在阅览文献时，计算图表不简略了解。有没有相关书本，教程，论坛或许网站引荐。还有我想学习制造图表的办法，有没有相关软件
鄙人不是学计算的，平常搞搞neuroscience，顺带一点自学的生物信息处理下基因组数据
2. figure legend：根本上能把图表的中心思想，各个panel是什么描绘清楚
3. 正文result中哪些当地应用了这个图，如（Figure1a blablabla）：这个便是作者从这些数据里得到了什么定论，支撑哪个假定神马的；偷闲的话看result里的小标题
4. 详细到每个图表的话，x axis，y axis是神马（留意某些作者会经过改动y axis的来到达视觉上dramatic，striking的效果，在比较前后panel的时分要留意），sample和control分别是神马，有没有significant之类的；偷闲的话就看下那些和control有significant difference
1. 前面说到的Excel，R，SPSS等：Excel合适初级用户（您能写脚本的话当我没说），R要编程（我这种小白往往花半响，满世界google做个图自己看了还要再吐半响），MATLAB老板不买，SPSS没用过，SAS没学会 ==！
榜首，要对文章粗心有根本了解，每个图表都会有相应的阐明（legend）和文章正文里的陈说性句子。根据这些信息，能够对图示有整体掌握了。
第二，根本的计算学常识，知道P值，95% CI，standard deviation， standard error，T test和ANOVA之类的。刚美观到一篇日志，贴一下
第三，便是阅历了，看的文章多了，计算图示就那几种，即便作者稍加修正，也变不出什么花脚乌龟来，主张多阅览带计算学内容的文章。最初会慢一点，苦楚一点，后边就举一反三了。
国内比较常用的是SPSS，本科上课时根本便是用的这个软件，长处是会的人比较多，能够直接找师兄师姐之类学习，易上手。
国外主要用R和SAS。两者都比SPSS功用强大。R较易上手，并且是免费软件，细巧简便，附下载地址：Download R-3.0.2 for Windows. The R-project for statistical computing.R做的图比SAS美观一些，并且学术界用R的居多。下图是R做的correlation matrix。
SAS是最高端大气上档次的。工业界的干流数据处理软件，功用强大，体系资源占有率高，需求交年费（但国人总能找到办法下载破解版的），不太简略上手，但真实了解之后比R更好用。美国业界撒播一句话：只需会SAS，找工作就不愁了。下图是用SAS做的residual plot。
别的作图的话，EXCEL也能够用，下载各种插件(摸我Best hyperbolic curve in excel downloads.)，尽管做出的图不行富丽，但宣布论文也够用了。还引荐一个软件叫Kaleidagraph,做的图十分富丽上档次，见下图。
========================================
一般地，作者会在文章正文中清晰解说问题1，粗略地解说2，企图证明问题3。而问题2的相关细节会散落在正文的results、discussion、methods/experimental section中，以及图释和supporting information里。越是专业的人，越要读得详尽，要考虑办法上有没有不同于传统办法的当地，办法自身是否可信。图中的各种细节也要特别留神，比方轴、坐标、单位的含义，极值、拐点的含义，error bar的巨细，scale bar的巨细，等等等等。搞清楚办法，详细到各个细节，那么文章是否可信天然能够得到定论。假如感觉不行信，能够找其他专业人士乃至作者自己评论。由于修改和审稿人的精力、水平、研讨阅历等能够了解的原因，许多经受了同行评定的文章相同有许多疑点（尽管比未经同行评定的文章要牢靠得多）。
假如读的进程中有概念/办法不了解，最牢靠可是也最耗时的办法是根据文中罗列的参阅文献按图索骥。不知道题主的专业范畴是什么。假如不在相关范畴，需求的常识根底是不太或许在一个晚上就建立起来的。假如是这种状况，我的主张是：找一个专业范畴的靠谱朋友，请他/她吃顿饭，让他/她帮助解说一下。
假如是专业范畴内的东西而暂时超出自己的常识范畴（假如没记错，题主现在上大二？），其实最省时省力高效的办法仍是找该范畴的高年级研讨生师兄师姐或靠谱学霸解说一下。假如不便利，找其他有相关研讨阅历的同学评论也好。
假如是非专业人士，又不需求对这个常识的传达负责任的话，只需体会文章的定论就好。那样的话看看文章的abstract和conclusion，再关于图表定位到原文中找总结性言语就够了。
看懂医学文献中的计算图一般并不需求大堆的计算常识（读者们大多不是计算专业啊）。假如仅仅想看懂数据，那么弄懂一些根本的计算概念和一些常用词汇如 significance,P-value等等，就应该足以看懂大部分的数据图。这些根本概念能够在网上如wiki很简略的查到。
略微体系一点的，能够看看相似于及其他几个线上教育网站的生物计算学的初级介绍课程（大部分是英文，但也有中文的）。除非个人兴趣或许专业方向要求，个人觉得并不必定需求全面学习计算课程。
由于题主没有阐明是做什么图，做数据和计算类的图，个人的确经常用的是excel。
另一个我常用的是 Adobe illustrator，很便使用于处理数据图，
文献里的计算图假如让你需求学习大堆计算常识才干看懂，并且这的确又是你专业界的文献，并且你现已不是专业小白。
那这是必定作者的错！这群娃子欠好好写图注搞得一个二个都看不理解，决断发邮件给一作和通讯作者以讨教的名义开骂
光说计算图吗？这个如同真的是……有点计算学常识就很简略了。并且比较于其他试验学科，医学要求的计算常识真的不多，除非做生信的。根本校园里的计算课好好上就能省一大笔钱，再先进的办法也能够以这些常识为根底去自学。不过网上仍是有许多小白教程和资源。针对你的问题，下面分别从读图和作图两方面来说说我的阅历。
所以你所说的不理解，是不是指一些技术细节？假如是遇到生疏的术语，像bootstrap啥的，仍是好好使用各大查找引擎吧。你问我有没有详细资源……我也忘了，许多都是即时查找，
Coursera.org上有课，可我仍是喜爱遇到详细问题时，以事例为根底带动习。丁香园论坛不错，咱们会把自己读文献写文章时遇到的详细问题拿出来评论，都是不错的事例。但如同现在有点冷，更新慢。国外的有Cross Validated，不过形似评论得更深了，偏计算专业……
1年前，我的大众号上有过一篇文章，以一篇NEJM上的临床研讨文章为例，疏理文献中的一些常见图表，希望能帮到你。
要说制图的话，我在另一个问题的答复中介绍过一些软件和留意事项，我觉得办法上现已比较清楚了，当然不只限于计算图啦：4179/answer/250802866
然后我仍是推重以事例带动学习的办法，制图原本便是手工活，要着手练的。不知你有没有数据资料，没资料练个毛啊。有自己的数据是最好的，不过太少了。下面是一些获取数据的阅历。
OA便是敞开获取权限嘛，许多文章都附有原始数据，这也是近年科研加大力度倡议的，但不OA的话你经过Sci-hub只能拿到原文，拿不到数据。别的，也不是每篇文章都附有，真的要辛苦找。我常找的几本杂志有：Nature communications、Oncotarget、Scientific Report、BMC。后边几本的研讨质量没有前一本好，但真实没数据时就别厌弃了，横竖练手嘛。
有许多，有泛的也有专的。一些专做某种剖析办法的包里会带有适用数据，比方survival包做生计剖析的，其示例数据便是梅奥诊所的研讨数据。
别的你或许听过一些数据共享网站，比方Figshare，但那上面大多是Plos One的，你不厌弃也能用。Dryad又不只限于医学，我看了一眼好像偏重于环境科学，得挖。
做研讨需求有判别文献重要性的剖析才能，文献数量巨大，假如单是搜集而不阅览，也是仅需其外败絮其中。假如全部都阅览，海量的文献信息也不或许做到彻底的吸收。许多长辈都给咱们指出怎么应对海量文献，那便是根据自己的实践状况,评价出重要性，根据重要性选用不同的阅览手法，与自己课题无直接联系的就做扼要了解。比较重要文章与自己课题联系密切要先看摘要和研讨成果，看是否除掉不必要阅览。
十分重要的是那些可影响你研讨范畴的文献，无论是办法学、新的物质分子、新的研讨规划等。要把相关信息都细心查阅，乃至那些详细的试验过程。但即便是文献都不是必定的，在某些程度上或许会有缺点，防止重要文献的误导。看文献不是简略回忆文献，有必要是剖析和了解文献。文献中不理解的信息都需求追寻信息来历。读文献必定不是背书，是剖析透彻，了解全面，看透实质
现用我最近阅览的一个重要的小文章作为实践比如来阐明这个问题。氢气生物学研讨现已有4年了，曩昔根本上咱们是依照这样一个简略的思路：氢气具有抗氧化效果是个新发现的现象。对各类氧化损害类疾病都或许具有医治效果，例如各类器官缺血再灌注损害、炎症损害现已细胞凋亡等，因而一般挑选题意图道路便是，挑选一个没有人作的疾病模型，选用氢气医治，调查医治效果，能够从详细疾病的研讨形式进行，然后针对氧化损害进行研讨，以确认这种医治效果与氧化损害有联系，在这个根底上，选找一些或许比较重要的信号分子，例如NFKb、FGF2、NRF2等，环绕这些分子进行上下游的追寻，以确认这些分子是否参加医治机制。这类研讨从实质上讲没有太多新意，一般的研讨生都能够挑选，优点是宣布论文简略，研讨周期短，见效快。这两年咱们根本上是依照这个形式展开研讨的，国际上几个比较重要的试验室也是这么做的，区别是咱们研讨的规划和细节不同罢了。这个阶段也很重要，对将来的临床研讨供给了重要的参阅根据。但上述研讨套路归于打靶法，有碰运气的成分，有相对重复的问题。
假如能用组学手法对一些蛋白、小分子、基因表达进行挑选，用这些研讨手法中寻觅一些或许有价值的方针，然后选用惯例研讨手法，验证这些方针改动的真实性和功用。就比较有新意和重要性了。当然假如自己没有这样的条件，就有必要重视相似的发展，从研评论文中挖掘出自己需求的金子。这样的功德往往比较少，一般假如有比较大实力的试验室会不着急宣布这些数据，或许不宣布有或许是重要发现的数据，等自己做的差不多了再宣布，等你理解过来，他们早就下手了，走运的是，由于组学研讨信息量比较大，一个单位不或许把一切的内容都作完，乃至都不能确认那个方针是最重要的，由于数量改动不必定就代表功用的改变，仅仅提示有或许具有重要效果罢了。这就给那些条件较差的单位供给了机会。
计算图表望文生义 反响计算成果的图表 所以去学习数理计算，线性代数等科目内容就好了
看文献的阶段，关于文献中的图和表，主要是看懂作者是想经过它表达什么意思，是精度，散布，相关性仍是其他等等。
以自己的阅历来说，我之前做的研讨偏工科，博士论文一部分计算和算法，一部分操控。详细触摸医学计算学，是研讨生末段。
我看大都国内文献都是SPSS，你假如做硕士论文的话，会用SPSS应该足够了。详细教程可百度之。
国外的有R，SAS，咱们工科有时喜爱用MATLAB做，尽管我现在发现MATLAB做出来是真的好丑，可是懒得换了要毕业了。
详细研讨方向，其实图表都很固定，你读几篇文献后，详细针对这几幅图的含义，进行学习，和制图就能够了。
相同，针对不同的研讨小方向，或许会用不同的剖析软件，有些或许某研讨所自行开发的，但计算图的含义都是相同的。
学好计算就天然而然看的懂了。感兴趣的话亮点data visualisation的书。实践上你读不理解图表的话，必定也读不理解计算成果。一般来说图表是成果的简化出现。
上一篇
previous
下一篇
Next article