Python绘制符合Nature标准的三元图全指南

1. 三元图概述与Nature期刊图表标准

三元图（Ternary Plot）是一种在三个变量系统中展示数据分布的二维图形表示方法。这种图表在材料科学、地球化学、食品科学等领域尤为常见，能够直观展示三种成分的比例关系。Nature期刊作为顶级学术出版物，对其图表有着严格的视觉和科学性要求。

三元图由等边三角形构成，三个顶点分别代表100%的单一成分，三条边对应其中一种成分为0%的情况。图中任意一点到三条边的垂直距离之和恒等于三角形的高，这一几何特性完美契合了三组分总和为100%的约束条件。

Nature期刊对图表的核心要求包括：

• 分辨率不低于300dpi
• 字体使用Arial或Helvetica，字号不小于8pt
• 坐标轴标签明确包含量和单位
• 颜色使用区分明显且考虑色盲友好
• 图例位置合理不遮挡数据
• 数据点形状和大小具有可辨识性

2. Python绘图工具选型与配置

2.1 主流三元图库对比

在Python生态中，绘制三元图主要有以下选择：

对于Nature级别的出版需求，推荐使用ternary+matplotlib组合方案，兼顾灵活性和出版质量。

2.2 环境配置

bash复制# 创建conda环境
conda create -n ternary_plot python=3.9
conda activate ternary_plot

# 安装核心库
pip install numpy matplotlib ternary pandas

2.3 字体配置

确保系统已安装Arial字体，或在matplotlib中配置PostScript字体：

python复制import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['font.sans-serif'] = ['Arial']
plt.rcParams['pdf.fonttype'] = 42  # 确保文字可编辑

3. 数据准备与预处理

3.1 数据格式规范

三元图数据通常需要满足：

1. 三个主要组分列，每行数据总和应为100%
2. 可选的第四列作为颜色映射变量
3. 文本数据需转换为数值

示例数据结构：

3.2 数据归一化处理

python复制import pandas as pd

def normalize_ternary(df):
    total = df[['SiO2','Al2O3','FeO']].sum(axis=1)
    df['SiO2_norm'] = df['SiO2']/total*100
    df['Al2O3_norm'] = df['Al2O3']/total*100 
    df['FeO_norm'] = df['FeO']/total*100
    return df

data = pd.read_csv('geochemical_data.csv')
data = normalize_ternary(data)

3.3 异常值处理

检查并处理不符合三元约束的数据：

python复制# 识别异常样本
outliers = data[(data[['SiO2_norm','Al2O3_norm','FeO_norm']].sum(axis=1) < 99.9) | 
                (data[['SiO2_norm','Al2O3_norm','FeO_norm']].sum(axis=1) > 100.1)]

# 可选择删除或重新归一化
data_clean = data.drop(outliers.index)

4. 基础三元图绘制

4.1 创建三角坐标系

python复制import ternary

fig, tax = ternary.figure(scale=100)
fig.set_size_inches(6, 5.5)  # Nature常用尺寸

# 绘制网格线
tax.gridlines(multiple=10, linewidth=0.5, linestyle="--")
tax.gridlines(multiple=25, linewidth=0.8)
tax.gridlines(multiple=50, linewidth=1.2)

# 设置边界和轴标签
tax.boundary(linewidth=1.5)
tax.left_axis_label("SiO$_2$ (wt%)", offset=0.16, fontsize=10)
tax.right_axis_label("Al$_2$O$_3$ (wt%)", offset=0.16, fontsize=10)
tax.bottom_axis_label("FeO (wt%)", offset=-0.06, fontsize=10)

# 设置刻度
tax.ticks(axis='lbr', multiple=10, linewidth=1, 
          tick_formats="%.0f", offset=0.02, fontsize=8)

4.2 散点图绘制

python复制# 转换坐标
points = data_clean[['SiO2_norm','Al2O3_norm','FeO_norm']].values
scatter = tax.scatter(points, marker='o', s=20, 
                     c=data_clean['Temperature'], 
                     cmap='viridis', edgecolors='k', linewidth=0.3)

# 添加色标
cbar = plt.colorbar(scatter, pad=0.15)
cbar.set_label('Temperature (°C)', fontsize=9)
cbar.ax.tick_params(labelsize=8)

4.3 样式优化

python复制# 调整边距
plt.subplots_adjust(left=0.15, right=0.85, bottom=0.1, top=0.95)

# 设置DPI和输出
plt.savefig('ternary_plot.tif', dpi=300, format='tiff', 
           bbox_inches='tight', pil_kwargs={"compression": "lzw"})

5. 高级可视化技巧

5.1 组分趋势线绘制

python复制from scipy import stats

# 计算SiO2-Al2O3趋势线
slope, intercept, r_value, _, _ = stats.linregress(
    data['SiO2_norm'], data['Al2O3_norm'])
x = np.array([min(data['SiO2_norm']), max(data['SiO2_norm'])])
y = slope * x + intercept

# 转换为三元坐标
line_points = np.column_stack((x, y, 100-x-y))
tax.plot(line_points, linewidth=1.5, linestyle='-', 
        color='maroon', label=f'R²={r_value**2:.2f}')

5.2 密度等高线

python复制from scipy.stats import gaussian_kde

# 计算二维核密度
xy = points[:,0] + points[:,1] * np.exp(1j * np.pi/3)
kde = gaussian_kde(np.array([xy.real, xy.imag]))

# 生成网格
grid = np.linspace(0, 100, 100)
X, Y = np.meshgrid(grid, grid)
Z = kde(np.array([X.ravel(), Y.ravel()])).reshape(X.shape)

# 绘制等高线
contour = tax.contourf(X, Y, Z, levels=5, cmap='Oranges', alpha=0.3)

5.3 多子图组合

python复制fig, (ax1, ax2) = ternary.subplots(2, 1, 
                                  figsize=(6, 10),
                                  gridspec_kw={'height_ratios': [2, 1]})

# 主图
tax1 = ternary.TernaryAxesSubplot(ax=ax1, scale=100)
tax1.plot(points, 'o', markersize=4)

# 边缘分布
tax2 = ternary.TernaryAxesSubplot(ax=ax2, scale=100)
for component, color in zip(['SiO2','Al2O3','FeO'], 
                           ['r','g','b']):
    hist, bins = np.histogram(data[f'{component}_norm'], bins=20)
    tax2.plot(bins[:-1], hist, color=color, label=component)

6. Nature级图表优化

6.1 视觉元素调整

python复制# 使用Nature推荐色板
nature_palette = ['#4E79A7','#F28E2B','#E15759','#76B7B2',
                 '#59A14F','#EDC948','#B07AA1','#FF9DA7']

# 重绘散点图
tax.scatter(points, c=data['Sample_Type'], 
           cmap=ListedColormap(nature_palette),
           s=25, edgecolor='w', linewidth=0.4)

# 添加图例
legend_elements = [Line2D([0], [0], marker='o', color='w', 
                         label=stype,
                         markerfacecolor=color, 
                         markersize=8) 
                  for stype, color in zip(data['Sample_Type'].unique(), 
                                        nature_palette)]
tax.legend(handles=legend_elements, loc='upper right', 
          fontsize=8, framealpha=0.7)

6.2 学术标注规范

python复制# 添加相边界线
phase_boundaries = {
    'Olivine': [(60,20,20), (40,10,50)],
    'Plagioclase': [(50,40,10), (30,60,10)]
}

for phase, coords in phase_boundaries.items():
    tax.plot(coords, linewidth=1.2, linestyle='--')
    tax.annotate(phase, coords[0], fontsize=8, 
                ha='center', va='center',
                bbox=dict(boxstyle='round,pad=0.2', 
                         fc='white', ec='none', alpha=0.7))

6.3 输出格式验证

确保最终输出满足：

• TIFF或EPS格式
• CMYK色彩模式
• 嵌入字体或文字转曲
• 最小线宽0.5pt
• 关键元素与边界保持3mm以上距离

python复制# 专业出版级输出
plt.savefig('final_plot.eps', format='eps', 
           dpi=1200, 
           facecolor='none', 
           edgecolor='none',
           bbox_inches='tight',
           pad_inches=0.05,
           transparent=True)

7. 常见问题与解决方案

7.1 坐标轴标签重叠

解决方案：

• 调整offset参数增加标签偏移
• 使用旋转文本
• 选择性显示主要刻度标签

python复制tax.right_axis_label("Al$_2$O$_3$ (wt%)", 
                    offset=0.18, 
                    rotation=-60, 
                    va='bottom')

7.2 大数据集渲染缓慢

优化策略：

1. 使用rasterization
2. 降低marker复杂度
3. 分块绘制

python复制tax.scatter(large_points, rasterized=True, 
           marker='.', s=2, alpha=0.5)

7.3 颜色映射科学性问题

注意事项：

• 避免使用彩虹色系
• 色盲友好组合
• 与数据特性匹配（顺序型/分类型）

推荐色系：

• 连续数据：viridis, plasma, cividis
• 分类数据：Tableau 10, Set2, Dark2

8. 完整案例：地球化学数据可视化

以下是一个完整的地球化学三元图实现：

python复制# 数据加载与清洗
geochem = pd.read_excel('mantle_samples.xlsx')
geochem = geochem.query('Total_Oxides > 99.5 & Total_Oxides < 100.5')

# 创建图形
fig, tax = ternary.figure(scale=100)
fig.set_size_inches(7, 6)

# 高级样式设置
tax.set_title("Upper Mantle Composition", 
             pad=25, fontsize=12, weight='bold')
tax.boundary(linewidth=1.8)
tax.gridlines(multiple=10, color='gray', alpha=0.6)
tax.gridlines(multiple=25, color='black', alpha=0.8)

# 绘制不同地幔源区
for source, color in zip(['MORB','OIB','ARC'], 
                        ['#117733','#882255','#332288']):
    subset = geochem[geochem['Source'] == source]
    points = subset[['SiO2','MgO','FeOT']].values
    tax.scatter(points, color=color, label=source, s=25, 
               edgecolor='w', linewidth=0.4)

# 添加矿物相区
minerals = {
    'Olivine': [(45,50,5), (40,55,5), (35,60,5)],
    'Pyroxene': [(55,35,10), (50,40,10), (45,45,10)]
}
for mineral, coords in minerals.items():
    tax.plot(coords, linewidth=1.5, linestyle=':')
    tax.annotate(mineral, coords[1], fontsize=9, 
                ha='center', va='center',
                bbox=dict(boxstyle='round', 
                         fc='white', ec='none', pad=0.2))

# 最终调整
tax.legend(loc='upper left', fontsize=9, 
          title='Mantle Source', title_fontsize=10)
tax.ticks(axis='lbr', multiple=10, linewidth=1, 
          fontsize=8, offset=0.025)
tax.left_axis_label("SiO$_2$ (wt%)", offset=0.18, fontsize=10)
tax.right_axis_label("MgO (wt%)", offset=0.18, fontsize=10)
tax.bottom_axis_label("FeO$_T$ (wt%)", offset=-0.08, fontsize=10)

plt.savefig('mantle_composition.eps', format='eps', 
           dpi=1200, bbox_inches='tight')