matplotlib-best-practices

Matplotlib 最佳实践

Matplotlib 开发专家指南，重点关注数据可视化、绘图和创建适合发表的图表。

代码风格与结构

• 编写简洁、技术准确的 Python 代码，并提供准确的 Matplotlib 示例
• 创建信息丰富、视觉效果出色的图表，并设置恰当的标签、标题和图例
• 复杂图表使用面向对象 API，快速绘图使用 pyplot
• 遵循 PEP 8 风格指南
• 在所有可视化中考虑色盲人士的无障碍需求

API 使用方式

面向对象接口（推荐）

• 使用 fig, ax = plt.subplots() 进行显式控制
• 适用于复杂图表和生产代码
• 在坐标轴对象上调用方法：ax.plot()、ax.set_xlabel()
• 支持多个子图和细粒度自定义

Pyplot 接口

• 使用 plt.plot()、plt.xlabel() 创建快速交互式图表
• 适用于 Jupyter 笔记本和探索性分析
• 在 Jupyter 笔记本中使用 %matplotlib inline

创建有效的可视化

图表类型与选择

• 折线图（ax.plot()）适用于连续数据和趋势
• 散点图（ax.scatter()）适用于展示变量之间的关系
• 条形图（ax.bar()、ax.barh()）适用于类别比较
• 直方图（ax.hist()）适用于展示分布
• 箱线图（ax.boxplot()）适用于统计摘要
• 热图（ax.imshow()、ax.pcolormesh()）适用于二维数据

标签与注释

• 始终为坐标轴添加带单位的标签
• 使用能够传达信息的描述性标题
• 存在多个数据系列时添加图例
• 使用注释（ax.annotate()）突出显示关键点
• 适当注明数据来源

颜色与样式

• 使用适合色盲人士的调色板（例如，'viridis'、'plasma'、'cividis'）
• 为满足无障碍需求，避免使用红绿色组合
• 在不同图表中为相同类别使用一致的颜色
• 根据数据类型选择合适的颜色映射：
  • 顺序型：连续数据使用 'viridis'、'plasma'
  • 发散型：具有有意义中心值的数据使用 'RdBu'、'coolwarm'
  • 定性型：类别数据使用 'Set1'、'tab10'

图表布局与构图

子图

• 使用 plt.subplots(nrows, ncols) 创建网格布局
• 使用 gridspec 创建复杂的非均匀布局
• 使用 sharex=True、sharey=True 共享坐标轴以便比较
• 使用 constrained_layout=True 或 tight_layout() 防止内容重叠

图表尺寸与分辨率

• 显式设置图表尺寸：figsize=(width, height)，单位为英寸
• 根据预期输出设置合适的 DPI（屏幕显示为 72，印刷为 300+）
• 标准尺寸：演示文稿使用 (10, 6)，论文使用 (8, 6)

自定义

样式表

• 使用内置样式：plt.style.use('seaborn-v0_8')、'ggplot'
• 创建自定义样式文件，以保持品牌风格一致
• 组合多种样式：plt.style.use(['seaborn-v0_8', 'custom.mplstyle'])

文本与字体

• 使用 LaTeX 表示数学符号：r'$\alpha = \frac{1}{2}$'
• 设置字体系列以保持一致性
• 根据预期显示尺寸调整字号，确保可读性

保存与导出

文件格式

• 发表时使用矢量格式（PDF、SVG、EPS）
• 网页和演示文稿使用支持透明度的 PNG
• 仅对照片使用 JPEG（有损压缩）

导出设置

• 使用 bbox_inches='tight' 去除多余空白
• 使用 facecolor 设置背景颜色
• 根据使用场景指定合适的 dpi
• 叠加图像时使用 transparent=True

性能优化

• 对包含大量点的散点图使用 rasterized=True
• 考虑对数据降采样以便可视化
• 保存后使用 plt.close() 关闭图表
• 在循环中创建大量图表时使用 plt.close('all')

关键约定

• 使用 import matplotlib.pyplot as plt 导入
• 生产代码使用面向对象 API
• 始终标注坐标轴并注明单位
• 在预期显示尺寸下测试可视化效果
• 选择颜色时考虑无障碍需求