1. 课程导入与科学图表认知

科学图表不是“把数据画出来”这么简单，它是科研与工程交流中的一种视觉语言。同一组实验数据，用折线图、柱状图还是三维曲面图呈现，读者获得的判断可能完全不同。本课程要解决的核心问题，是让学习者在明确表达目标的前提下，选对图表类型、画准几何关系、排好版面细节，最终产出可直接用于论文、海报或技术报告的图形。

先建立功能分类的认知。科学图表按“承担什么交流任务”大致可分为四类：数据展示类（折线、散点、柱状、误差棒，用于呈现变量关系与统计结果）、结构示意类（剖面图、装配图、爆炸图，用于说明对象内部构造与部件关系）、流程与关系类（流程图、信号链、拓扑图，用于表达步骤、因果与连接）、示意与场景类（三维渲染、示意图、地图，用于还原空间形态与场景）。分类的意义在于：先确定“这张图要替我说哪句话”，再进入绘图工具，而不是打开软件后凭手感堆元素。

二维与三维图表的核心差异，值得单独强调。二维图以平面坐标承载两个变量，信息密度高、判读快、印刷稳定，是论文插图的主力；三维图引入深度轴，能表达三个变量或空间形态，但会带来遮挡、透视失真、视角依赖三个问题——同一个三维曲面，换个视角，读者对峰谷位置的判断就可能改变。因此工程上的常见做法是：能用二维表达的关系不强行三维化；确需三维时，必须标注坐标轴方向、视角与色标范围，必要时补充二维切片或等高线作为辅助判读。

应用场景决定了图表的“验收标准”。论文插图面向审稿人与同行，强调信息准确、坐标与单位完整、字号在缩印后仍可读，通常要求矢量格式（PDF/EPS/SVG）与 300 dpi 以上的位图备份；学术海报面向远距离浏览，强调视觉层级与留白，主图要大、文字要少，配色需在打印后仍保持对比；技术报告面向工程决策，强调可追溯性，图中应保留数据来源、测试条件与版本信息。三者对“好看”的定义并不相同，课程后续会分别给出对应的排版约束。

再看工具生态。可以把工具链理解为三层：数据层（Python 的 Matplotlib、Origin、Excel，负责数据到基础图形的映射）、矢量编辑层（Illustrator、Inkscape，负责拼版、标注、局部美化与格式转换）、三维与渲染层（Blender、SolidWorks、ParaView，负责空间形态与场数据可视化）。实际工作流通常是“脚本出底图 → 矢量软件精修 → 导出目标格式”，而不是在一个软件里从头画到尾。这样做的好处是数据可复现、版式可复用、修改成本低。

关于课程学习路径，整体按“认知 → 二维基础 → 三维表达 → 排版与交付”推进：先建立图表类型与选择逻辑，再练坐标轴、刻度、图例、误差棒等二维基本功；随后进入三维建模、视角控制与渲染；最后集中处理多图拼版、色彩管理、导出规范与常见退稿问题排查。每章都会给出可操作的示例参数与判断依据，例如坐标轴刻度间隔如何取整、色标范围如何与数据分位数对齐、三维视角的方位角与仰角如何设定才能避免遮挡。

最后给出一个贯穿课程的判断原则：图表的第一目标是“让读者在最短时间内做出正确判断”，美观是服务于这一目标的手段而非目的。当你犹豫该用哪种图时，先问三个问题——读者需要比较什么、需要看到什么结构、需要在什么介质上阅读。答案会自然指向合适的图表类型与排版方式。