前言

Matplotlib 是 Python 生态中最经典、使用最广泛的数据可视化库。自 2003 年发布以来，它已经成为数据科学家、科研工作者和工程师的标准工具之一。无论是探索性数据分析、学术论文配图，还是数学建模竞赛中的结果展示，Matplotlib 都能提供强大而灵活的绘图能力。

然而，Matplotlib 的学习曲线并不平坦。它的 API 设计兼顾了简单与复杂两种需求，导致初学者常常在 pyplot 函数式接口和面向对象接口之间感到困惑；中文显示、子图布局、图表美化等常见问题也往往需要查阅大量零散的资料才能解决。

本教程的编写初衷正是为了解决这一问题——用一套系统、简洁、实用的指南，覆盖数学建模和学术写作中最常用的 Matplotlib 功能。

适用读者

• 准备参加数学建模竞赛（如美赛、国赛、MathorCup 等），需要用 Python 生成论文配图的同学

• 正在撰写学术论文，需要高质量图表的研究生和科研人员

• 学习 Python 数据分析，希望系统掌握 Matplotlib 的初学者

内容结构

本教程共分为 10 节，按照"从入门到精通"的逻辑组织：

编写特点

• 面向对象优先：全教程统一采用 OO 方式编写代码，这也是 Matplotlib 官方推荐的做法

• 中文字体开箱即用：第1节即配置好全局中文字体，后续所有图表中文正常显示

• 速查表驱动：每节末尾附有速查表，方便在实际使用时快速查阅

• 数模场景导向：所有示例均围绕数学建模和学术写作的真实场景设计

如何使用本教程

建议初学者按顺序阅读前 3 节，掌握基本绘图方式后再按需跳转到感兴趣的章节。每节内容相对独立，可以直接作为工具书查阅。教程末尾的速查表适合在编写代码时快速翻阅。

所有示例代码均可在附录压缩包的 .py 文件中找到。运行对应的脚本即可重新生成所有示例图片。

祝学习愉快！

第1节 快速入门

Matplotlib 是 Python 中最经典的可视化库，提供了两种绘图风格：pyplot 函数式和面向对象（OO）式。本节将对比两种方式，并解决中文显示这一最常见的问题。

1.1 两种绘图方式对比

pyplot 方式

pyplot 是 Matplotlib 提供的 MATLAB 风格接口，通过一系列函数调用来创建和修改图表。它的优势在于代码简洁，适合快速绘图和交互式探索。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 50)
y1 = np.sin(x)
y2 = np.cos(x)

plt.figure(figsize=(8, 5))
plt.plot(x, y1, label='sin(x)', color='#2196F3', linewidth=2)
plt.plot(x, y2, label='cos(x)', color='#FF5722', linewidth=2, linestyle='--')
plt.title('pyplot 风格绘图（函数式）', fontsize=14, fontweight='bold')
plt.xlabel('x 轴', fontsize=12)
plt.ylabel('y 轴', fontsize=12)
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

pyplot 方式背后维护着一个"当前图形"和"当前坐标轴"的全局状态。每次调用 plt.plot() 都在当前坐标轴上绘图，调用 plt.figure() 创建新图形。这种方式上手简单，但在创建多子图或复杂布局时容易出错。

面向对象方式

面向对象方式直接操作 Figure 和 Axes 对象，是 Matplotlib 官方推荐的方式。它不依赖全局状态，代码更清晰可控，适合复杂图表和批量出图。

fig, ax = plt.subplots(figsize=(8, 5))
ax.plot(x, y1, label='sin(x)', color='#2196F3', linewidth=2)
ax.plot(x, y2, label='cos(x)', color='#FF5722', linewidth=2, linestyle='--')
ax.set_title('面向对象风格绘图（推荐）', fontsize=14, fontweight='bold')
ax.set_xlabel('x 轴', fontsize=12)
ax.set_ylabel('y 轴', fontsize=12)
ax.legend()
ax.grid(True, alpha=0.3)
fig.tight_layout()
fig.show()

对比可见，OO 方式将操作显式绑定到具体的 ax（坐标轴）对象上，而不是隐式地操作全局状态。fig 是整个画布，ax 是画布上的坐标轴区域，一个 fig 可以包含多个 ax。

推荐使用面向对象方式，原因如下：

• 多子图场景下，每个子图有独立的 ax，不会互相干扰

• 函数封装更自然——把 ax 作为参数传入，而不是依赖全局状态

• 与高级布局工具（GridSpec、inset axes）配合更顺畅

• 符合 Python "显式优于隐式" 的设计哲学

在数学建模论文排版中，经常需要在一张图上拼接多个子图，或者将绘图逻辑封装成函数反复调用，OO 方式能大幅减少调试时间。

1.2 中文字体配置

Matplotlib 默认使用英文字体，中文显示会变成方块（□□□）。这是因为 Matplotlib 的字体管理器找不到合适的中文字体。以下是两种常用配置方法。

方法一：全局设置（推荐）

import matplotlib.pyplot as plt

# 设置全局字体
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']  # SimHei 是黑体
plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号

通过修改 rcParams，所有后续创建的图表都会自动使用中文字体。SimHei（黑体）是 Windows 系统自带的中文字体；macOS 可用 'PingFang SC'；Linux 可用 'WenQuanYi Micro Hei'。

axes.unicode_minus 必须设为 False，否则坐标轴上的负号会显示为方块。这是因为某些中文字体没有 Unicode 负号（−）的字形，只有 ASCII 连字符（-）。

方法二：自动检测可用字体

如果你的系统字体不确定是否包含 SimHei，可以编写一个检测函数：

import matplotlib.font_manager as fm

def find_chinese_font():
    candidates = ['SimHei', 'Microsoft YaHei', 'WenQuanYi Micro Hei',
                  'Noto Sans CJK SC', 'SimSun', 'FangSong', 'KaiTi']
    for name in candidates:
        path = fm.findfont(fm.FontProperties(family=name))
        if 'default' not in path.lower():
            return name
    return 'SimHei'  # fallback

font = find_chinese_font()
plt.rcParams['font.sans-serif'] = [font, 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

FontManager.findfont() 会返回字体文件的完整路径。如果字体不存在，它返回默认字体路径（包含 "default" 或 "unknown"），借此可以判断字体是否可用。

验证中文显示

配置完成后，用下面的代码验证中文是否正常显示：

import matplotlib.pyplot as plt
import numpy as np

# 全局字体设置
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

fig, ax = plt.subplots(figsize=(6, 4))
categories = ['一月份', '二月份', '三月份', '四月份', '五月份']
values = [4200, 5800, 6100, 7500, 8200]
colors = ['#4CAF50', '#FF9800', '#2196F3', '#9C27B0', '#F44336']
bars = ax.bar(categories, values, color=colors, edgecolor='white', linewidth=1.5)
ax.set_title('中文字体显示验证', fontsize=14, fontweight='bold')
ax.set_ylabel('销售额（元）', fontsize=12)
ax.set_xlabel('月份', fontsize=12)
for bar, val in zip(bars, values):
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 80,
            f'{val}', ha='center', va='bottom', fontsize=11, fontweight='bold')
ax.grid(True, axis='y', alpha=0.3)
fig.tight_layout()
fig.show()

标题、轴标签、刻度、数据标注全部正常显示中文，负号也能正确显示。在后续所有章节中，我们都将使用这套全局字体配置。

1.3 本节小结

关键要点：

• 全局设置中文字体后，后续所有图表自动生效

• 记得同时设置 axes.unicode_minus = False

• 后续章节统一采用面向对象方式编写代码

第2节 折线图

折线图是展示数据随连续变量变化趋势最常用的图表，广泛应用于时间序列分析、信号处理、函数可视化等场景。

2.1 基础折线与线型

ax.plot() 是绘制折线图的核心方法。通过 linestyle（或简写 ls）参数可以控制线型，color 控制颜色，linewidth（或简写 lw）控制线宽。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

x = np.linspace(0, 12*np.pi, 500)

fig, ax = plt.subplots(figsize=(8, 5))
ax.plot(x, np.sin(x), label='sin(x)', color='#2196F3', lw=2, linestyle='-')
ax.plot(x, np.cos(x), label='cos(x)', color='#FF5722', lw=2, linestyle='--')
ax.plot(x, np.sin(x)*np.exp(-x/10), label='衰减正弦波', color='#4CAF50', lw=2, ls='-.')
ax.plot(x, np.cos(x)*np.exp(-x/15), label='衰减余弦波', color='#9C27B0', lw=2, ls=':')
ax.set_title('折线图基础 — 多种线型与颜色', fontsize=14, fontweight='bold')
ax.set_xlabel('x', fontsize=12)
ax.set_ylabel('y', fontsize=12)
ax.legend(loc='upper right', frameon=True, shadow=True)
ax.grid(True, alpha=0.3)
fig.tight_layout()
fig.show()

Matplotlib 支持四种基础线型：

• - 实线（默认）

• -- 虚线

• -. 点划线

• : 点线

在数模论文中，多线图经常需要区分多条曲线。除了颜色区分，建议同时使用不同线型，因为论文打印后颜色可能不易区分。

2.2 多数据线与置信区间

实际数据分析中，经常需要在同一坐标系中绘制多条折线，并用填充区域表示置信区间或误差范围。ax.fill_between() 方法用于填充两条曲线之间的区域。

fig, ax = plt.subplots(figsize=(8, 5))
x_fill = np.linspace(0, 4*np.pi, 200)
y_upper = np.sin(x_fill) + 0.5  # 预测上限
y_lower = np.sin(x_fill) - 0.5  # 预测下限

ax.plot(x_fill, y_upper, color='#2196F3', linewidth=2, label='上限')
ax.plot(x_fill, y_lower, color='#FF5722', linewidth=2, label='下限')
ax.fill_between(x_fill, y_upper, y_lower,
                color='#2196F3', alpha=0.15, label='置信区间')
ax.set_title('折线图 — 多数据线与置信区间填充', fontsize=14, fontweight='bold')
ax.set_xlabel('时间', fontsize=12)
ax.set_ylabel('温度（℃）', fontsize=12)
ax.legend(loc='best')
ax.grid(True, alpha=0.3)
fig.tight_layout()
fig.show()

fill_between() 的关键参数：

• 前三个参数为 x 和两条 y 边界

• color 指定填充颜色

• alpha 控制透明度（0 完全透明，1 完全不透明）

• where 参数可以按条件选择性填充

where 参数在大数据可视化中非常实用。例如只填充预测值超过阈值的部分：

ax.fill_between(x_fill, y_upper, y_lower,
                where=y_upper > 0.3,
                color='red', alpha=0.2, label='超出阈值区域')

2.3 带标记的折线图

当数据点较少时，在折线上添加标记点可以突出关键数据。marker 参数控制标记形状。

x_sparse = np.linspace(0, 8, 9)
y_data = np.array([2.1, 3.5, 2.8, 5.2, 4.1, 6.8, 5.5, 8.2, 7.6])

fig, ax = plt.subplots(figsize=(8, 5))
ax.plot(x_sparse, y_data,
        marker='o', markersize=8, linewidth=2,
        color='#FF5722',
        markerfacecolor='white',      # 标记内部白色
        markeredgecolor='#FF5722',    # 标记边框颜色
        markeredgewidth=2,             # 标记边框宽度
        label='观测值')
ax.set_title('带标记点的折线图', fontsize=14, fontweight='bold')
ax.set_xlabel('采样序号', fontsize=12)
ax.set_ylabel('传感器读数', fontsize=12)
ax.legend()
ax.grid(True, alpha=0.3)
fig.tight_layout()
fig.show()

常用标记形状：

空心标记技巧：同时设置 markerfacecolor='white' 和 markeredgecolor 即可得到空心效果，视觉上更轻盈，适合数据点密集的场景。

2.4 折线图速查表

2.5 本节小结

• 折线图用 ax.plot() 绘制，核心参数是 linestyle、color、linewidth

• 数模论文中建议颜色 + 线型双重区分，保证黑白打印后可读

• fill_between() 用于置信区间、误差范围等区域填充

• 数据点稀疏时用标记点突出数据，密集时用空心标记减轻视觉负担

第3节 散点图

散点图用于展示两个变量之间的关系，是探索数据分布、发现相关性、聚类分析等任务的首选图表。

3.1 基础散点图

ax.scatter() 是绘制散点图的核心方法。最基本的用法只需要 x 和 y 两个数组。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

np.random.seed(42)
x1 = np.random.randn(100)
y1 = 2 * x1 + np.random.randn(100) * 0.5  # 正相关
x2 = np.random.randn(100) + 3
y2 = -1.5 * (x2 - 3) + np.random.randn(100) * 0.8 + 5  # 负相关

fig, ax = plt.subplots(figsize=(8, 5))
ax.scatter(x1, y1, color='#2196F3', s=50, alpha=0.7,
           label='类别 A', edgecolors='white', linewidth=1)
ax.scatter(x2, y2, color='#FF5722', s=50, alpha=0.7,
           label='类别 B', edgecolors='white', linewidth=1)
ax.set_title('基础散点图 — 两类数据分布', fontsize=14, fontweight='bold')
ax.set_xlabel('特征 X1', fontsize=12)
ax.set_ylabel('特征 X2', fontsize=12)
ax.legend()
ax.grid(True, alpha=0.3)
fig.tight_layout()
fig.show()

散点图的两个核心参数：

• s：点的大小（标量或数组），默认 40

• alpha：透明度（0~1），数据密集时调低可避免遮挡

• edgecolors：点边缘颜色，设白色可让重叠点更清晰

3.2 颜色映射散点图

当散点需要展示第三维数据时，可以用颜色映射。c 参数传入数值数组，cmap 选择配色方案。

np.random.seed(0)
x = np.random.rand(200)
y = np.random.rand(200)
z = np.sqrt((x - 0.5)**2 + (y - 0.5)**2)  # 到中心点的距离

fig, ax = plt.subplots(figsize=(7, 6))
sc = ax.scatter(x, y, c=z, cmap='viridis', s=60, alpha=0.8, edgecolors='none')
cbar = fig.colorbar(sc, ax=ax, label='到中心距离')
ax.set_title('颜色映射散点图', fontsize=14, fontweight='bold')
ax.set_xlabel('X 坐标', fontsize=12)
ax.set_ylabel('Y 坐标', fontsize=12)
ax.set_aspect('equal')
ax.grid(True, alpha=0.3)
fig.tight_layout()
fig.show()

关键要点：

• scatter() 返回一个 PathCollection 对象，将其传给 fig.colorbar() 即可添加颜色条

• cmap 选择配色方案，常用选项：

  • 'viridis'：从紫色到黄色，感知均匀（默认推荐）

  • 'plasma'：从紫色到黄色，更鲜艳

  • 'coolwarm'：从蓝色到红色，适合正负值

  • 'jet'：彩虹色，不推荐（感知不均匀）

• edgecolors='none' 去除点的边框，大面积散点时渲染更快

在大数据场景（上万数据点）中，建议结合 alpha 透明度来观察密度分布：越密集的区域颜色越深。

3.3 气泡图

气泡图是散点图的扩展，用点的大小表示第三个维度的数值，颜色表示第四个维度，实现四维数据可视化。

np.random.seed(1)
n = 25
x = np.random.randint(1, 10, n)        # X 维度
y = np.random.randint(100, 1000, n)     # Y 维度（GDP）
sizes = np.random.randint(50, 500, n)   # 气泡大小（人口）
values = np.random.randn(n)             # 颜色值（指标）

fig, ax = plt.subplots(figsize=(8, 6))
sc = ax.scatter(x, y, s=sizes, c=values, cmap='coolwarm',
                alpha=0.6, edgecolors='gray', linewidth=1)
cbar = fig.colorbar(sc, ax=ax, label='指标值')
ax.set_title('气泡图 — 三维数据可视化', fontsize=14, fontweight='bold')
ax.set_xlabel('城市编号', fontsize=12)
ax.set_ylabel('GDP（亿元）', fontsize=12)
ax.grid(True, alpha=0.3)
fig.tight_layout()
fig.show()

气泡图的四维映射关系：

在数模比赛中，气泡图非常适合展示城市经济数据（编号→GDP→人口→增长率），一图容纳多维度信息。注意气泡大小 s 的单位是像素平方，通常需要通过实验调整缩放因子使气泡大小合适。

3.4 散点图速查表

3.5 本节小结

• 散点图用 ax.scatter() 绘制，适合探索变量间关系

• 大数据量时调低 alpha 观察密度分布

• 颜色映射用 c + cmap，避免用 'jet' 配色

• 气泡图通过 s 和 c 参数实现多维数据可视化

• 数模论文中散点图常与回归线配合使用（见第2节折线图）

第4节 柱状图

柱状图是展示分类数据对比最常用的图表，适用于排名比较、组成分析、误差展示等场景。

4.1 基础柱状图

ax.bar() 绘制垂直柱状图。最基本的用法需要传入类别标签和对应的数值。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

categories = ['北京', '上海', '广州', '深圳', '杭州']
values = [12500, 11800, 9200, 10600, 8500]
colors = ['#4CAF50', '#2196F3', '#FF9800', '#F44336', '#9C27B0']

fig, ax = plt.subplots(figsize=(8, 5))
bars = ax.bar(categories, values, color=colors, edgecolor='white', linewidth=1.5)
ax.set_title('各城市 GDP 对比（亿元）', fontsize=14, fontweight='bold')
ax.set_ylabel('GDP（亿元）', fontsize=12)
for bar, val in zip(bars, values):
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 150,
            f'{val}', ha='center', va='bottom', fontsize=11, fontweight='bold')
ax.grid(True, axis='y', alpha=0.3)
fig.tight_layout()
fig.show()

关键点：

• bar() 返回 BarContainer 对象，可遍历每个 bar 获取位置信息

• ax.text() 在柱顶添加数值标注，bar.get_x() + bar.get_width()/2 是柱子中心

• edgecolor='white' 给柱子加白色边框，视觉效果更清爽

• 柱状图建议只保留 y 轴网格线，避免 x 轴网格线干扰柱子视觉

4.2 分组柱状图

分组柱状图用于在相同分类下对比多个数据系列。关键是计算每个系列柱子的 x 位置偏移。

categories = ['一季度', '二季度', '三季度', '四季度']
product_a = [320, 450, 380, 520]
product_b = [280, 390, 420, 480]
x_pos = np.arange(len(categories))
width = 0.35

fig, ax = plt.subplots(figsize=(8, 5))
ax.bar(x_pos - width/2, product_a, width, label='产品 A', color='#2196F3')
ax.bar(x_pos + width/2, product_b, width, label='产品 B', color='#FF5722')
ax.set_title('分组柱状图 — 两种产品季度销量对比', fontsize=14, fontweight='bold')
ax.set_ylabel('销量（万件）', fontsize=12)
ax.set_xticks(x_pos)
ax.set_xticklabels(categories)
ax.legend()
ax.grid(True, axis='y', alpha=0.3)
fig.tight_layout()
fig.show()

分组柱状图的核心技巧：

• 用 np.arange() 生成整数 x 位置

• 每个系列的 x 位置向左右偏移 width/2

• 如果有 n 个系列，总宽度为 n * width，需调整 width 避免重叠

• set_xticks() 和 set_xticklabels() 手动设置刻度标签

4.3 误差棒柱状图

在数模论文中展示实验结果时，经常需要在柱状图上添加误差棒表示标准差或置信区间。yerr 参数直接传入误差值即可。

categories = ['算法1', '算法2', '算法3', '算法4', '算法5']
mean_acc = [0.82, 0.88, 0.91, 0.85, 0.79]
std_acc = [0.03, 0.02, 0.04, 0.05, 0.03]

fig, ax = plt.subplots(figsize=(8, 5))
bars = ax.bar(categories, mean_acc, yerr=std_acc, capsize=8,
              color='#2196F3', edgecolor='white', linewidth=1.5,
              error_kw={'elinewidth': 2, 'ecolor': '#333333'})
ax.set_title('算法准确率对比（含标准差误差棒）', fontsize=14, fontweight='bold')
ax.set_ylabel('准确率', fontsize=12)
ax.set_ylim(0, 1.1)
for i, (bar, val) in enumerate(zip(bars, mean_acc)):
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + std_acc[i] + 0.03,
            f'{val:.2f}', ha='center', va='bottom', fontsize=11, fontweight='bold')
ax.grid(True, axis='y', alpha=0.3)
fig.tight_layout()
fig.show()

误差棒关键参数：

• yerr：误差值，可以是标量（所有柱子相同）或数组（每个柱子不同）

• capsize：误差棒顶部横线宽度（点单位）

• error_kw：字典，控制误差棒样式（elinewidth 线宽、ecolor 颜色）

数模论文中展示算法对比时，误差棒是必须的，它告诉读者结果的稳定性。没有误差棒的柱状图在学术评审中通常被认为不够严谨。

4.4 水平柱状图

当类别标签较长或类别数量较多时，水平柱状图（barh()）是更好的选择。

fig, ax = plt.subplots(figsize=(8, 5))
bars_h = ax.barh(categories, values, color=colors[::-1],
                 edgecolor='white', linewidth=1.5)
ax.set_title('水平柱状图 — 城市 GDP 排名', fontsize=14, fontweight='bold')
ax.set_xlabel('GDP（亿元）', fontsize=12)
for bar, val in zip(bars_h, values[::-1]):
    ax.text(bar.get_width() + 100, bar.get_y() + bar.get_height()/2,
            f'{val}', va='center', fontsize=11, fontweight='bold')
ax.grid(True, axis='x', alpha=0.3)
fig.tight_layout()
fig.show()

barh() 与 bar() 的区别：

• 参数顺序变为 (y, width) 而非 (x, height)

• 文本标注改用 bar.get_width() 和 bar.get_y()

• 网格线改为 x 轴方向

4.5 柱状图速查表

4.6 本节小结

• 垂直柱状图用 bar()，水平用 barh()，长标签用水平

• 分组柱状图用 np.arange() + 偏移量计算位置

• 数模论文中实验对比必须加误差棒（yerr 参数）

• 柱顶标注数值时注意与误差棒不重叠

第5节 饼图与环形图

饼图用于展示部分与整体的比例关系，适合类别数量较少（通常不超过 7 个）的场景。

5.1 基础饼图

ax.pie() 绘制饼图。最基本的用法只需传入各部分的数值数组。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

labels = ['直接访问', '搜索引擎', '社交媒体', '邮件营销', '其他']
sizes = [335, 410, 280, 150, 95]
colors = ['#2196F3', '#4CAF50', '#FF9800', '#9C27B0', '#607D8B']
explode = (0.08, 0, 0, 0, 0)

fig, ax = plt.subplots(figsize=(8, 6))
wedges, texts, autotexts = ax.pie(
    sizes, labels=labels, colors=colors,
    explode=explode, autopct='%1.1f%%',
    startangle=90,
    textprops={'fontsize': 11},
    pctdistance=0.75,
    wedgeprops={'edgecolor': 'white', 'linewidth': 2})
for autotext in autotexts:
    autotext.set_color('white')
    autotext.set_fontweight('bold')
    autotext.set_fontsize(12)
ax.set_title('网站流量来源分布', fontsize=14, fontweight='bold', pad=20)
fig.show()

pie() 的关键参数：

• explode：元组，控制每块饼的"突出"程度（0 为不突出，值越大越突出）

• autopct：格式化字符串，'%1.1f%%' 表示保留 1 位小数的百分比

• startangle：起始角度（度），90 表示从 12 点钟方向开始

• pctdistance：百分比文字距圆心的相对距离（0~1）

• wedgeprops：饼块样式字典，edgecolor='white' 添加白色分隔线

pie() 返回三个对象：wedges（饼块）、texts（标签）、autotexts（百分比文字），可以分别设置样式。

5.2 环形图

环形图是饼图的变体，中间挖空。视觉上更现代，中间区域可用于放置标题或汇总信息。

labels = ['CPU', '内存', '硬盘', '网络', '其他']
sizes = [35, 25, 20, 12, 8]
colors = ['#F44336', '#2196F3', '#4CAF50', '#FF9800', '#9E9E9E']

fig, ax = plt.subplots(figsize=(7, 7))
wedges, texts, autotexts = ax.pie(
    sizes, labels=labels, colors=colors,
    autopct='%1.1f%%', startangle=90,
    pctdistance=0.8,
    wedgeprops={'width': 0.45, 'edgecolor': 'white', 'linewidth': 2},
    textprops={'fontsize': 12})
for autotext in autotexts:
    autotext.set_color('white')
    autotext.set_fontweight('bold')
    autotext.set_fontsize(13)
ax.text(0, 0, '资源\n消耗', ha='center', va='center',
        fontsize=16, fontweight='bold')
ax.set_title('服务器资源环形图', fontsize=14, fontweight='bold', pad=20)
fig.show()

环形图的关键在于 wedgeprops={'width': 0.45}：

• width 控制环的宽度（0~1），值越小环越细

• 中心空白区域用 ax.text(0, 0, ...) 添加文字

• 环形图比饼图更节省空间，适合嵌入仪表盘或报告

5.3 嵌套饼图

嵌套饼图用两层（或多层）饼展示层级数据，外圈表示大类，内圈表示子类。

# 外圈：大类
labels_outer = ['前端', '后端', '数据']
sizes_outer = [40, 35, 25]
colors_outer = ['#2196F3', '#4CAF50', '#FF9800']
# 内圈：子类
labels_inner = ['Vue', 'React', 'Django', 'Flask', 'MySQL', 'MongoDB']
sizes_inner = [22, 18, 20, 15, 15, 10]
colors_inner = ['#64B5F6', '#42A5F5', '#81C784', '#66BB6A', '#FFB74D', '#FFA726']

fig, ax = plt.subplots(figsize=(8, 7))
wedges1, texts1 = ax.pie(sizes_outer, radius=1.0, labels=labels_outer,
                         colors=colors_outer, startangle=90,
                         wedgeprops={'width': 0.3, 'edgecolor': 'white'},
                         textprops={'fontsize': 13, 'fontweight': 'bold'})
wedges2, texts2, _ = ax.pie(sizes_inner, radius=0.65, labels=labels_inner,
                            colors=colors_inner, startangle=90,
                            wedgeprops={'width': 0.25, 'edgecolor': 'white'},
                            textprops={'fontsize': 10},
                            autopct='%1.0f%%')
ax.set_title('技术栈分布 — 嵌套饼图', fontsize=14, fontweight='bold', pad=20)
fig.show()

嵌套饼图技巧：

• 调用两次 pie()，分别设置不同的 radius（外圈半径大）

• width 参数让饼块变为环形

• 内圈可以用 autopct 显示比例，外圈只显示标签

• 注意内外圈的数据比例要一致（内圈各子类之和 = 外圈对应大类的值）

5.4 饼图速查表

5.5 本节小结

• 饼图适合类别少（≤ 7 类）的比例展示，类别多时改用柱状图

• explode 参数可突出关键数据块

• 环形图通过 wedgeprops={'width': ...} 实现，中间可放置汇总信息

• 嵌套饼图适合展示层级数据，外圈大类、内圈子类

• 数模论文中饼图常用于展示资源分配、构成比例分析

第6节 直方图

直方图用于展示连续型数据的分布特征，是数据分析中探索数据分布形态、发现异常值、判断正态性的基础工具。

6.1 基础直方图

ax.hist() 绘制直方图。最基本的用法只需传入一维数据数组。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

np.random.seed(42)
data = np.random.normal(loc=50, scale=10, size=1000)

fig, ax = plt.subplots(figsize=(8, 5))
n, bins, patches = ax.hist(data, bins=30, color='#2196F3',
                           edgecolor='white', alpha=0.8)
ax.set_title('学生考试成绩分布（N=1000）', fontsize=14, fontweight='bold')
ax.set_xlabel('分数', fontsize=12)
ax.set_ylabel('频数', fontsize=12)
ax.axvline(data.mean(), color='red', linestyle='--', linewidth=2,
           label=f'均值 = {data.mean():.1f}')
ax.axvline(np.median(data), color='green', linestyle=':', linewidth=2,
           label=f'中位数 = {np.median(data):.1f}')
ax.legend()
ax.grid(True, axis='y', alpha=0.3)
fig.tight_layout()
fig.show()

hist() 返回三个值：

• n：每个区间的频数（计数）

• bins：区间边界数组（长度为 n+1）

• patches：每个柱子的 Rectangle 对象列表

常用参数：

• bins：分箱数量（整数）或边界数组。数据量大时建议 30~50 箱，数据量少时 10~20 箱

• density：设为 True 时纵轴变为概率密度（总面积为 1）

• edgecolor='white'：加白色边框使相邻柱子分隔清晰

• ax.axvline()：添加垂直参考线，常用于标注均值、中位数

6.2 多组数据叠加直方图

对比多组数据的分布时，可以传入数据列表给 hist()。histtype 参数控制叠加方式。

np.random.seed(0)
group_a = np.random.normal(loc=100, scale=15, size=800)
group_b = np.random.normal(loc=120, scale=20, size=800)
group_c = np.random.normal(loc=85, scale=10, size=800)

fig, ax = plt.subplots(figsize=(8, 5))
ax.hist([group_a, group_b, group_c], bins=30,
        label=['A 批次', 'B 批次', 'C 批次'],
        color=['#2196F3', '#FF5722', '#4CAF50'],
        alpha=0.6, edgecolor='white', histtype='bar')
ax.set_title('三批次产品质量指标分布对比', fontsize=14, fontweight='bold')
ax.set_xlabel('质量指标', fontsize=12)
ax.set_ylabel('频数', fontsize=12)
ax.legend()
ax.grid(True, axis='y', alpha=0.3)
fig.tight_layout()
fig.show()

histtype 参数可选值：

多组数据叠加时注意：

• 各组样本量不同会导致高度不可比，建议设 density=True 归一化

• 用不同颜色 + 透明度区分各组分布

• 组间均值和方差的差异一目了然

6.3 直方图 + 核密度曲线

在大数据场景下，将归一化直方图与核密度估计（KDE）曲线叠加，可以同时展示数据分布的离散特征和连续趋势。

import numpy as np
from scipy.stats import gaussian_kde

np.random.seed(1)
data = np.random.exponential(scale=2, size=2000)

fig, ax = plt.subplots(figsize=(8, 5))
n, bins, patches = ax.hist(data, bins=40, density=True,
                           color='#2196F3', alpha=0.5,
                           edgecolor='white', label='直方图（归一化）')
# 核密度估计
kde = gaussian_kde(data)
x_kde = np.linspace(bins[0], bins[-1], 300)
ax.plot(x_kde, kde(x_kde), color='#FF5722', linewidth=2.5,
        label='核密度曲线')
ax.set_title('服务器请求响应时间分布', fontsize=14, fontweight='bold')
ax.set_xlabel('响应时间（秒）', fontsize=12)
ax.set_ylabel('概率密度', fontsize=12)
ax.legend()
ax.grid(True, axis='y', alpha=0.3)
fig.tight_layout()
fig.show()

关键点：

• density=True 使直方图纵轴变为概率密度，与 KDE 曲线量纲一致

• gaussian_kde 来自 scipy.stats，自动估计最优带宽

• KDE 曲线平滑地展示了数据的概率密度函数

• 在数模论文中，这种组合图常用于展示实验数据的分布特性

注意：density=True（Matplotlib 2.1+）替代了旧的 normed=True 参数。旧代码中如果看到 normed，需要改为 density。

6.4 直方图速查表

6.5 本节小结

• 直方图用 ax.hist() 绘制，展示连续数据的分布形态

• bins 控制分箱粒度，数据量大时可适当增加

• 多组数据对比用列表传入，注意样本量不同时应归一化

• density=True + 核密度曲线是展示分布的高级组合

• 数模论文中直方图常用于探索性数据分析（EDA）阶段

第7节 箱线图

箱线图（Box Plot）通过五数概括（最小值、第一四分位数、中位数、第三四分位数、最大值）展示数据分布，同时标出异常值，是探索性数据分析的核心工具。

7.1 基础箱线图

ax.boxplot() 绘制箱线图。最基本用法只需传入数据列表。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

np.random.seed(42)
data1 = np.random.normal(loc=50, scale=8, size=200)
data2 = np.random.normal(loc=55, scale=12, size=200)
data3 = np.random.normal(loc=45, scale=6, size=200)
data4 = np.random.normal(loc=60, scale=10, size=200)

fig, ax = plt.subplots(figsize=(8, 5))
bp = ax.boxplot([data1, data2, data3, data4],
                tick_labels=['实验组 A', '实验组 B', '实验组 C', '实验组 D'],
                patch_artist=True,
                boxprops=dict(facecolor='#2196F3', alpha=0.6),
                medianprops=dict(color='red', linewidth=2),
                whiskerprops=dict(color='#333', linewidth=1.5),
                capprops=dict(color='#333', linewidth=1.5),
                flierprops=dict(marker='o', color='#FF5722', alpha=0.5, markersize=5))
ax.set_title('四组实验数据箱线图对比', fontsize=14, fontweight='bold')
ax.set_ylabel('测量值', fontsize=12)
ax.grid(True, axis='y', alpha=0.3)
fig.tight_layout()
fig.show()

箱线图的五个关键组成部分：

• 箱体：从 Q1（25% 分位数）到 Q3（75% 分位数），高度为 IQR

• 中位线：箱体中的红线，表示中位数（50% 分位数）

• 须线：从箱体延伸到非异常值的最大/最小值（默认 1.5×IQR 范围）

• 异常值：超出须线范围的点，用圆圈标注

• patch_artist=True：使箱体可填充颜色（否则只画边框）

样式控制通过字典参数：

• boxprops：箱体样式

• medianprops：中位线样式

• whiskerprops：须线样式

• capprops：须线末端横线样式

• flierprops：异常值样式

7.2 分组箱线图

在数模比赛中，经常需要对比多种算法在多个指标上的表现分布。分组箱线图可以同时展示两个维度的对比。

np.random.seed(0)
n_models = 5
n_runs = 50
tick_labels = ['LR', 'SVM', 'RF', 'XGBoost', 'NN']
precision = [np.random.normal(0.80 + i*0.02, 0.03, n_runs) for i in range(n_models)]
recall = [np.random.normal(0.75 + i*0.03, 0.04, n_runs) for i in range(n_models)]

fig, ax = plt.subplots(figsize=(10, 5))
bp1 = ax.boxplot(precision, positions=np.arange(n_models) - 0.2, widths=0.35,
                 patch_artist=True,
                 boxprops=dict(facecolor='#2196F3', alpha=0.6),
                 medianprops=dict(color='red', linewidth=2),
                 flierprops=dict(marker='.', alpha=0.5, markersize=4))
bp2 = ax.boxplot(recall, positions=np.arange(n_models) + 0.2, widths=0.35,
                 patch_artist=True,
                 boxprops=dict(facecolor='#FF5722', alpha=0.6),
                 medianprops=dict(color='red', linewidth=2),
                 flierprops=dict(marker='.', alpha=0.5, markersize=4))
ax.set_xticks(np.arange(n_models))
ax.set_xticklabels(tick_labels)
ax.set_title('五种分类算法 Precision 与 Recall 分布', fontsize=14, fontweight='bold')
ax.set_ylabel('指标值', fontsize=12)
ax.legend([bp1['boxes'][0], bp2['boxes'][0]], ['Precision', 'Recall'])
ax.grid(True, axis='y', alpha=0.3)
fig.tight_layout()
fig.show()

分组箱线图技巧：

• 用 positions 参数手动控制每个箱线图的位置

• 两个系列的 x 位置分别偏移 -0.2 和 +0.2，形成并排效果

• widths 控制箱体宽度，避免重叠

• 图例通过 bp['boxes'][0] 获取箱体对象来创建

这种图在数模论文的实验部分非常实用：一眼就能看出哪个算法不仅均值高，而且稳定性好（箱体窄、异常值少）。

7.3 水平箱线图

当类别标签较长时，水平箱线图（vert=False）更易读。

np.random.seed(1)
categories = ['算法 A', '算法 B', '算法 C', '算法 D', '算法 E']
data = [np.random.normal(loc=50 + i*5, scale=8 + i, size=150) for i in range(5)]

fig, ax = plt.subplots(figsize=(8, 5))
bp = ax.boxplot(data, vert=False,
                tick_labels=categories,
                patch_artist=True,
                boxprops=dict(facecolor='#4CAF50', alpha=0.6),
                medianprops=dict(color='red', linewidth=2),
                flierprops=dict(marker='o', color='#F44336', alpha=0.5, markersize=5))
ax.set_title('水平箱线图 — 算法性能分布', fontsize=14, fontweight='bold')
ax.set_xlabel('运行时间（秒）', fontsize=12)
ax.grid(True, axis='x', alpha=0.3)
fig.tight_layout()
fig.show()

vert=False 将箱线图旋转为水平方向，x 轴变为数值轴。

7.4 箱线图速查表

7.5 本节小结

• 箱线图用 ax.boxplot() 绘制，展示五数概括和异常值

• patch_artist=True 是填充颜色的前提

• 数模论文中箱线图是算法对比的标准图表，比柱状图+误差棒传递更多信息

• 分组箱线图通过 positions 参数实现并排效果

• 长标签用 vert=False 改为水平方向

第8节 子图与布局

数模论文和数据分析报告经常需要将多张图表组合在一个画布上。Matplotlib 提供了三种层次的子图布局方案，从简单到灵活依次增强。

8.1 基础子图：subplots()

plt.subplots() 是最常用的子图创建方式，返回一个 Figure 对象和一个 Axes 数组。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

x = np.linspace(0, 10, 100)

fig, axes = plt.subplots(2, 2, figsize=(10, 8))
axes[0, 0].plot(x, np.sin(x), color='#2196F3', linewidth=2)
axes[0, 0].set_title('sin(x)', fontsize=12)
axes[0, 0].grid(True, alpha=0.3)

axes[0, 1].plot(x, np.cos(x), color='#FF5722', linewidth=2)
axes[0, 1].set_title('cos(x)', fontsize=12)
axes[0, 1].grid(True, alpha=0.3)

axes[1, 0].plot(x, np.exp(-x/5), color='#4CAF50', linewidth=2)
axes[1, 0].set_title('e^(-x/5)', fontsize=12)
axes[1, 0].grid(True, alpha=0.3)

axes[1, 1].plot(x, x**2, color='#9C27B0', linewidth=2)
axes[1, 1].set_title('x^2', fontsize=12)
axes[1, 1].grid(True, alpha=0.3)

fig.suptitle('2×2 基础子图布局', fontsize=14, fontweight='bold', y=1.02)
fig.tight_layout()
fig.show()

关键点：

• plt.subplots(nrows, ncols) 返回 (fig, axes)，axes 是二维数组

• 通过 axes[row, col] 访问每个子图的坐标轴

• fig.suptitle() 设置整个画布的大标题

• fig.tight_layout() 自动调整子图间距，避免标签重叠（必加）

• y=1.02 让大标题略高于画布，避免与子图标题重叠

8.2 多类型图表组合面板

数模论文的实验结果展示经常需要在一张图中组合多种图表类型。通过 fig.add_subplot() 可以灵活放置不同类型的图表。

import matplotlib.gridspec as gridspec

fig = plt.figure(figsize=(12, 8))
gs = fig.add_gridspec(2, 3, hspace=0.3, wspace=0.3)

# 第一行三个子图
ax1 = fig.add_subplot(gs[0, 0])
ax1.hist(np.random.normal(0, 1, 1000), bins=30, color='#2196F3', alpha=0.7, edgecolor='white')
ax1.set_title('正态分布直方图', fontsize=12)

ax2 = fig.add_subplot(gs[0, 1])
ax2.bar(['A', 'B', 'C', 'D'], [35, 28, 22, 15],
        color=['#FF5722', '#4CAF50', '#2196F3', '#FF9800'])
ax2.set_title('分类柱状图', fontsize=12)

ax3 = fig.add_subplot(gs[0, 2])
x_sc = np.random.rand(200)
y_sc = np.random.rand(200)
z = np.sqrt((x_sc - 0.5)**2 + (y_sc - 0.5)**2)
ax3.scatter(x_sc, y_sc, c=z, cmap='viridis', s=40, alpha=0.7)
ax3.set_title('散点图（颜色映射）', fontsize=12)

# 第二行：折线图跨两列
ax4 = fig.add_subplot(gs[1, :2])
t = np.linspace(0, 4*np.pi, 200)
ax4.plot(t, np.sin(t), color='#2196F3', lw=2, label='sin')
ax4.plot(t, np.cos(t), color='#FF5722', lw=2, label='cos')
ax4.set_title('折线图组合', fontsize=12)
ax4.legend()

# 第二行：饼图
ax5 = fig.add_subplot(gs[1, 2])
ax5.pie([35, 28, 22, 15], labels=['A', 'B', 'C', 'D'],
        autopct='%1.0f%%', wedgeprops={'edgecolor': 'white'})
ax5.set_title('饼图', fontsize=12)

fig.suptitle('多类型图表组合面板', fontsize=14, fontweight='bold')
fig.show()

GridSpec 索引语法：

• gs[0, 0]：第 0 行第 0 列

• gs[0, :2]：第 0 行，第 0~1 列（跨列）

• gs[1, :]：第 1 行，所有列

• gs[0:2, 0]：第 0~1 行，第 0 列（跨行）

8.3 GridSpec 不规则布局

当需要主次分明的布局（一个大图 + 多个小图）时，GridSpec 提供了最大的灵活性。

fig = plt.figure(figsize=(10, 8))
gs = fig.add_gridspec(3, 3, hspace=0.35, wspace=0.3)

# 主图：占据左上 2×2 区域
ax_main = fig.add_subplot(gs[0:2, 0:2])
x = np.linspace(0, 10, 200)
ax_main.plot(x, np.sin(x)*np.exp(-x/8), color='#2196F3', lw=2.5)
ax_main.fill_between(x, 0, np.sin(x)*np.exp(-x/8), alpha=0.2, color='#2196F3')
ax_main.set_title('主图 — 衰减正弦波', fontsize=13, fontweight='bold')
ax_main.set_xlabel('时间', fontsize=11)
ax_main.set_ylabel('幅值', fontsize=11)
ax_main.grid(True, alpha=0.3)

# 右侧两个小图
ax_small1 = fig.add_subplot(gs[0, 2])
ax_small1.bar(['A', 'B', 'C'], [30, 45, 25], color='#4CAF50')
ax_small1.set_title('柱状图', fontsize=11)

ax_small2 = fig.add_subplot(gs[1, 2])
ax_small2.scatter(np.random.randn(80), np.random.randn(80),
                  c=np.random.randn(80), cmap='coolwarm', s=30, alpha=0.7)
ax_small2.set_title('散点图', fontsize=11)

# 底部横跨3列
ax_bottom = fig.add_subplot(gs[2, :])
x2 = np.linspace(0, 2*np.pi, 100)
ax_bottom.plot(x2, np.sin(3*x2), color='#FF5722', lw=2)
ax_bottom.plot(x2, np.cos(3*x2), color='#2196F3', lw=2)
ax_bottom.set_title('底部 — 高频信号对比', fontsize=13)
ax_bottom.grid(True, alpha=0.3)

fig.suptitle('GridSpec 不规则布局', fontsize=14, fontweight='bold')
fig.show()

GridSpec 的核心优势：

• 将画布划分为 n×m 网格，每个子图可以占据任意矩形区域

• 适合论文中"主结果图 + 辅助分析图"的排版需求

• hspace 和 wspace 控制行间距和列间距

• 可以混合使用不同图表类型，视觉层次分明

8.4 子图布局速查表

8.5 本节小结

• subplots() 适合规则网格布局，返回 axes 数组方便循环操作

• GridSpec 适合不规则布局，主图+小图组合

• fig.tight_layout() 是避免标签重叠的关键（经常忘记）

• 数模论文中常用"大图展示主要结果，小图展示辅助分析"的布局策略

第9节 图表美化

数模论文和学术报告对图表的美观度有较高要求。本节系统介绍 Matplotlib 的图表美化方法，从基础元素到整体风格。

9.1 完整美化示例

一个高质量的图表需要在标题、标签、坐标轴、图例、网格、标注等多个方面精细调整。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

np.random.seed(42)
x = np.linspace(0, 10, 200)
y1 = np.sin(x) * np.exp(-x/8)
y2 = np.cos(x) * np.exp(-x/10)

fig, ax = plt.subplots(figsize=(10, 6))

# 绘制数据线 + 填充区域
ax.plot(x, y1, color='#2196F3', linewidth=2.5, label='信号 A')
ax.plot(x, y2, color='#FF5722', linewidth=2.5, label='信号 B')
ax.fill_between(x, y1, y2, where=y1 > y2, color='#2196F3', alpha=0.1)
ax.fill_between(x, y1, y2, where=y1 <= y2, color='#FF5722', alpha=0.1)

# 标题与标签
ax.set_title('信号对比分析', fontsize=16, fontweight='bold', pad=15)
ax.set_xlabel('时间（秒）', fontsize=13, labelpad=10)
ax.set_ylabel('幅值', fontsize=13, labelpad=10)

# 坐标轴美化：隐藏上、右边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['left'].set_linewidth(1.5)
ax.spines['bottom'].set_linewidth(1.5)
ax.tick_params(axis='both', which='major', labelsize=12, length=6, width=1.5)

# 参考线
ax.axhline(y=0, color='gray', linestyle='-', linewidth=0.8, alpha=0.5)
ax.axvline(x=5, color='gray', linestyle='--', linewidth=1, alpha=0.5,
           label='t = 5 时刻')

# 标注关键点
peak_x = x[np.argmax(y1)]
peak_y = np.max(y1)
ax.annotate(f'峰值 ({peak_x:.1f}, {peak_y:.2f})',
            xy=(peak_x, peak_y), xytext=(peak_x + 1, peak_y + 0.15),
            fontsize=11, fontweight='bold', color='#2196F3',
            arrowprops=dict(arrowstyle='->', color='#2196F3', lw=1.5))

# 图例
ax.legend(loc='upper right', fontsize=12, frameon=True,
          framealpha=0.9, shadow=True, edgecolor='gray')

# 网格
ax.grid(True, linestyle=':', alpha=0.4)

fig.tight_layout()
fig.show()

坐标轴美化是学术图表的关键步骤：

• spines['top'].set_visible(False) 和 spines['right'].set_visible(False) 隐藏上、右边框，使图表更开放清爽（这是现代学术图表的标准做法）

• tick_params() 统一控制刻度样式：labelsize 字号、length 刻度线长度、width 线宽

• labelpad 控制轴标签与坐标轴的距离

• ax.annotate() 添加带箭头的文字标注，xy 是目标点，xytext 是文字位置

• arrowprops 控制箭头样式，arrowstyle='->' 是简洁的单向箭头

9.2 内置风格

Matplotlib 提供了多种内置风格，一键切换图表整体外观。

styles = ['default', 'seaborn-v0_8', 'grayscale', 'classic']
fig, axes = plt.subplots(2, 2, figsize=(12, 10))

for ax, style in zip(axes.flat, styles):
    plt.style.use(style)
    # style 会覆盖字体配置，需重新设置
    plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
    x = np.linspace(0, 2*np.pi, 100)
    ax.plot(x, np.sin(x), linewidth=2, label='sin(x)')
    ax.plot(x, np.cos(x), linewidth=2, label='cos(x)')
    ax.set_title(f'style: {style}', fontsize=13)
    ax.legend(fontsize=10)
    ax.grid(True, alpha=0.3)

plt.style.use('default')  # 恢复默认
fig.suptitle('Matplotlib 内置风格对比', fontsize=15, fontweight='bold')
fig.tight_layout()
fig.show()

常用内置风格：

重要提示：plt.style.use() 会覆盖全局字体配置，切换风格后需重新设置 font.sans-serif。

查看所有可用风格：plt.style.available

9.3 配色方案

Matplotlib 提供了丰富的配色方案（colormap），分为连续型、发散型和定性型三类。

fig, axes = plt.subplots(1, 3, figsize=(14, 5))
x = np.linspace(0, 10, 100)
colormaps = ['viridis', 'plasma', 'coolwarm']

for ax, cmap_name in zip(axes, colormaps):
    cmap = plt.get_cmap(cmap_name)
    for i in range(8):
        y = np.sin(x + i * 0.5) * np.exp(-x/10) + i * 0.5
        ax.plot(x, y, color=cmap(i/7), linewidth=2.5)
    ax.set_title(f'配色方案: {cmap_name}', fontsize=13, fontweight='bold')
    ax.grid(True, alpha=0.3)

fig.suptitle('Matplotlib 常用配色方案', fontsize=15, fontweight='bold')
fig.tight_layout()
fig.show()

常用配色方案分类：

• 连续型：viridis（推荐）、plasma、magma、inferno、cividis

• 发散型：coolwarm、RdBu、PiYG（适合正负值数据）

• 定性型：tab10、tab20、Set1、Set2（适合分类数据）

• 序列型：Blues、Greens、Oranges、Reds（单色渐变）

数模论文配色建议：

• 优先使用 viridis，感知均匀且色盲友好

• 避免使用 jet（彩虹色），感知不均匀且容易引起误导

• 多线图用 tab10 或 Set1 获取区分度高的颜色

• 论文打印前用 grayscale 风格预览，确保黑白打印后仍可区分

9.4 美化速查表

9.5 本节小结

• 学术图表建议隐藏上、右边框（spines 设置）

• plt.style.use() 切换风格后会覆盖字体配置，需重新设置

• 配色首选 viridis，避免 jet

• annotate() 是标注关键数据点的核心工具

• 论文提交前用灰度风格预览，确保打印效果

第10节 保存与导出

图表绘制完成后，正确地保存和导出是确保论文排版质量的关键一步。不同格式和参数会直接影响最终效果。

10.1 基础保存与 DPI

fig.savefig() 是保存图表的核心方法。最重要的参数是 dpi（每英寸点数），它决定了图像的清晰度。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

x = np.linspace(0, 10, 200)
y = np.sin(x) * np.exp(-x/8)

fig, ax = plt.subplots(figsize=(6, 4))
ax.plot(x, y, color='#2196F3', linewidth=2)
ax.set_title('示例图表', fontsize=12)
ax.grid(True, alpha=0.3)
fig.tight_layout()

# 不同 DPI 保存
fig.savefig('output_72.png', dpi=72)    # 屏幕预览
fig.savefig('output_150.png', dpi=150)  # 文档使用
fig.savefig('output_300.png', dpi=300)  # 论文印刷
fig.savefig('output_600.png', dpi=600)  # 高质量出版
plt.close()

DPI 选择建议：

bbox_inches='tight' 参数自动裁剪多余的空白边距，使图表更紧凑：

fig.savefig('output.png', dpi=300, bbox_inches='tight')

10.2 文件格式选择

Matplotlib 支持多种文件格式，各有优劣。

# 常见格式导出
fig.savefig('chart.png', dpi=300)   # PNG：无损压缩，推荐
fig.savefig('chart.jpg', dpi=300)   # JPEG：有损压缩，文件小
fig.savefig('chart.pdf')            # PDF：矢量格式，无限缩放
fig.savefig('chart.svg')            # SVG：矢量格式，网页友好
fig.savefig('chart.eps')            # EPS：LaTeX 传统格式
fig.savefig('chart.tiff', dpi=300)  # TIFF：印刷出版标准

格式对比：

数模论文推荐：

• 插入 Word：用 PNG（300 DPI）

• 插入 LaTeX：用 PDF 或 EPS（矢量，放大不模糊）

• 在线提交：用 PNG（兼容性好）

• 需要后期编辑：用 SVG（可用 Inkscape 编辑）

10.3 透明背景

当需要将图表叠加到演示文稿或其他背景上时，透明背景非常有用。

fig, ax = plt.subplots(figsize=(6, 4))
ax.plot(x, y, color='#2196F3', linewidth=2.5)
ax.set_title('透明背景示例', fontsize=14, fontweight='bold')
ax.set_xlabel('时间', fontsize=12)
ax.set_ylabel('幅值', fontsize=12)
ax.grid(True, alpha=0.3, linestyle=':')
fig.tight_layout()
fig.savefig('transparent.png', dpi=150,
            bbox_inches='tight', transparent=True)
plt.close()

transparent=True 使图表背景（包括 facecolor 和 edgecolor）变为透明。注意：

• 仅 PNG、PDF、SVG 支持透明背景

• JPEG 不支持透明（会自动填充白色背景）

• 透明图表插入深色背景时效果最佳

10.4 批量导出

数模比赛中经常需要批量生成多张图表。将绘图逻辑封装成函数，用循环批量导出。

import os

def save_algorithm_chart(algorithm_name, data, output_dir='images'):
    """保存单个算法的性能图表"""
    fig, ax = plt.subplots(figsize=(7, 5))
    ax.boxplot(data, patch_artist=True,
               boxprops=dict(facecolor='#2196F3', alpha=0.6),
               medianprops=dict(color='red', linewidth=2))
    ax.set_title(f'{algorithm_name} 性能分布', fontsize=13, fontweight='bold')
    ax.set_xlabel('训练轮次', fontsize=12)
    ax.set_ylabel('准确率', fontsize=12)
    ax.grid(True, axis='y', alpha=0.3)
    fig.tight_layout()

    # 安全文件名（去除空格和特殊字符）
    safe_name = algorithm_name.replace(' ', '_').replace('/', '_')
    filepath = os.path.join(output_dir, f'{safe_name}.png')
    fig.savefig(filepath, dpi=150, bbox_inches='tight')
    plt.close(fig)
    return filepath

# 批量导出
algorithms = ['随机森林', 'SVM', '逻辑回归', '神经网络', 'XGBoost']
for alg in algorithms:
    np.random.seed(hash(alg) % 10000)
    data = [np.random.normal(0.85, 0.03, 50) for _ in range(5)]
    save_algorithm_chart(alg, data)

批量导出最佳实践：

• 每次导出后调用 plt.close() 释放内存，防止大量图表占用过多内存

• 文件名用 algorithm_name.replace(' ', '_') 替换特殊字符

• 用 os.path.join() 构建路径，跨平台兼容

• 可以添加 try-except 处理保存失败的情况

10.5 保存参数速查表

10.6 本节小结

• fig.savefig() 是保存图表的唯一方法

• 数模论文推荐 PNG（300 DPI） 或 PDF（矢量）

• bbox_inches='tight' 自动裁剪空白，必加

• 批量导出时每次 plt.close() 释放内存

• 透明背景用 transparent=True，仅 PNG/PDF/SVG 支持

附录：完整代码获取

本教程所有代码均可通过以下链接下载：

matplot教程示例代码.zip