科研绘图类型大全｜常用图表分类与选用指南

做科研的人，大概都经历过这种时刻：数据跑出来了，统计检验也做完了，可到了画图这一步，却发现脑子里只有箱线图、柱状图和散点图这三板斧。结果图千篇一律，审稿人一眼就看出“数据展示不够充分”，或者直接建议“请换用更能体现分布特征的图表”。

其实科研绘图远不止这几种。选择合适的图表，本质上是在用视觉语言精准传递你想强调的信息——是分布形态、组间差异、变量关系，还是时间趋势、模型性能？下面按分析目的把常见且实用的图表类型梳理一遍，方便大家在投稿前对照自己的数据需求来选。

1. 展示数据分布与构成

箱线图是经典的分布展示工具，但它只给出了五数概括，很多时候还不够。如果想更细腻地呈现数据形态，可以考虑：

• 小提琴图（Violin Plot）：把箱线图和核密度估计结合在一起。它不仅能显示中位数、四分位数，还能直观看出数据在不同区间的密度。样本量稍大时，小提琴图往往比单纯的箱线图更有说服力。
• 直方图 / 密度图（Histogram / Density Plot）：最直接的连续变量频率分布展示方式。直方图适合看频数，密度图则更平滑，便于比较多组分布的重叠情况。
• 云雨图（Raincloud Plot）：近年来顶刊里出现频率明显上升。它把原始数据点（“雨”）、密度曲线（“云”）和箱线图（或均值±误差）叠在一起，信息密度很高，既能看到整体分布，又不丢掉个体信息。

这几种图特别适合需要回答“数据到底长什么样”的场景，比如检查正态性、观察偏态或发现潜在的多峰分布。

2. 展示组间差异与比较

比较不同组别的均值或中位数是最常见的需求之一。

• 柱状图 / 条形图（Bar Plot）：基础且清晰，配合误差线（标准差或标准误）可以快速呈现组间差异。但要注意：如果样本量不大，柱状图容易掩盖原始数据的离散程度。
• 散点图 / 蜂群图（Scatter Plot / Swarm Plot）：当每组样本量不太大时，直接把所有原始点画出来，往往比只画均值+误差线更诚实。蜂群图通过抖动避免点重叠，视觉上更干净，也更便于审稿人判断效应是否真实存在。

实践中很多人会把柱状图和蜂群图叠加使用：柱子表示汇总统计量，点表示原始数据，信息更完整。

3. 展示变量间的关系与相关性

当研究重点从“组间比较”转向“变量之间是否有关联”时，需要换一批工具。

• 气泡图（Bubble Chart）：在散点图基础上增加气泡大小和颜色两个维度，特别适合展示三到四个变量的关系。基因表达分析里常见的“气泡图”就是典型应用。
• 热力图（Heatmap）：用颜色深浅映射矩阵数值，非常适合相关系数矩阵、基因表达矩阵或距离矩阵。搭配聚类树状图后，还能直接看出样本或基因的分组结构。
• 线性回归 / 拟合曲线图：在散点图上叠加趋势线和置信区间，能直观展示线性或非线性关系的强度与方向。记得报告回归系数、R²和P值，图文结合说服力更强。

4. 展示时间趋势与生存分析

时间序列和生存数据有专门的标准可视化方式。

• 折线图 / 面积图（Line Plot / Area Plot）：展示连续变量随时间（或剂量、浓度等）的变化趋势。面积图在强调累积量或占比变化时更有视觉冲击力。
• Kaplan-Meier 生存曲线：临床和生物医学研究中的标准生存分析图。配合 Log-rank 检验结果，是生存数据展示的“刚需”。
• 瀑布图（Waterfall Plot）：常用于展示个体层面的变化幅度（如肿瘤缩小百分比），在肿瘤学和转化医学论文中出现频率很高。

5. 展示高维数据与模型评估

当数据维度升高，或者需要评估模型性能时，常规二维图往往不够用。

• 降维图（PCA / UMAP / t-SNE）：把高维数据（单细胞测序、代谢组、影像特征等）投影到二维或三维空间，观察样本聚类或离散情况。UMAP 和 t-SNE 更擅长揭示局部结构，PCA 则更强调全局方差。
• ROC 曲线 / AUC 曲线：评估二分类模型（诊断模型、预测模型）性能的经典工具。AUC 值越大，模型区分能力越强。
• 森林图（Forest Plot）：Meta 分析和多变量回归结果的标准展示方式，能同时呈现效应量、置信区间和权重。
• 列线图（Nomogram）：把复杂的回归模型（如 Cox 模型）转化为可视化评分工具，方便临床预测个体风险，实用性强。

6. 展示比例、流程与网络关系

最后一类关注的是“部分与整体”或“实体之间的连接”。

• 饼图 / 环形图（Pie / Donut Chart）：展示各部分占比。建议类别控制在 6 个以内，否则视觉可读性会急剧下降。环形图中间可放总数或关键标签，信息更紧凑。
• 桑基图（Sankey Diagram）：展示数据在不同状态、阶段之间的流动与转化比例，特别适合追踪样本流失、通路转换或患者流向。
• 韦恩图 / Upset 图（Venn / Upset Plot）：展示多个集合的交集关系。集合超过 4–5 个时，Upset 图通常比韦恩图更清晰。
• 网络图（Network Plot）：展示基因、蛋白、作者或文本实体之间的相互作用（如 PPI 网络、共现网络）。节点大小、边的粗细和颜色都可以承载额外信息。

选图时没有绝对的“最好”，只有“最合适”。核心原则是：图要回答你最想让读者看到的那个问题。如果只是想比较组间均值，柱状图+误差线就够了；如果想让审稿人看到原始数据的离散和分布形态，云雨图或蜂群图往往更有说服力。投稿前不妨问自己三个问题：

1. 这张图最想强调的是什么信息？
2. 当前图表是否完整呈现了数据的关键特征（分布、离散、异常值）？
3. 审稿人能不能仅凭图就大致理解主要结论？

把这些问题想清楚，再动手画图，效率和说服力都会明显提升。希望这份类型梳理能帮你在写稿和改稿时少走一些弯路。