核心功能
Scientific Visualization 是一款面向学术出版的元级可视化技能，整合 matplotlib、seaborn、plotly 三大库，专门解决科研论文图表的合规性与专业性难题。
显著优点
1. 期刊级自动化配置：内置 Nature、Science、Cell 等顶刊的版式规范（单栏 89mm、双栏 183mm 等），一键应用样式文件
2. 无障碍设计优先：强制采用 Okabe-Ito 色盲友好配色，禁用 rainbow/jet 等感知非均匀色图，确保 8% 色盲男性读者可辨识
3. 统计严谨性内置：自动添加误差条（SD/SEM/CI）、样本量标注、显著性标记，支持原始数据点叠加展示
4. 多格式智能导出：矢量格式（PDF/EPS/SVG）为主，光栅格式 300-1200 DPI 自适应，内置期刊专属导出函数
潜在局限
- 学习曲线较陡：需同时掌握 matplotlib 底层控制与 seaborn 高层 API 的协作模式
- 交互性受限：以静态出版图为目标，动态探索需改用 plotly 原生接口
- 领域适配成本：非生命科学领域的期刊规范需手动扩展
适合人群
- 准备投稿 SCI/SSCI 期刊的研究生与科研人员
- 需批量统一多篇论文视觉风格的课题组
- 对图表无障碍访问有合规要求的机构
常规风险
| 风险点 | 缓解措施 |
|--------|----------|
| 字体嵌入失败导致印刷乱码 | 使用 `save_for_journal()` 强制嵌入子集 |
| 色彩映射在灰度印刷中信息丢失 | 强制 `test_grayscale()` 校验 |
| 统计标注误用（如 SEM 误标为 SD） | 函数签名强制指定 errorbar 类型 |
| 多面板对齐偏差 | GridSpec 辅助线 + `check_figure_size()` 双重验证 |
使用建议
推荐工作流：规划期刊 → configure_for_journal() → 构建图表 → check_figure_size() 校验 → save_for_journal() 导出 → 终稿 checklist 复核。对于快速探索性分析，建议直接使用 seaborn 原生接口而非本技能的完整工作流。