如果你做过十几组样本的组间比较大概会跟我有同样的纠结箱线图太“简约”误差条图过于朴素把数据内部的分布形状彻底藏了起来。这时候把密度曲线和箱线图结合起来的小提琴图往往是性价比最高的解法。这个“顶刊图表复现”系列写到第三篇我决定把这几年用 R 语言 ggplot2 复现顶刊常见小提琴图风格的细节一次讲透参数怎么调、数据点怎么叠、显著性怎么标、导出怎么不掉价以及那些文档里永远不会写的坑。这篇文章不会用真实数据集而是用随机种子构造一份模拟数据保证任何人都能直接复制跑通。内容从画图前的数据思维开始一直聊到最终出图的细节适合刚接触可视化的人也适合已经熟悉 ggplot2、但想把图往顶刊观感上再推一把的读者。Python 用户也不用走最后一节给了 seaborn 对照版。1. 小提琴图的“内功”它到底在画什么1.1 从箱线图到小提琴图一次朴素的升级先聊一个最容易被忽略的问题为什么已经有箱线图还要用小提琴图箱线图把所有样本压缩成五个数字——最小值、第一四分位数、中位数、第三四分位数、最大值这个做法方便但代价是彻底丢失了数据内部的形状。我举个实际的例子。假设你比较某个基因在静息和激活两类细胞里的表达量两组的中位数、四分位数几乎一样按箱线图画出来就是两个一模一样的“盒子”。但你可能不知道静息组其实是两拨细胞一拨没表达一拨高表达而激活组是均匀上调的。这种双峰结构和均匀分布之间的差异箱线图完全看不出来小提琴图却一眼就能暴露。顶刊的图表为什么普遍偏爱小提琴图倒不是因为“花哨”而是因为审稿人和读者终于能看见数据分布本身了。数据可视化最重要的职责不是把结果装饰得好听而是把不确定性讲清楚。小提琴图本质上是用密度估计把“概率有多大”这个信息具象化所以它比箱线图多出来的不是“好不好看”而是“信息量”。1.2 密度估计与带宽你看到的“小提琴”是怎么拟合出来的小提琴图的外轮廓不是直接把数据点连起来而是做了核密度估计Kernel Density EstimationKDE。原理你可以这样理解在每个样本点的位置放一个平滑的“鼓包”把所有鼓包叠在一起得到一条连续曲线。鼓包越宽曲线越平滑鼓包越窄曲线越锯齿。ggplot2 中控制这个平滑程度的核心参数是adjust它的作用是在自动带宽上乘一个缩放因子。adjust 1是默认值adjust 0.5会让曲线更锐利能暴露更多细节但也容易显得毛糙adjust 2会让曲线更光滑却可能把双峰结构直接抹平。另一个相关参数是bw你可以直接指定一个固定带宽但日常用得少因为自动带宽规则bw.nrd0在大多数数据上表现已经够稳。还有trim参数默认是FALSE意思是密度曲线的两端会延伸到实际数据范围之外所以你会看到小提琴的“尾巴”往往比真实的最小值更低、比最大值更高。很多人第一次画图会以为这是 bug其实不是。如果希望曲线严格截止到数据范围内把trim TRUE即可但视觉上会缺失那种流畅的“收尾感”。2. 复现前的准备数据、环境与一套更省心的写法2.1 用模拟数据跑通全流程在动手画图之前我把数据准备好。下面这份模拟数据模拟了一个实验中的三组样本对照组、处理组 A、处理组 B。其中处理组 A 我还特意设计成双峰分布用来验证小提琴图能不能把这种结构呈现出来。set.seed(20240601) ctrl - rnorm(50, mean 5, sd 1) trt1 - c(rnorm(25, mean 3.5, sd 0.8), rnorm(25, mean 6.5, sd 0.8)) trt2 - rnorm(60, mean 7, sd 1.2) df - data.frame( group factor( rep(c(Control, TreatA, TreatB), times c(length(ctrl), length(trt1), length(trt2))), levels c(Control, TreatA, TreatB) ), value c(ctrl, trt1, trt2) )这里有一个细节值得多说两句。factor的levels参数决定了画图时分组的显示顺序。如果你不指定R 会按字母顺序排序Control 和 TreatA 的顺序可能就乱掉了。做图前先确认分组因子的顺序能省掉后面很多改图的麻烦。用随机数据的好处是你可以把重点完全放在绘图语法本身上不需要担心数据权限、预处理这些干扰项。等流程跑通了再换成自己的真实数据只需要替换data.frame里的列名即可。2.2 R 环境与必要的包这个系列的实现基于 R ggplot2额外用到三个辅助包dplyr数据处理、ggsignif显著性标注、ggpubr排版汇总有时也会用到。我建议直接一次性安装install.packages(c(ggplot2, dplyr, ggsignif, ggpubr))如果你在 Windows 上使用中文字体需要额外处理字体映射具体方法我会在第 4 节展开。如果是在 Linux 服务器上跑建议用showtext包来加载字体否则导出 PDF 时中文会变成方块。3. 从零到成图把一张有顶刊观感的小提琴图搭建起来3.1 第一层geom_violin 的七个关键参数ggplot2 画小提琴图的基础函数是geom_violin()但默认输出往往不够好看。下面是我在实际项目里几乎每张图都会用到的参数组合ggplot(df, aes(x group, y value)) geom_violin( aes(fill group), trim FALSE, scale width, adjust 1.2, width 0.7, alpha 0.4, linewidth 0.6, color grey30 ) theme_classic()这几个参数的含义和选择理由我整理成了一张速查表参数作用常见取值注意事项trim是否将密度曲线截断到数据范围TRUE/FALSE默认FALSE保留“尾巴”更符合顶刊风格scale控制各组小提琴的面积关系area/count/width样本量差异大时建议用width视觉等宽adjust平滑程度缩放因子0.5 ~ 2过度平滑会掩盖双峰过锐利会有锯齿width小提琴整体宽度0.5 ~ 0.9宽度太满会让多组并排时重叠压迫alpha填充透明度0.3 ~ 0.6透明度太低看不出来太高把散点盖住linewidth轮廓线条粗细0.4 ~ 0.8太粗显得笨重太细导出 PDF 后看不清color轮廓颜色grey30等轮廓和填充最好保持同一色系scale参数值得展开讲。默认是area各组小提琴的面积相同而样本量越多小提琴在纵向上会被“拉扁”以保持面积恒定。count模式则按样本量缩放面积样本量越大小提琴越宽。width模式强制各组最大宽度一致视觉最干净。如果你的组间样本量差异很大比如一组 20 个、一组 200 个我不建议用默认的area因为样本多的组会被压成一条扁带看起来反而是次要的。顶刊里常见的是scale width同时在小提琴内部标注样本量 n。3.2 第二层叠加数据点别让分布变成“Z”只画密度轮廓读者看不到原始数据点这始终有点“隔靴搔痒”。顶刊风格通常会在小提琴内部叠加散点既保留分布形状也保留每个样本的位置。这个步骤的难点在于点不能太多也不能完全重叠成一条黑线。我常用的组合是geom_jitter() 合适的透明度ggplot(df, aes(x group, y value)) geom_violin( aes(fill group), trim FALSE, scale width, adjust 1.2, width 0.7, alpha 0.25, linewidth 0.6, color grey30 ) geom_jitter( width 0.15, size 1.5, alpha 0.5, color grey20, position position_jitter(seed 2024) ) theme_classic()position_jitter(seed 2024)是个很容易被忽视的好习惯。不设置 seed每次刷新图形散点的随机抖动位置都会变这会导致你在同一份数据上看到的图每次都不一样严重时还会被审稿人质疑。设置 seed 后抖动位置固定今天画一个样明天画还是这个样改图时心态完全不同。如果样本量在 30 左右alpha 0.5、size 1.5已经足够清晰到了 100 以上建议把size降到 1alpha降到 0.3否则这些点叠在一起会形成一整片黑色阴影反而掩盖小提琴的形状。3.3 第三层中位数、均值与统计检验好看的分布图如果缺少明确的统计摘要读者很容易“读了图也不知道结论”。在这个环节我会在每把小提琴里手动标出中位数点并且在组间加上显著性星号。中位数与均值我建议用stat_summary()叠加而不是依赖geom_violin里的draw_quantiles参数。后者虽然能画四分位数线但它画线的位置是基于密度曲线分位数面积计算的并不是真实数据的四分位数容易误导读者。ggplot(df, aes(x group, y value)) geom_violin( aes(fill group), trim FALSE, scale width, adjust 1.2, width 0.7, alpha 0.25, linewidth 0.6, color grey30 ) geom_jitter( width 0.15, size 1.5, alpha 0.5, color grey20, position position_jitter(seed 2024) ) stat_summary( fun median, geom point, size 2.5, shape 21, fill white, color black, stroke 1.2 ) theme_classic()这里的shape 21是一个空心圆点内部填充白色外圈黑色在散点堆中非常醒目。这个细节比直接画一个实心黑点要精致得多也是很多顶刊小图里能看到的做法。组间比较我一般用ggsignif包来添加星号它能自动计算两两比较的 p 值library(ggsignif) ggplot(df, aes(x group, y value)) geom_violin(...) geom_jitter(...) stat_summary(...) geom_signif( comparisons list(c(Control, TreatA), c(Control, TreatB), c(TreatA, TreatB)), map_signif_level TRUE, y_position c(9.8, 10.6, 11.4), tip_length 0.01, textsize 3.5 ) theme_classic()y_position是星号和括号的纵向位置需要手动避开数据点的最高值。你可以看一眼当前绘图数据里最大值大概在哪儿然后从最大值上方 0.5 个单位开始往上加多组比较时依次递增。这里有个容易踩的坑map_signif_level TRUE会把 p 值转换为意义明确的符号比如***表示 p 0.001。但三段比较的 y_position 如果离得太近括号会重叠。我用的小技巧是每次递增 0.8 个单位并且把tip_length调到 0.01让竖线正好落在小提琴轮廓上方。4. 为什么别人的图一眼像顶刊主题、配色与排版4.1 字体、面板与配色“顶刊感”往往不是靠某个单点特效实现的而是由一堆毫米级的细节叠加出来的。其中字体是第一优先级其次是面板元素的克制程度。我用的基础主题是theme_classic()它只保留 x 轴和 y 轴两条轴线去了网格线。比theme_bw()干净比theme_minimal()有坐标感。p - ggplot(df, aes(x group, y value)) geom_violin(...) geom_jitter(...) stat_summary(...) theme_classic(base_size 14, base_family Helvetica) theme( legend.position none, axis.text element_text(color black, size 12), axis.title element_text(color black, size 14), axis.line element_line(color black, linewidth 0.8) ) labs( x NULL, y Expression level (log2) )配色上我强烈建议你用低饱和度的单色系而不是默认的scale_fill_hue()彩虹色。顶刊里的图要么用同一色相的不同明度要么用有限的一组对比色。我这里演示一个简洁的方案group_colors - c(Control #8C8C8C, TreatA #4C9A8A, TreatB #D9A441) p scale_fill_manual(values group_colors) scale_color_manual(values group_colors)注意填充色的alpha我设得比较低0.25这样叠加散点后小提琴的轮廓仍然清晰可见同时散点也不会被色块吞没。字体方面英文环境直接指定base_family Helvetica发布前统一导出 PDF 不会有问题。中文环境则要在theme里单独设置text element_text(family SimHei)或其他中文字体。Windows 下最容易出问题的是画完图才发现中文字体没嵌入导出 PDF 后用别的软件打开就乱套所以我会在第 5 节专门讲这个。4.2 多组并排的两种常见形态如果你只有两组数据想对比顶刊里很流行一种“半小提琴”形态也就是左右两半各放一个组中间拉一条中轴线。ggplot2 本身没有内置geom_half_violin但可以用 ggpubr 包快速实现library(ggpubr) gghistogram(df, x value, fill group, palette c(#4C9A8A, #D9A441), add mean, rug TRUE)不过 ggpubr 的封装毕竟有限制我通常还是会直接写自定义的geom或者用两个geom_violin配合coord_flip加对称变换来实现。这个后面可以单独展开此处先不深入。如果组数在三组以上更常见的排版是一组一把小提琴按顺序横排同一张图里不额外做分面。这时要注意的是别让不同组的小提琴太宽width控制在 0.7 以下组间留白才够从容。所有组共用同一个 y 轴等于把各组放在同一把“尺子”上比较这是审稿人最喜欢看到的形式。4.3 保存输出分辨率、尺寸与嵌入字体的坑很多人的图做得很漂亮导出一篇论文就毁在格式和分辨率上。期刊一般是 300 dpi 起尺寸按单栏或双栏来定。我的标准配置是这样的ggsave( violin_plot_final.pdf, plot p, width 6, height 4, units in, dpi 300, bg white )如果要提交 TIFF 给期刊注意两点一是bg white否则透明背景在某些投稿系统里会变成黑色二是如果图里有中文建议导出 PDF 后再用 Adobe Illustrator 或 Inkscape 检查字体是否被正确嵌入。还有一个实用技巧ggsave里同时设置width和height时长宽比会直接影响视觉质感。四组以内的单图我用 6:4如果图里要放很多组我会适当拉宽到 8:4避免小提琴被压成长条。遇到期刊要求矢量图时优先导出 PDF再在矢量编辑器里统一调整线宽和字号。导出 PDF 前建议把linewidth留在 0.5 以上否则印刷后细线容易发虚。5. 常见报错与排查记录我在实操中踩过的坑5.1 小提琴锯齿严重调 adjust 却没效果现象图形边缘像锯齿曲线不平滑。原因通常是数据量太小或者某些取值点稀疏KDE 的采样间隔太细导致曲线抖动。解决方法是先调adjust不行再检查是不是数据里存在离群值太多考虑对 y 轴做 log2 变换。另一个容易忽略的点是adjust只对密度估计的带宽生效不会改变数据点的位置。很多人以为调大adjust能“拉平”小提琴的毛糙感结果发现变化不大很可能是把adjust和width搞混了。5.2 散点叠成一条黑线小提琴形同虚设现象jitter 的散点在小提琴内部完全重叠形成一整条黑色带子。原因样本量太大或抖动宽度太小。解决办法是增大width同时降低alpha。当样本量超过 200 时我一般直接放弃绘制单个点改用小提琴内部的箱线图组合或者叠加半透明云图。geom_violin(...) geom_boxplot(width 0.08, fill NA, outlier.shape NA) ...这个组合在小提琴内部画一个很细的透明箱线图既保留分布形状又能看到四分位数和中位数还不会出现散点过密的问题。样本量大的时候我用这个替代散点方案。5.3 显著性星号飘在外面或互相重叠现象geom_signif的星号离小提琴很远或者各组星号叠在一起。原因y_position设置不合理。解决办法是提前计算每组的最大值然后从最大值上方开始排布。还有一个细节tip_length控制星号线末端竖线的长度如果星号线没有接触到小提琴顶部很可能是tip_length阈值太大改成 0.01 即可。5.4 双峰分布被一条平滑曲线掩盖现象明明知道数据里有双峰画出来却只有一个大鼓包。原因adjust太大密度估计过度平滑。解决办法是把adjust从 1 降到 0.5必要的时候用bw 0.3直接指定带宽。画图前先跑一下ggplot(df, aes(x value)) geom_density(adjust 0.5)看看单峰还是双峰这比直接画小提琴更直观。我把这些坑汇总成了一张速查表现象原因解决办法小提琴曲线毛糙数据点少或 adjust 太小增大 adjust 到 1.2 以上散点叠成黑带样本量大或抖动宽度小增大 jitter width降低 alpha双峰被掩盖adjust 过大平滑过度降到 0.5 以下中位数和箱线图对不上用了 draw_quantiles改用 stat_summary星号重叠y_position 间隔太小从最大值上方递增排列导出 PDF 中文乱码未嵌入字体用 showtext 或改系统字体5.5 关于 ggplot2 版本迭代的一个提醒这些年 ggplot2 陆续把部分旧参数改成了新写法比如size在线条上的语义改为linewidth。如果你用的是比较新的版本geom_violin里的size参数可能不再控制线条粗细需要改成linewidth。如果你是从网上抄的旧代码遇到Unknown parameters: size这类报错问题多半出在版本差异上。老代码不一定要全盘改但需要检查函数签名。6. 如果不用 RPython seaborn 的快速版与大规模数据6.1 seaborn 一行代码复现同款如果你是 Python 用户seaborn 提供的violinplot可以非常快地画出结构类似的图。 对应的基础代码是import seaborn as sns import matplotlib.pyplot as plt sns.violinplot( datadf, xgroup, yvalue, huegroup, palette[#8C8C8C, #4C9A8A, #D9A441], innerquart, cut0, scalewidth, density_normwidth, alpha0.4, linewidth1.0, ) sns.stripplot( datadf, xgroup, yvalue, colorgrey20, size2, jitter0.2, alpha0.6, ) plt.show()注意 seaborn 的scalewidth在旧版本中曾是scalewidth新版本则加入了density_norm参数两者在分组比较时要注意区分。innerquart会在内部绘制四分位线效果上很像我们手动用stat_summary画出的中位数点。Python 方案与 R 方案的最大差别不在画图能力而在统计摘要的便捷性。R 的stat_summary可以直接用fun median叠加任意统计量而 seaborn 需要额外调用matplotlib手动画点。如果你更习惯 Python 生态可以把这些操作封装成自己的绘图函数。6.2 当样本量到了几千上万单细胞测序或者大规模筛选实验里组内样本经常是几百到几千。此时再用散点叠加无论alpha调多低渲染都会吃力图上还全是黑块。我的策略是改用“小提琴 箱线图 样本量标注”的组合小提琴负责呈现分布形状箱线图负责给出四分位数的清晰位置图例或轴标签里标注 n。如果实在想让读者看到单个样本的数据可以用“雨云图”raincloud plot本质是半小提琴 散点抖动 箱线图视觉上更轻量。大规模数据另一个需要注意的点是坐标轴变换。很多表达量数据是对数正态分布直接画小提琴会变成一条贴地的“锥子”。先进行 log2 变换分布形状会清晰得多。这个处理在顶刊里几乎是一种默认操作。最后分享一个我自己的体会小提琴图画到第三篇最大的心得反而不是函数参数而是“每一层图形都要有它存在的理由”。密度曲线告诉我们数据长什么样散点告诉我们样本在哪里中位数和星号告诉我们统计结论是什么。多画一层之前先问自己这一层有没有提供新的信息如果没有删掉它比加上它更明智。这是我从大量修改稿里总结出来的最值钱的经验。再补一个小技巧如果你在某份投稿或者报告里需要把同一张小提琴图同时用于线上阅读和线下印刷记得准备两个版本。线上版可以把字体调小、颜色更鲜艳印刷版则要保证线宽和字号够大背景色纯白避免低分辨率的点阵图。用 R 的脚本化绘图只需要改一次参数重新ggsave就能得到两套完全不同的输出这比在 PPT 里拖动图形大小可靠得多。