第三篇终于来了。前两篇把柱状图和箱线图的复现流程钉死之后，不少读者留言说，最想看的还是这张小提琴图。原因不难猜：它能把数据的分布形态和组间差异同时画出来，信息密度比箱线图高一大截，美观程度也明显更能打。但市面上的教程要么停留在一行 seaborn 代码上，要么还原度差得远，和顶刊出版风格差了十万八千里。

这篇不打算说空话。我直接拿一份模拟的实验分组数据，把一张“能进 Nature 组图”的小提琴图完整复现出来：从 KDE 核密度计算、左右镜像填充，到箱线叠加、散点抖动、显著性标注，所有关键参数都写到位。想给自己论文配图、做数据分析后快速出图的研究者，或者被默认主题折磨过的 Python 绘图玩家，都能从这篇里找到能直接抄走的方案。

1. 动手设计：小提琴图的本质与方案取舍

1.1 小提琴图比箱线图多了什么

小提琴图说白了就是“箱线图 + 旋转 90 度的核密度曲线”。箱线图只给你五个数字：最小值、下四分位数、中位数、上四分位数、最大值，外加一堆离散的离群点。它方便，但信息损失严重——两组数据的五数概括可能完全一样，实际分布却一个单峰一个双峰，这个差异在箱线图里是看不出来的。

小提琴图用核密度估计（KDE）把每个分组的数据分布拟合成一条平滑曲线，曲线横过来放在分组轴上，左右镜像填充后就像一个“倒着的小提琴”。从这里你能直观看出分布是偏左还是偏右、是否有双峰，甚至能对比不同组的峰宽与拖尾。对于生物实验里常见的“对照组平缓、处理组出现双峰”这类情况，小提琴图几乎是标配。

不过要提醒一句：信息量提升是有代价的。箱线图哪怕是几十个样本也能稳得住，小提琴图在样本量不足时，那条曲线会被带宽参数左右，画出来的形状未必可靠。具体阈值后面我会专门说。

1.2 为什么不用 seaborn 默认图

很多人的第一反应是：seaborn.violinplot()一行代码不就完了？确实能出图，但离 Nature 风格差得远。我用 seaborn 默认参数画过一版，问题有三个。

第一，各组小提琴宽度不统一。seaborn 默认会把每条密度曲线按组内最大值归一化，这本身没问题，但分组之间的“胖瘦”会和样本量、离群值混在一起，组间视觉上的宽度对比容易误导读者。第二，默认配色太花哨，红黄蓝紫一股脑上，既不满足色盲友好，又和黑白印刷场景冲突。第三，也是最关键的：当你需要精确标注组间显著性、控制每一个字体字号、把图无缝嵌进分面组图时，默认 API 的调整空间不够。

所以这次我选择基于 matplotlib 底层手写。听起来麻烦，实际写完一个绘图函数之后，后面每组数据只是换参数调用的事，改起来反而比反复调 seaborn 的inner、linewidth更顺手。

1.3 成图规格与代码结构

先定一个最终目标，避免画到一半跑偏。

• 输出格式：PDF 矢量文件，后续用软件拼组图也不会糊。
• 物理尺寸：单栏图宽度 8.5 cm 左右，符合主流期刊排版需求。
• 字体：Helvetica 或 Arial，全部字号 7 pt，坐标轴标题可稍大。
• 配色：一套色盲友好的三色方案，填充透明度 0.6～0.7。
• 结构：数据准备 → KDE 计算 → 主体绘制 → 细节定制 → 输出保存。

我在下文按照这个流程展开，每个环节都会贴代码和参数说明。

2. 数据准备与分组设计

2.1 数据结构与读取

先造一份模拟数据。假设某课题组比较三种条件下的细胞活性测量值，数据结构就是长表：一列是分组，一列是数值。

import numpy as np import pandas as pd rng = np.random.default_rng(42) group_a = rng.normal(50, 8, size=40) group_b = rng.normal(62, 12, size=40) group_c = np.concatenate([ rng.normal(45, 5, size=25), rng.normal(70, 6, size=15) ]) df = pd.DataFrame({ "group": ["Ctrl"] * 40 + ["Treat1"] * 40 + ["Treat2"] * 40, "value": np.concatenate([group_a, group_b, group_c]) })

注意第三组我故意做了双峰结构，这是小提琴图最能体现价值的地方：箱线图看到的是一个扁平的大盒子，而小提琴图能把两个峰值清清楚楚地展示出来。

数据可以从 CSV 读进来：

# df = pd.read_csv("your_data.csv")

只要保证group列是类别、value列是数值型，后面所有代码都不用改。

2.2 样本量：多少人、多少个点才适合

这是我在实际投稿过程中被审稿人问过的问题：你的样本量足够画小提琴图吗？

我的经验法则是：单组样本量低于 10 时，KDE 的误差会非常大，曲线会出现明显锯齿或者拖尾，这时画小提琴图不如直接画箱线图加散点。样本量在 10～30 之间，可以画，但需要手动选择较宽的带宽，并且要在图注里注明数据点数量。样本量在 30 以上，基本可以放心画，KDE 会稳定很多。

为什么会这样？因为核密度估计本质是用一组核函数去盖住每个数据点，然后求和。数据点太少，核函数叠不出来光滑的峰，就会变成一坨不规则的波浪线。你当然可以用更宽的带宽强行磨平，但那属于用图形参数掩盖数据缺陷，不太诚实。

所以拿到数据先看一眼df.groupby("group")["value"].count()，心里有数再决定要不要用这张图。

2.3 数据清洗与缺失值处理

小提琴图对离群值比对箱线图更敏感。一个极端离群值会把 KDE 曲线向右拖出长长的尾巴，导致整个小提琴看起来“飘”了。处理办法分两种：一是确认离群值来自测量错误或录入错误，可以直接删除；二是异常值确实是生物学差异，那就保留，同时把 y 轴范围裁到合理区域，并在作图时选择更稳健的带宽。

df = df.dropna(subset=["value"]) df = df[np.abs(df["value"] - df["value"].mean()) < 4 * df["value"].std()]

直接删掉 4 个标准差之外的点，是一种比较常见的做法。注意这里要用分组的统计量而不是全局统计量，否则不同组之间的基线差异会被误删。

还有一类数据不能直接画小提琴图：离散计数数据，比如每个细胞内的斑点数量，取值只有 0、1、2、3。KDE 会把离散值滑成平滑的连续曲线，出现大量“半整数”的假象。这种数据应该用蜂群图、条形比例图或者直接画原始散点，别硬上小提琴图。

3. 核心绘制：KDE 计算与小提琴主体渲染

3.1 理解 KDE 与带宽参数

KDE 计算其实不神秘。scipy.stats.gaussian_kde会以每个数据点为中心放一个高斯核，然后把这些核叠加起来做归一化。带宽参数bw_method控制核函数的宽度，它就像一把尺子：尺子短，曲线会细致但可能过拟合；尺子长，曲线光滑但可能把真实的双峰磨掉。

用个生活化的类比：想象你在沙滩上用脚把脚印抹平。带宽太小，脚印之间的边界还在，整片沙滩坑坑洼洼；带宽太大，一脚下去全部抹平，原来的起伏全没了。所以这个参数决定了你是否能看清数据里真实存在的“脚印”。

默认的bw_method="scott"是根据样本量自适应计算的，大多数时候能用。但我个人习惯在小提琴图上手动设bw_method=0.3左右，让曲线更平滑。如果数据是单峰且样本量中等，0.25～0.35 通常合适；如果样本量很大（n > 100），可以用 0.15～0.2 保留更多细节。建议多画几版对比，结合直方图确认自己没有把双峰抹平。

3.2 小提琴主体：镜像填充与归一化

先写一个灵活的小函数，负责画单个分组的小提琴。

import matplotlib.pyplot as plt from matplotlib.patches import Polygon from scipy import stats def violin_group(ax, data, pos, color, bw=0.3, width_scale=0.45): xs = np.linspace(data.min() - 0.1 * np.ptp(data), data.max() + 0.1 * np.ptp(data), 200) dens = stats.gaussian_kde(data, bw_method=bw)(xs) dens = np.clip(dens, 0, None) dens = dens / dens.max() * width_scale ax.fill_betweenx(xs, pos - dens, pos + dens, facecolor=color, alpha=0.6, lw=0.8, edgecolor=color, zorder=2)

重点是这两行：np.clip(dens, 0, None)把负密度裁掉，防止尾巴跑进负值区域；dens / dens.max() * width_scale是把每组密度归一化到相同的最大宽度。如果不做归一化，峰值高的组会看起来“胖”，峰值低的组“瘦”，组间无法公平比较形状。width_scale控制整张图中小提琴的最大宽度，一般 0.4～0.5 比较协调，太宽会互相挤压，太窄则看不清形状。

注意我用的是fill_betweenx，也就是把数据值放在 y 轴、分组位置放在 x 轴。这是大多数期刊图表的标准排版方向。

3.3 箱线叠加、散点抖动与统计标注

小提琴主体画完后，图还缺几个要素：内部的箱线统计量、原始数据散点、组间显著性标注。

箱线图可以直接用ax.boxplot，设置widths控制箱体宽度，showfliers=False关闭离群点，因为小提琴已经展示了分布，散点也会承担展示离群点的功能。

散点抖动需要注意：直接用原始数据点画，所有点会重叠成一条竖线，什么信息也看不到。所以要在 x 方向加一点随机偏移。

def jitter(values, center, seed=1): gen = np.random.default_rng(seed) return center + gen.normal(0, 0.04, size=len(values))

固定随机种子很重要。否则每次运行图都会变，后续投稿时图文对不上会很麻烦。散点的s=8左右比较合适，太小看不到，太大会盖住箱线。

绘制主流程：

fig, ax = plt.subplots(figsize=(3.2, 4.0)) groups = df["group"].unique() colors = ["#4C72B0", "#DD8452", "#55A868"] for i, (g, c) in enumerate(zip(groups, colors)): sub = df[df["group"] == g]["value"] violin_group(ax, sub, pos=i+1, color=c) ax.boxplot(sub, positions=[i+1], widths=0.08, showfliers=False, zorder=3, medianprops=dict(color="black", lw=1.2), patch_artist=False) ax.scatter(jitter(sub, i+1), sub, s=8, color="black", alpha=0.5, zorder=4)

zorder 必须安排好：小提琴在底层，箱线在中层，散点最上层。如果散点被密度填充盖住，检查 zorder。

显著性标注可以手动画一条横线加星号：

x1, x2 = 1, 2 y = max(np.max(df["value"]) * 1.05, 80) ax.plot([x1, x1, x2, x2], [y, y+2, y+2, y], color="black", lw=1) ax.text((x1+x2)/2, y+4, "**", ha="center", va="bottom", fontsize=9)

注意 P 值星号要放在方括号里说明检验方法：**p < 0.01, two-sided Wilcoxon rank-sum test。别只画星号不写检验过程，这是学术规范问题。

4. Nature 风格细节定制

4.1 字体、字号、线宽的整体预设

默认的 matplotlib 字体是 DejaVu Sans，很多期刊编辑一眼就能看出来。学术出版界最常见的两类字体是 Helvetica 和 Arial，如果你所在机构没有购买 Helvetica 版权，Arial 是更稳妥的替代。在代码开头统一设置：

plt.rcParams.update({ "font.family": "sans-serif", "font.sans-serif": ["Arial"], "font.size": 7, "axes.linewidth": 0.6, "xtick.major.width": 0.6, "ytick.major.width": 0.6, "xtick.direction": "out", "ytick.direction": "out", })

字号方面，正文文字 7 pt，坐标轴标题可以到 8 pt，图例 6.5 pt。不要小于 6 pt，否则印刷后没法辨识。物理尺寸上，单栏图宽度 8.5 cm 左右，双栏图 17 cm 左右，高度按比例调整即可。图小字小是顶刊的特点，不是越大的字越清晰，而是整体协调。

4.2 配色方案与色盲友好

关于配色，我强烈建议别再用默认的tab10。那套颜色对于红绿色盲完全不友好。这里给出一套我实测下来比较稳妥的预设：

COLOR_PALETTE = ["#4C72B0", "#DD8452", "#55A868"]

三色刚好对应三组，色相距离足够大，而且都是中等饱和度的“学术色”。如果需要四到六组，可以选Set2色板中挑，但要注意相邻颜色之间的区分度。对于黑白印刷场景，透明度和边框样式也能帮上忙：把其中一组改成低透明度、另一组改成实心，打印出来后依然能区分。

对小提琴主体，我习惯填充透明度 0.6，边缘线宽 0.8。这样组间重叠的区域会自然产生深色混合，不会让人误以为是另一个数据组。

4.3 坐标轴、刻度、图例和导出设置

Nature 风格的坐标轴是极简的：只保留左边和底下的边框，去掉上边和右边。顶部和右侧的边框线几乎不会出现在顶刊图里。

ax.spines["top"].set_visible(False) ax.spines["right"].set_visible(False)

刻度朝外，而不是朝内，目的是不干扰数据区域的阅读。tick 长度建议 2～3 pt。

图例如果必要，放在右上角或图外。默认的图例边框线非常粗，需要去掉：

ax.legend(frameon=False, loc="upper right", fontsize=6.5)

如果图里已经有分组标签作为 x 轴刻度，图例甚至可以不加，减少冗余信息。

导出时不要用默认的 PNG 就完了。投稿用的矢量图最佳格式是 PDF 或 EPS；如果期刊要求位图，选 TIF，600 dpi 以上，LZW 压缩。

fig.savefig("violin_nature.pdf", bbox_inches="tight")

保存 PDF 之后，建议用软件打开缩放看一遍，确认所有字体都是矢量线条，没有奇怪的锯齿。

5. 常见问题排查与避坑记录

5.1 六类高频问题速查表

我把自己和周围同事实际踩过的坑整理成一张表，几乎覆盖了画这张图会遇到的大部分问题。

5.2 实战复盘：从“能出图”到“能投稿”

讲一个典型的修改案例。A 同学拿一段 RNA 表达数据来找我，说自己的小提琴图被导师批了。我一看，第一版用的是 seaborn 默认样式：六组数据每组宽度都不一样，颜色是默认的紫色，箱线内的小提琴有统一的白色边缘线，整体看起来像玩具图，明显达不到投稿标准。

我们做的修改有三步。第一步，把每组密度除以全局最大密度，确保六组宽度代表真实的相对密度，而不是被各组内部峰值带歪。第二步，把颜色全部换成统一灰色系，不同组之间用透明度区分。第三步，在每组下方标注 n 值，在图注里加上统计检验方法。改完之后的图虽然颜色朴素了，但信息传递效率反而更高，审稿人看不到花哨颜色，只能看到数据和统计结果。

这个小案例说明：学术图表的美感不等于色彩丰富，而是信息组织清晰、所有元素都服务于数据本身。每加一个视觉效果，都要问自己“这能让读者更懂数据吗”。

5.3 什么时候不要用小提琴图

不是所有分布比较都适合用小提琴图。如果你只有 5 个样本，KDE 形状基本不可信，这时候老老实实画箱线图加所有散点，大家都能看懂你的结论。如果你的数据是离散计数，小提琴图会把离散值磨成连续曲线，给人错误的连续印象。如果你关心的只是中位数差异，箱线图就够了，画小提琴图反而引入过多视觉噪声。

另一个常见误用是——把小提琴图画出来时只展示密度，却没有标注任何统计量。审稿人盯着图上那两条“腰”想知道中位数在哪，结果找不到。这时应该要么叠加箱线，要么在每组旁边用粗点标出中位数。

6. 进阶扩展：更复杂的分组与自动化标注

6.1 双因素分组的小提琴图

有时候实验设计是两个因素的组合，比如“时间点 × 处理方式”。这种情况可以把分组轴设置为"Ctrl-0h"、"Ctrl-24h"这样的字符串，简单直接，也是我在实际项目里最常用的方案。

更花哨的方式是嵌套小提琴：内圈画第一个因素，外圈画第二个因素。我建议新手先别追求这种效果，因为嵌套之后组间比较变得很困难，除非你有明确的视觉分层需求。嵌套关键代码是内外两层fill_betweenx，外层用浅色，内层用深色，但这种方式只适合两因素且每组样本量很大的场景。

6.2 自动把检验结果转成星号

手动画星号容易写错组间位置。自动化做法是解析检验的 P 值，然后生成字符串：

from scipy.stats import mannwhitneyu def star(p): if p < 0.001: return "***" if p < 0.01: return "**" if p < 0.05: return "*" return "ns" stat, p = mannwhitneyu(group_a, group_b) label = star(p) # 用于标注

这里有个容易踩的坑：mannwhitneyu默认返回单侧 P 值，比较两组时最好设置alternative="two-sided"。另外，如果组间方差不齐，用 Welch t 检验或 Mann-Whitney U 检验；如果数据符合正态性且方差齐性，直接用 t 检验更常见。选择错误的检验方法，虽然画出来的星号差不多，但审稿人一旦追问方法细节就会很被动。

6.3 动画或交互式小提琴图的备注

若你想做交互展示，plotly 虽然一行出图，但交互式的图形不适合期刊投稿，只适合内部探索数据。我个人建议：分析阶段可以用交互式快速看分布，发表阶段还是走 matplotlib 的静态矢量图。交互式图的鼠标悬浮并不能帮你提升论文的说服力，反而可能让合作者误以为某些特征可以在浏览器里验证。

结尾

最后再分享一个我的习惯：每次存图前，我都会把 KDE 曲线和原始数据的直方图叠在一起看一遍。如果直方图明明有明显双峰，而我的 KDE 参数却把所有峰磨掉了，那这张图就是视觉骗子。先确认形状可信，再考虑配色好不好看。做图这件事，数据诚实永远排在美观前面。

如果你也想做一张能投出去的图，不用急着把每个参数调到完美。先用默认参数跑通流程，再逐项调整带宽、归一化、字体、配色，最后导出 PDF 放大检查。这个顺序我反复用了很多年，过程最顺，返工最少。