Skill/数据分析/Scientific Visualization
数据分析 55.5k 仓库 Star

Scientific Visualization

把数据画成可核对的图

Scientific Visualization 是科研图表制作 Skill,围绕真实数据、研究问题和最终使用场合设计图形。它关注数据编码、误差表达、配色可辨认与多图排版,再用代码生成并检查导出结果,适合论文、研究报告和技术汇报中的数据展示。

你需要准备:真实数据、变量定义、图表目的和输出尺寸

一桉AI 整理 · 2026.10.31 更新 · 查看 GitHub 来源

待试用:来源已核,尚未在 Codex 实测。先检查条件,再用小任务验证。

Scientific Visualization 能帮你做什么?

  • 选择诚实清楚的图形

    先明确图表要回答的问题,再选择坐标和图形,说明平滑、断轴或变换等处理,避免用视觉效果放大数据差异。

  • 呈现不确定性与多组结果

    按真实分析结果展示区间或误差,处理多面板、单位与图例,检查灰度和颜色区分,避免只靠颜色传递信息。

  • 生成并检查交付文件

    使用合适的 Python 绘图库导出图形,记录生成设置,并检查尺寸、分辨率、字体等文件属性;投稿要求需另行核对。

什么时候适合用?

下面是用法示例,可换成你的材料和目标。

  • 示例:整理实验结果图

    把多组实验数据绘制为统一风格的多面板图,清楚标出样本和不确定性,附上可重复生成的代码。

  • 示例:准备期刊投稿图

    提供目标期刊、文章类型和当前要求,调整图形尺寸与导出格式,再检查文件属性和实际显示效果。

怎么开始使用?

从材料到结果流程示意,非实测结果

你提供的材料

准备这些材料科学数据制图

真实数据、变量定义、图表目的和输出尺寸

处理流程示意

  1. 01

    核对数据和展示目的

  2. 02

    制作图表与标注

  3. 03

    预览并检查导出质量

准备什么,会得到什么?

准备的材料
真实数据、变量定义、图表目的和输出尺寸
交付的结果
  • 图表文件与可重复生成的绘图代码。
  • 图表设置、数据处理及导出检查说明。

使用前要知道

需要真实数据及相应 Python 绘图环境;部分导出方式依赖浏览器。当前保持试用状态。文件属性检查不能证明科学结论正确,也不能代替目标期刊最新规范和人工审图。

常见问题

保存成 SVG 或 PDF,就一定全是矢量图吗?

不一定。部分绘图方式会在这些文件中嵌入位图,例如某些网页图形渲染。需要检查实际导出内容,再判断缩放清晰度和编辑能力。

它能保证图片完全符合期刊要求吗?

不能仅凭脚本保证。需要核对目标期刊和文章类型的最新要求,检查实际文件;分辨率等检查通过,也不代表图表表达和科学内容都符合要求。

GitHub 与官方参考

依据项目说明与参考文档整理。页面中的任务与流程示例用于说明用法。

  • Scientific Visualization SKILL.md ↗2026-10-31 核对
来源与使用条件
原始项目
K-Dense-AI/scientific-agent-skills ↗
Skill 名称
scientific-visualization
Skill 目录
skills/scientific-visualization
仓库 Star
55,487 · 2026-10-31 核对,仅代表仓库关注度。
许可说明
MIT
使用条件
需要 Python 3.11+、uv 和按任务选择的 Matplotlib、Seaborn 或 Plotly。PNG/PDF 检查按需用 Pillow/pypdf;Plotly 静态导出的 Kaleido 需要 Chrome/Chromium。
注意事项
README 明确支持 Codex,采用 MIT 许可。应提供真实数据并核对目标尺寸和期刊要求;来源已核,本站未实测,待试用。
查看安装与使用提示词
请帮我准备并使用 Scientific Visualization Skill,完成下面的任务。请实际执行当前环境允许的安装与检查,不要只返回一份安装教程。

【来源与目标】
原始仓库:https://github.com/K-Dense-AI/scientific-agent-skills
所选目录:skills/scientific-visualization
参考分支:main
原始目录 frontmatter name:scientific-visualization
安装后的目标调用名:scientific-visualization
来源页面:https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/scientific-visualization
安装路线核对日期:2026-11-01
Scientific Visualization 当前指令与依赖:https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/scientific-visualization/SKILL.md
OpenAI:Codex 本地 Skill 位置、调用与自动发现:https://learn.chatgpt.com/docs/build-skills
上游安装方式与按任务准备独立依赖:https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/README.md
仓库开发环境与 Skill 依赖的区别:https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/pyproject.toml

【先检查环境,再安装】
先识别操作系统、当前 shell、工作目录、同名 Skill 和已有工具;命令须适配实际平台并正确处理带空格的路径。默认安装到当前项目的 .agents/skills;如果没有可用项目目录,再使用用户目录的 .agents/skills。遵循当前 Codex 实际支持的位置;上游 CLI 或插件有专用目录时使用其正式方案。检查现有安装来源与完整性,能复用就复用,不重复注册相同来源、不覆盖用户修改。系统内置与所选第三方来源同名时保留系统版,明确区分来源和实际目录,不能只凭名称认定装过或选对了。
下文 ~/.agents/skills 是用户级路径示例;已选项目范围时,使用项目的 .agents/skills 并保持相同子目录层级。<SKILL_DIR>、<项目根目录> 等占位符须先换成核对过的真实路径再执行。依赖仓库的存放目录与 Codex 发现入口分别处理,不把缓存目录当作已注册入口。
这是完整目录安装路线。优先使用当前 Codex 自带的 $skill-installer,明确传入仓库 K-Dense-AI/scientific-agent-skills、目录 skills/scientific-visualization、分支 main、安装名 scientific-visualization,并把 --dest 设为已解析的目标 .agents/skills 绝对路径。目录为“.”时表示仓库根目录,仍要传入安装名。不要猜测安装器在本机的固定路径。如果没有内置安装器,按下列项目说明从原仓库获取完整目录,保留全部配套文件。

所选 Skill 的具体安装步骤:
1. 仅完整安装 K-Dense-AI/scientific-agent-skills 的 skills/scientific-visualization 到 ~/.agents/skills/scientific-visualization/;只用于项目时改用 .agents/skills/scientific-visualization/。从完整 checkout 递归复制或用支持完整目录的安装器获取,保留同目录相对结构。
2. 先核对同名安装来源,避免覆盖本地修改或并装两个版本;<SKILL_DIR> 使用安装绝对路径。不要把仓库根 pyproject 的扫描/开发环境当作本项运行环境,也不默认安装其余 176 项。
3. 核心脚本最低 Python3.11;复现源文的固定示例使用 Python3.13 与 uv。按任务选择 Matplotlib/Seaborn 或 Plotly,不能把最低脚本版本当作完整快照的兼容保证。
4. 源文快照为 matplotlib==3.11.2、seaborn==0.13.2、plotly==7.1.0、kaleido==1.4.0、pillow==12.3.0、pypdf==6.19.0。可在独立环境安装所需子集并记录实际解析版本。
5. Plotly 静态导出额外需要兼容 Chrome/Chromium;它不再随 Kaleido 自动附带。离线使用数学公式/地图等资源时检查本地依赖,缺浏览器不声称能静态导出。
6. 安装后核对 SKILL.md 的 name 与调用名一致;Codex 会自动发现变更。先在 Skill 列表查找,未出现时再新建聊天或重载,不把重启写成每次必做。

必须保留的资源:
- skills/scientific-visualization/SKILL.md
- skills/scientific-visualization/scripts/(含 _common.py、style_presets.py、图像/配色/导出工具)
- skills/scientific-visualization/assets/(mplstyle、color_palettes.py、publisher_profiles.json)
- skills/scientific-visualization/references/

已知依赖:需要 Python 3.11+、uv 和按任务选择的 Matplotlib、Seaborn 或 Plotly。PNG/PDF 检查按需用 Pillow/pypdf;Plotly 静态导出的 Kaleido 需要 Chrome/Chromium。
原项目许可:MIT
特别条件:README 明确支持 Codex,采用 MIT 许可。应提供真实数据并核对目标尺寸和期刊要求;来源已核,本站未实测,待试用。
此项仍为待试用;先核对 Codex 兼容性,再进行小范围验证,不把来源核对当作已运行实测。
需要账号、密钥或服务时先检查现有可用连接;让用户在官方授权或本地配置入口完成,不要求把密钥粘贴到聊天。缺少付费服务或不支持的客户端能力时,明确剩余条件与可完成的范围。

【安装后验收】
读取实际安装位置的 SKILL.md,核对真实 name,并检查它引用的脚本、模板、共享文件与工具是否存在。若上游已迁移路径或更名,先核对正式说明再调整;找不到则报告实际错误,不猜路径或宣称成功。
1. 检查 Python 与 uv 版本,在所选环境仅导入实际使用的绘图库;图像/PDF检查分别确认 Pillow/pypdf。
2. 可运行 style_presets.py --list 只读验证样式资源;不运行 --demo 或 style_preview 写输出的模式作为纯检查。
3. 选择 Plotly 静态导出时检查兼容浏览器路径与版本;安装检查不能代替真正绘图任务中的导出预览。
Codex 通常自动发现变更;只有未出现时才引导新建聊天或重载。若本轮尚未出现在可用列表,可在允许的范围内读取已安装的完整文件继续准备任务,同时说明自动识别尚待确认。插件依赖的工具未连接时,不能用读取文件代替连接成功。
分别报告“文件已安装”“Codex 已识别”“任务所需能力已就绪”的实际状态和证据;失败时给出卡住的步骤、错误与下一步,不反复执行相同的失败命令。

【接着引导我使用】
请使用实际可用的 $scientific-visualization;若实际名称发生变化,以刚核对的本地 name 为准。存在不同来源同名项时,明确选择所选来源与实际文件路径,避免调用成系统版或另一版本。对于必须由用户显式调用的 Skill,直接给我下一条可复制的调用语句。
- 调用 $scientific-visualization,给真实数据、图形目的、目标尺寸和输出格式;按单位、刻度、不确定性与可访问性设计。
- 保留处理与绘图代码,导出后检查实际文件;SVG/PDF 中可能含位图,不保证全矢量或期刊自动合规。

我想完成的任务:
根据我的数据和展示目的选择适合的图形,保留数据处理与绘图代码。检查单位、刻度、颜色、标签和不确定性,导出所需格式并预览;不绘制来源不明或经过误导性变换的数据。

需要我提供的材料:
真实数据、变量定义、图表目的和输出尺寸

期望得到:
可复现的绘图代码、实际导出的图表与数据处理说明。

先查看我在当前聊天中已经提供的目标与材料,只问缺少的关键内容;没有材料时,告诉我第一步提供什么,可给一个简短示例。条件满足后从一个小任务开始,检查输出,再说明怎样继续使用。示例仅用于演示,不充当我的真实数据;没有执行过的步骤、测试或交付物不要写成已经完成。需要发送、发布或修改外部账号内容时,先让我核对具体对象和内容。

相关 Skill

  • MiniMax XLSXExcel 整理与分析
  • Polars批量表格处理
  • Exploratory Data Analysis探索性数据分析

复制到 Codex

浏览器暂未允许直接复制。点击下方文字,按 Ctrl+C(Mac 按 ⌘C)复制,再粘贴到 Codex。

三步开始使用

  1. 找到想做的事,点击「复制提示词」。
  2. 打开 Codex,把提示词粘贴进去并发送。
  3. 按它的提示提供文件或材料,继续完成任务。

按需安装就好,不用一次装完。部分 Skill 需要软件、账号或付费服务,Codex 会先检查使用条件。