做科研的人，写论文时最头疼的事情之一，大概就是怎么把数据“说清楚”。我们习惯用柱状图加误差棒，或者箱线图，一眼看上去很干净，但仔细一看，经常会发现它们把分布形状、个体差异、甚至是否存在多峰，都藏起来了。读者看到的只是一个均值和置信区间，却很难判断这个效应到底靠不靠谱，或者背后数据是不是有异常模式。
2019年前后，Micah Allen、Davide Poggiali、Kirstie Whitaker等人提出的云雨图（Raincloud Plot），就是在这种背景下出现的。它把概率密度（云）、原始数据点（雨）和中心趋势统计量（通常是箱线图或均值）叠在一起，既保留了“一眼能看出差异”的直观性，又把底层数据尽量摊开。
在其论文中，还配套了R、Python、MATLAB的开源代码，之后在心理学、神经科学、医学等多个领域慢慢流行起来。
这篇文章我想尽量实在地介绍：它到底是什么、什么时候用最合适、以及目前主流的几种画法。希望能帮到那些正在准备投稿、或者想把图表做得更透明的同事。
什么是云雨图（Raincloud Plot）？
云雨图本质上是一种组合可视化。它通常由三部分构成：
1. 云（Cloud）：半小提琴图（half-violin / split-half violin），也就是只画概率密度的一边，避免传统小提琴图对称镜像带来的冗余。
2. 雨（Rain）：抖动后的原始数据点（jittered points / strip plot / beeswarm），让每一条观测都可见。
3. 统计摘要：常加箱线图（显示中位数、四分位距、异常值），或者均值+置信区间。
名字的由来很形象：半小提琴像云，数据点像雨点落下来，合在一起就成了“雨云”。它既不是单纯的小提琴图，也不是单纯的散点图，而是把分布形状、个体位置和汇总统计放在同一幅图里，尽量减少信息损失。
雨云图示例（来源：https://wellcomeopenresearch.org/articles/4-63/v2）
经典文献里，Allen等人特别强调它解决了柱状图和箱线图的两个常见问题：一是隐藏了数据分布（比如偏态、多峰），二是掩盖了样本量与个体模式。半小提琴只画一边，也符合Tufte提出的“数据墨水比”原则——不画多余的对称部分。
云雨图适用场景
不是所有数据都适合云雨图，但下面这些情况它往往比柱状图或普通箱线图更有说服力：
- 样本量中等、需要展示分布形状时。比如每组n在20–200之间，既想看中位数差异，又想知道数据是否偏态、是否有双峰。临床量表、行为实验反应时、基因表达量这类连续变量很常见。
- 组间比较，尤其关心个体变异。心理学、神经科学里的组别设计（对照组 vs 实验组）、药物试验前后对比，都能用它同时看到“整体趋势”和“每个人的位置”。
- 重复测量或配对数据。现在的`ggrain`等包支持用线把同一个体前后点连起来，能直观看到谁上升、谁下降、变异是否缩小。
- 探索性分析或开放科学报告。当审稿人要求“请展示原始数据”时，云雨图比单纯加散点的箱线图更完整；也方便读者自己判断统计假设是否合理。
- 需要兼顾美观与信息量的投稿图。很多期刊现在更欢迎透明可视化，云雨图在Psychonomic Bulletin & Review等期刊里的使用比例已明显上升。
不太适合的情况也要心里有数：样本量极小（n<10）时密度估计不稳定；组数特别多（>10）时图会变得拥挤；分类数据或严格的有序量表有时用其他图更合适。
总之，它的核心优势是透明：读者能同时看到“云”的形状、“雨”的个体和摘要统计，减少“只看均值就下结论”的风险。
如何画云雨图
目前主流实现主要集中在R和Python，MATLAB也有官方函数。下面按常用程度简单列出，代码都尽量可直接运行。
1. R
推荐：ggrain包（CRAN可直接安装）
R
install.packages("ggrain")
library(ggrain)
library(ggplot2)
# 最简单的例子：iris数据
ggplot(iris, aes(Species, Sepal.Length, fill = Species)) +
geom_rain() +
theme_classic() +
scale_fill_brewer(palette = "Dark2")
geom_rain()默认把半小提琴、箱线图和抖动点组合在一起。常用参数：
- rain.side = "l"或 "r"：雨点放左边还是右边
- id.long.var：重复测量时连接同一个体的线
- 各组件可用violin.args、boxplot.args、point.args单独调整透明度、颜色等
更早期的raincloudplots包（https://github.com/jorvlan/raincloudplots ）也很好用，尤其适合1×1、2×2等设计。原始教程脚本在RainCloudPlots仓库的tutorial_R文件夹。
用ggdist也可以自己拼：
R
library(ggdist)
# 半眼图 + 点间隔 的组合也能做出类似效果
2. Python
ptitprince包
bash
pip install ptitprince
python
import ptitprince as pt
import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset("iris")
f, ax = plt.subplots(figsize=(7, 5))
pt.RainCloud(x="species", y="sepal_length", data=df,
palette="Set2", bw=0.2, width_viol=0.6,
ax=ax, orient="h")
plt.show()
另外还有raincloudpy等较新的实现，支持密度对齐的散点。
3. 其他
- MATLAB：从R2023b起有raincloudplot函数，直接传向量或矩阵即可。
- JASP等统计软件也开始内置云雨图选项，适合不太写代码的用户。
画图时建议注意几点：
- 半小提琴的带宽要根据数据调整，过平滑会掩盖多峰。
- 抖动宽度适中，避免点重叠严重。
- 颜色尽量用色盲友好的调色板，并考虑黑白打印。
- 如果投稿，记得在图注里说明“半小提琴显示密度估计，箱线图显示中位数与四分位距，点为原始观测”。
原论文和GitHub仓库提供了大量可复现的教程（https://github.com/RainCloudPlots/RainCloudPlots ），从最基础的柱状图对比到重复测量、因子设计都有，建议直接下载代码改自己的数据。
最后
云雨图不是万能的，但它确实把“展示分布 + 展示个体 + 展示摘要”这件事做得比较干净。对很多需要报告组间差异或前后变化的科研工作来说，它能减少读者（和审稿人）的猜疑，也更符合当前开放科学对透明可视化的要求。
如果你正在准备下一篇投稿，不妨先用自己的数据试画一张，对比一下原来的柱状图或箱线图——很多时候差异会比想象中明显。
