看懂医学文献中的统计图通常并不需要大堆的统计知识（读者们大多不是统计专业啊）。如果只是想看懂数据，那么弄懂一些基本的统计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。这些基本概念可以在网上如wiki很容易的查到。稍微系统一点的，可以看看类似于C以及其他几个线上教学网站的生物统计学的初级介绍课程（大部分是英文，但也有中文的）。除非个人兴趣或者专业方向要求，个人觉得并不一定需要全面学习统计课程。因为题主没有说明是做什么图，做数据和统计类的图。
全文的中心思想是什么 figure legend：基本上能把图表的中心思想，各个panel是什么描述清楚 正文result中哪些地方应用了这个图，如（Figure1a blablabla）：这个就是作者从这些数据里得到了什么结论，支持哪个假设神马的；偷懒的话看result里的小标题 具体到每个图表的话，x axis，y axis是神马（注意某些作者会通过改变y axis的来达到视觉上dramatic，striking的效果，在比较前后panel的时候要注意），sample和control分别是神马，有没有significant之类的；偷懒的话就看下那些和control有significant difference
一般做这些图有SPSS。现在用EXCEL做的也多。还有一些OFFICE软件如VISIO等。都可以做这些图的。主要是看你做什么类型的图表。关键是复制到论文后要设置字体大小及格式，很关键，
PuMed无法直接检索，可以通过viziometrics网站来检索PuMed的图片。viziometrics网站是UniversityofWashington（华盛顿大学）研究人员研发的学术图片主题搜索引擎，网站收录了包括来自PubMedCentral的800多万张图像，包含5种图形类型搜图、照片、流程、表格、公式等，能够让我们通过搜索主题词查看实验结果、学习相应实验技术的设计。通过输入搜索主题词即可搜索出相关文章原图以及相应的文章出处，与open-i网站类似。科学文献中很多信息是通过视觉的图形、照片、插图、图表和表格传递的，形象直观地传递科研成果，展示文章研究内容与实验结果。从整体层面来讲，直接阅读科研图片内容与图注是快速泛读文献的捷径。除此之外，直接搜索文章部分科研图片，则可以快速的了解图片的绘制以及针对某一现象需要怎样的科研设计。因此，科学文献中的图表在科学交流中扮演着关键的角色。
看懂医学文献中的统计图通常并不需要大堆的统计知识（读者们大多不是统计专业啊）。如果只是想看懂数据，那么弄懂一些基本的统计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。这些基本概念可以在网上如wiki很容易的查到。稍微系统一点的，可以看看类似于C以及其他几个线上教学网站的生物统计学的初级介绍课程（大部分是英文，但也有中文的）。除非个人兴趣或者专业方向要求，个人觉得并不一定需要全面学习统计课程。因为题主没有说明是做什么图，做数据和统计类的图。
全文的中心思想是什么 figure legend：基本上能把图表的中心思想，各个panel是什么描述清楚 正文result中哪些地方应用了这个图，如（Figure1a blablabla）：这个就是作者从这些数据里得到了什么结论，支持哪个假设神马的；偷懒的话看result里的小标题 具体到每个图表的话，x axis，y axis是神马（注意某些作者会通过改变y axis的来达到视觉上dramatic，striking的效果，在比较前后panel的时候要注意），sample和control分别是神马，有没有significant之类的；偷懒的话就看下那些和control有significant difference
western blot结果的分析是一个主观性比较强的过程western是一个半定量的实验。所以一般是作为定性的验证试验首先要分析的就是有无目的蛋白的条带，有无条带就是一个定性的结果，这种分析是比较简单。当然这其中还要综合考虑内参等对照样品。然后就是有条带之后，各个条带灰度值的分析，而对其灰度值的量化不外乎是在肉眼可见的基础上在给出一个数值的参考而已。所以说western blot结果的分析是一个主观性比较强而且需要综合考虑的过程
科学研究很早就已经从简单的定性分析深入到细致的定量分析，科研工作者要面对大量的数据分析问题，科研数据的统计分析结果直接影响着论文的结果分析。在医学科研写作中，实验设计的方法直接决定了数据采取何种统计学方法，因为每种统计方法都要求数据满足一定的前提和假定，所以论文在实验设计的时候，就要考虑到以后将采取哪种数据统计方法更可靠。医学统计方法的错误千差万别，其中最主要的就是统计方法和实验设计不符，造成数据统计结果不可靠。下面，医刊汇编译列举一些常见的可以避免的问题和错误：打开百度APP，查看更多高清图片一、数据统计分析方法使用错误或不当。医学论文中，最常见的此类错误就是实验设计是多组研究，需要对数据使用方差分析的时候，而作者都采用了两样本的均数检验。二、统计方法阐述不清楚。在同一篇医学论文中，不同数据要采取不同统计处理方法，这就需要作者清楚地描述出每个统计值采用的是何种统计学方法，但在许多使用一种以上数据统计分析方法的医学论文中，作者往往只是简单地把论文采用的数据统计方法进行了整体罗列，并没有对每个数据结果分析分别交代具体的统计方法，这就很难让读者确认某一具体结果作者到底采用的是何种数据分析方法。三、统计表和统计图缺失或者重复。统计表或者统计图可以直观地让读者了解统计结果。一个好的统计表或统计图应该具有独立性，即作者即使不看文章内容，也可从统计表或统计图中推断出正确的实验结果。而一些医学论文只是简单地堆砌了大量的统计数字，缺乏直观的统计图或表；或者虽然也列出了统计表或统计图，但表或图内缺项很多，让读者难以从中提取太多有用的信息。另外，也有作者为了增加文章篇幅，同时列出统计表和统计图，造成不必要的浪费和重复。统计表的优点是详细，便于分析研究各类问题。统计图(尤其是条形统计图)的优点是能够直观反映变量的数量差异。医学论文中对数据统计结果的解释，最常见的两个错误就是过度信赖P值(结果可信程度的一个递减指标)和回避阴性结果。前一个错误的原因是因为一些作者对P值含义理解有误，把数据的统计学意义和研究的临床意义混淆。所以医学研究人员一定要注意不能单纯依靠统计值武断地得出一些结论，一定要把统计结果和临床实践结合在一起，这样才会避免出现类似的错误。至于回避阴性结果，只提供阳性结果，是因为不少作者在研究设计时，难以摆脱的一种单向的思维定式就是主观地先认定自己所预想的某种结果结论。在归纳某种结果原因时，从一个方向的实验就下完美的结论，尤其是如果这个结论可能对实际情形非常有意义时。这样的思维定势过于强调统计差异的显著性，有时会刻意回避报道差异的不显著结果，不思考和探究差异不显著的原因和意义，反而会因此忽视一些重大的科学发现。
全文的中心思想是什么 figure legend：基本上能把图表的中心思想，各个panel是什么描述清楚 正文result中哪些地方应用了这个图，如（Figure1a blablabla）：这个就是作者从这些数据里得到了什么结论，支持哪个假设神马的；偷懒的话看result里的小标题 具体到每个图表的话，x axis，y axis是神马（注意某些作者会通过改变y axis的来达到视觉上dramatic，striking的效果，在比较前后panel的时候要注意），sample和control分别是神马，有没有significant之类的；偷懒的话就看下那些和control有significant difference