还在为配图美化发愁？这个简单易用的SCI/IEEE论文配图风格化工具值得学习！

在使用Matplotlib的时候，一开始并不懂得美化，修改style，设置dpi…都是小打小闹，发现绘制的曲线图跟论文中的相差很远。Word、PPT、Visio、Origin、SigmaPlot都能做出比较好看的配图，但是懒得学，目前还用不到这么专业的绘图工具。对于刚上手的小白来说，反而简单易上手，不那么“专业”的开源工具包是相对更好的选择。本文就介绍一个近期更新的SCI/IEEE论文绘图工具——SciencePlots。刚开源一个月，目前还在维护中，现在主要功能集中在曲线图和散点图绘制。

---

---

系统环境：

- windows10
- python-3.7.6
- jupyter notebook

---

作者发表的论文使用该工具配图：

1. 风格效果

先看疗效，能(man)治(zu)病(xu)再(qiu)看；治不了就不用看了，以免浪费时间。

Science的风格效果1：

---

Science的风格效果2：

---

Science的风格效果3：

---

Science的风格效果4：

---

Science的风格效果5：（有点Yolo主页的风格…）

---

Science的风格效果6：

---

IEEE效果1：

---

2. 安装配置

2.1 通用配置

通过简单的pip安装

# for latest version
pip install git+https://github.com/garrettj403/SciencePlots.git

# for last release
pip install SciencePlots

---

2.2 win10 配置

因为作者是在linux系统下使用，并且已经配置好了其它依赖，所以对安装的部分介绍较少。
经过一早上的测试，找到了在Win10中使用默认LaTex字体渲染报错的解决方法，并且pull到了该工具仓库的issue，作者稍后会添加到readme。主要原因是LaTeX没有配置好。当然如果不想使用LaTeX渲染，或者认为Latex花费的时间太长，则可以使用以下no-latex样式禁用Latex ：

plt.style.use(['science','no-latex'])

下面介绍一下使用LaTeX字体渲染的配置流程。

如果没配置好LaTeX会遇到以下错误：

RuntimeError: Failed to process string with tex because latex could not be found

尝试了很多方法，发现并不起作用，包括pip tex等等。正确的解决方法是：安装MiKTeX和LaTeX，并将其添加到环境变量。

首先下载TeX：http://www.tug.org/。


点进去，选择第二个下载

解压，选择安装：

首先安装 【MiKTeX】：注意选择为所有用户使用；这样会自动添加到系统环境变量；
然后安装【LaTex】：esay！

接下来配置环境变量。人类终究是视觉动物，喜欢有视觉冲击的东西，一张图总结比文字看起来舒服：

注意有两个路径：

D:\APP\MiKTeX\miktex\bin\x64\
D:\APP\TeXstudio\texstudio.exe

其中，第一个是在安装的时候自动创建的，如果选择是为当前用户安装，则该路径在当前用户的环境变量中，需要手动粘过来。
第二个是需要根据自己系统的安装路径确定的。

然后关闭Anaconda的虚拟环境，重新启动一个窗口重新激活，就可以使用了。查看latex：

可以看到已经配置成功了，接下来就可以使用了。

---

2.3 Linux 配置

暂未测试，不过肯定需要配置latex。有了win10配置方法，在linux配置应该不难。

---

3. 食用方法

pip安装将自动将所有 *.mplstyle 文件移动到适当的目录中。也可以手动执行此操作。首先，克隆存储库，然后将所有 *.mplstyle 文件复制到Matplotlib样式目录中。直接pip安装就可以使用了，源码方式需要自己配制。

第一种全局使用方式，将以下内容添加到python脚本的顶部：

import matplotlib.pyplot as plt
plt.style.use('science')

第二种全局使用方式，通过以下方式将多种样式组合在一起：

plt.style.use(['science','ieee'])

注意：在这种情况下，该ieee样式将覆盖主要science样式中的某些参数，以便为IEEE纸配置图表（列宽，字体大小等）。

第三种临时使用方式，使用方法：

with plt.style.context(['science', 'ieee']):
    plt.figure()
    plt.plot(x, y)
    plt.show()

---

目前该工具支持的风格：

---

4. 仓库地址

https://github.com/garrettj403/SciencePlots

---

5. 测试代码

""" An example of the 'science' theme. """

import numpy as np 
import matplotlib.pyplot as plt 

def model(x, p):
    return x ** (2 * p + 1) / (1 + x ** (2 * p))

x = np.linspace(0.75, 1.25, 201)

with plt.style.context(['science']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig1.pdf')
    fig.savefig('figures/fig1.jpg', dpi=300)

with plt.style.context(['science', 'ieee']):
    fig, ax = plt.subplots()
    for p in [10, 20, 50]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig2.pdf')
    fig.savefig('figures/fig2.jpg', dpi=300)

with plt.style.context(['science', 'scatter']):
    fig, ax = plt.subplots(figsize=(4,4))
    ax.plot([-2, 2], [-2, 2], 'k--')
    ax.fill_between([-2, 2], [-2.2, 1.8], [-1.8, 2.2], color='dodgerblue', alpha=0.2, lw=0)
    for i in range(7):
        x1 = np.random.normal(0, 0.5, 10)
        y1 = x1 + np.random.normal(0, 0.2, 10)
        ax.plot(x1, y1, label=r"$^\#${}".format(i+1))
    ax.legend(title='Sample', loc=2)
    ax.set_xlabel(r"$\log_{10}\left(\frac{L_\mathrm{IR}}{\mathrm{L}_\odot}\right)$")
    ax.set_ylabel(r"$\log_{10}\left(\frac{L_\mathrm{6.2}}{\mathrm{L}_\odot}\right)$")
    ax.set_xlim([-2, 2])
    ax.set_ylim([-2, 2])
    fig.savefig('figures/fig3.pdf')
    fig.savefig('figures/fig3.jpg', dpi=300)

with plt.style.context(['science', 'high-vis']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig4.pdf')
    fig.savefig('figures/fig4.jpg', dpi=300)

with plt.style.context(['dark_background', 'science', 'high-vis']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig5.pdf')
    fig.savefig('figures/fig5.jpg', dpi=300)

with plt.style.context(['science', 'notebook']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig10.pdf')
    fig.savefig('figures/fig10.jpg', dpi=300)

# Plot different color cycles 

with plt.style.context(['science', 'bright']):
    fig, ax = plt.subplots()
    for p in [5, 10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig6.pdf')
    fig.savefig('figures/fig6.jpg', dpi=300)

with plt.style.context(['science', 'vibrant']):
    fig, ax = plt.subplots()
    for p in [5, 10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig7.pdf')
    fig.savefig('figures/fig7.jpg', dpi=300)

with plt.style.context(['science', 'muted']):
    fig, ax = plt.subplots()
    for p in [5, 7, 10, 15, 20, 30, 38, 50, 100, 500]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order', fontsize=7)
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig8.pdf')
    fig.savefig('figures/fig8.jpg', dpi=300)

with plt.style.context(['science', 'retro']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig9.pdf')
    fig.savefig('figures/fig9.jpg', dpi=300)

with plt.style.context(['science', 'grid']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig11.pdf')
    fig.savefig('figures/fig11.jpg', dpi=300)