说的还有点意思，请点赞让我感到您的支持，您的支持是我写作最大的动力~

ijournal：高颜值的期刊检索网站，助您快速找到理想目标期刊（weixin小程序也上线了哦）

投必得：全专业中英文论文润色编辑助力您的论文快速发表，点击了解业务详情

专栏传送门：
投必得科研软件安装使用手册；投必得：SCI期刊介绍与选择；投必得，教你写论文；投必得统计分析大讲堂；投必得科研生活解忧杂货店