一條平滑的密度曲線，能呈現數據的趨勢，但也可能掩蓋重要的細節。過度平滑（Over-smoothing）會抹平特徵，使不同的子群體混為一談；平滑度不足（Under-smoothing）則會放大抽樣雜訊，產生一連串虛假的分佈峰值。因此，要繪製一張具備學術說服力的機率密度圖，不僅需要乾淨的原始觀測值，更必須仔細檢驗其呈現的曲線形狀是否穩定。
SciDraw 的 機率密度圖產生器（Density Plot Maker） 能將您的 CSV 或 Excel 表格直接轉換為核密度估計（Kernel Density Estimation, KDE）曲線，並能一鍵匯入 SciVis 進行後續的視覺化編輯。我們提供了六種經典的範例數據集，涵蓋單一分佈、分組比較、偏態分佈、雙峰分佈、直方圖疊加以及山脊圖（Ridgeline）等常見的學術圖表樣式。
製作機率密度圖的常見誤區
- 將密度誤認為次數（Count）： Y 軸代表的是估計的「機率密度」，而非絕對頻數；在標準情況下，曲線下的總積分面積應等於一。
- 忽略頻寬（Bandwidth）的影響： 頻寬直接決定了曲線的平滑程度，進而會改變讀者對分佈峰值數量的認知。
- 在不同尺度上比較分組： 進行分組對比時，各組的數據轉換方式與計量單位必須完全一致。
- 樣本數過少時強行使用： 平滑的曲線容易給人「證據充分」的錯覺，若樣本量太小，這種視覺呈現可能會產生誤導。
- 過度裁剪尾部（Tails）： 貿然截斷 X 軸可能會隱藏極端值，而這些極端值在臨床或實驗中往往具有關鍵意義。
密度圖需要什麼格式的數據？
請準備「長格式（Long-format）」的表格，確保每行僅包含一筆觀測值：
| 欄位名稱 | 用途說明 | 範例數據 |
|---|---|---|
sample_id | 觀測值唯一識別碼 | Control_01 |
group | 分組標籤（選填，用於對比） | Control |
value | 數值測量值 | 38.92 |
您可以參考我們的 單一密度 CSV 範例 或 分組對比 CSV 範例。請注意，數值儲存格內不要包含單位，且缺失值（Missing values）的表示方式需保持前後一致。
