数据可视化系列一：Shaded Error Bar

导读

写在开头

思索良久，准备着手开设这样一个系列帖，目的在于与滴友们分享和交流对科学数据的可视化。以往大多脑科学的知识资源中，大多重视数据的分析方法、原理，却忽略了数据的呈现。在我自己看来，可视化——作为信息和艺术的融合——结合了问题解决和艺术这两个方面，允许我们将理性和感性结合，来感受数据的“美丽”。

数据的可视化十分重要。我们可以发现，越是影响力高的杂志，其内容充实新颖的同时，文章插图的可视化也做得非常好，如Nature、Science、Nature Neuroscience、PNAS等。一位学术大佬曾经告诉我，在写paper前最重要的一件事就是把文章里的所有Figure画好，Figure不仅呈现了自己研究最关键的结果，而且其顺序也隐含了研究的逻辑。大多数科研工作者忽略了数据可视化这一项重要的基本技能，限制了科研能力的提升。其实要有好的可视化呈现并不难，关键在于兴趣和积累。

这个帖子并不是为了单纯地开设一个所谓的教程，而是期待更多人的加入、分享和交流。我个人比较熟悉的可视化主要是基于matlab的工具包，目前也在学习python的相关方法。仅作抛砖引玉。

示例

例1

y=randn(30,80); x=1:size(y,2);

shadedErrorBar(x,mean(y,1),std(y),'k');

例2

y=randn(30,80); x=1:size(y,2);

shadedErrorBar(x,y,{@median,@std},{'r-o','markerfacecolor','r'});

例3

y=randn(30,80)*10; x=(1:size(y,2))-40;

shadedErrorBar(x,y,{@mean,@std},'-r',1);

hold on

y=ones(30,1)*x; y=y+0.06*y.^2+randn(size(y))*10;

shadedErrorBar(x,y,{@mean,@std},'-b',1);

hold off

大家可以发现，这个脚本的好处在于可以编辑图像中的任意元素，只要你有好的idea，你就能画出高大上的可视化图，提升你论文的档次，下面是我自己练习的结果，大家也可以上传自己可视化后的成果。总之还是一句话，practice makes perfect！

文末推荐：

1. 最后向大家推荐数据可视化的一本书：Julie Steele 等编，祝洪凯 李妹芳译 《数据可视化之美》

本文首发于心心水滴论坛，感谢 Higashino（潘同学）的辛勤付出，可访问原文留言，亦或左下角留言。

52brain,Connect Young Brains.