matplotlib

Matplotlib

概述

Matplotlib 是 Python 的基础可视化库，用于创建静态、动画和交互式绘图。本技能介绍如何有效使用 matplotlib，涵盖 pyplot 接口（MATLAB 风格）和面向对象 API（Figure/Axes），以及创建适用于出版的高质量可视化图表的最佳实践。

适用场景

在以下情况下应使用本技能：

• 创建任何类型的绘图或图表（折线图、散点图、柱状图、直方图、热力图、等高线图等）
• 生成科学或统计可视化图表
• 自定义绘图外观（颜色、样式、标签、图例）
• 使用子图创建多面板图
• 将可视化图表导出为各种格式（PNG、PDF、SVG 等）
• 构建交互式绘图或动画
• 处理 3D 可视化
• 将绘图集成到 Jupyter 笔记本或 GUI 应用程序中

设置

对于项目开发，使用 uv 安装 Matplotlib：

uv add matplotlib

启用笔记本交互功能：

uv add matplotlib ipympl

然后在 Jupyter 中使用 %matplotlib widget 或 %matplotlib ipympl 启用 widget 后端。

Matplotlib 3.10 需要 Python 3.10+ 和 NumPy 1.23+。通过 Agg、PDF 和 SVG 等后端可以进行非交互式文件输出。对于 GUI 窗口，Matplotlib 会自动选择可用的后端；如果在由 uv 管理的 Python 中 TkAgg 无法运行，请使用 uv self update 和 uv python upgrade --reinstall 更新 uv 和 Python 构建版本，或使用 uv add pyside6 安装 Qt 后端。

核心概念

Matplotlib 层级结构

Matplotlib 使用分层的对象结构：

1. Figure - 包含所有绘图元素的顶层容器
2. Axes - 显示数据的实际绘图区域（一个 Figure 可以包含多个 Axes）
3. Artist - 图中所有可见元素（线条、文本、刻度等）
4. Axis - 处理刻度和标签的数轴对象（x 轴、y 轴）

两种接口

1. pyplot 接口（隐式，MATLAB 风格）

import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()

• 适合快速创建简单绘图
• 自动维护状态
• 适用于交互式工作和简单脚本

2. 面向对象接口（显式）

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4])
ax.set_ylabel('some numbers')
plt.show()

• 适用于大多数场景，推荐使用
• 可以更明确地控制图和坐标轴
• 更适合包含多个子图的复杂图表
• 更易于维护和调试

常见工作流

1. 创建基本绘图

单图工作流：

import matplotlib.pyplot as plt
import numpy as np

# Create figure and axes (OO interface - RECOMMENDED)
fig, ax = plt.subplots(figsize=(10, 6))

# Generate and plot data
x = np.linspace(0, 2*np.pi, 100)
ax.plot(x, np.sin(x), label='sin(x)')
ax.plot(x, np.cos(x), label='cos(x)')

# Customize
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_title('Trigonometric Functions')
ax.legend()
ax.grid(True, alpha=0.3)

# Save and/or display
fig.savefig('plot.png', dpi=300, bbox_inches='tight')
plt.show()

2. 多个子图

创建子图布局：

# Method 1: Regular grid
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
axes[0, 0].plot(x, y1)
axes[0, 1].scatter(x, y2)
axes[1, 0].bar(categories, values)
axes[1, 1].hist(data, bins=30)

# Method 2: Mosaic layout (more flexible)
fig, axes = plt.subplot_mosaic([['left', 'right_top'],
                                 ['left', 'right_bottom']],
                                figsize=(10, 8))
axes['left'].plot(x, y)
axes['right_top'].scatter(x, y)
axes['right_bottom'].hist(data)

# Method 3: GridSpec (maximum control)
from matplotlib.gridspec import GridSpec
fig = plt.figure(figsize=(12, 8))
gs = GridSpec(3, 3, figure=fig)
ax1 = fig.add_subplot(gs[0, :])  # Top row, all columns
ax2 = fig.add_subplot(gs[1:, 0])  # Bottom two rows, first column
ax3 = fig.add_subplot(gs[1:, 1:])  # Bottom two rows, last two columns

3. 绘图类型和适用场景

折线图 - 时间序列、连续数据、趋势

ax.plot(x, y, linewidth=2, linestyle='--', marker='o', color='blue')

散点图 - 变量间关系、相关性

ax.scatter(x, y, s=sizes, c=colors, alpha=0.6, cmap='viridis')

柱状图 - 分类比较

ax.bar(categories, values, color='steelblue', edgecolor='black')
# For horizontal bars:
ax.barh(categories, values)

直方图 - 分布

ax.hist(data, bins=30, edgecolor='black', alpha=0.7)

热力图 - 矩阵数据、相关性

im = ax.imshow(matrix, cmap='coolwarm', aspect='auto')
plt.colorbar(im, ax=ax)

等高线图 - 在 2D 平面上呈现 3D 数据

contour = ax.contour(X, Y, Z, levels=10)
ax.clabel(contour, inline=True, fontsize=8)

箱线图 - 统计分布

ax.boxplot([data1, data2, data3], tick_labels=['A', 'B', 'C'])

小提琴图 - 分布密度

ax.violinplot([data1, data2, data3], positions=[1, 2, 3])

有关绘图类型及其变体的全面示例，请参阅 references/plot_types.md。

4. 样式和自定义

颜色指定方式：

• 命名颜色：'red'、'blue'、'steelblue'
• 十六进制代码：'#FF5733'
• RGB 元组：(0.1, 0.2, 0.3)
• 色图：cmap='viridis'、cmap='plasma'、cmap='coolwarm'

使用样式表：

plt.style.use('seaborn-v0_8-darkgrid')  # Apply predefined style
# Available styles: 'ggplot', 'bmh', 'fivethirtyeight', etc.
print(plt.style.available)  # List all available styles

使用 rcParams 自定义：

plt.rcParams['font.size'] = 12
plt.rcParams['axes.labelsize'] = 14
plt.rcParams['axes.titlesize'] = 16
plt.rcParams['xtick.labelsize'] = 10
plt.rcParams['ytick.labelsize'] = 10
plt.rcParams['legend.fontsize'] = 12
plt.rcParams['figure.titlesize'] = 18

文本和注释：

ax.text(x, y, 'annotation', fontsize=12, ha='center')
ax.annotate('important point', xy=(x, y), xytext=(x+1, y+1),
            arrowprops=dict(arrowstyle='->', color='red'))

有关详细的样式选项和色图指南，请参阅 references/styling_guide.md。

5. 保存图表

导出为各种格式：

# High-resolution PNG for presentations/papers
fig.savefig('figure.png', dpi=300, bbox_inches='tight', facecolor='white')

# Vector format for publications (scalable)
fig.savefig('figure.pdf', bbox_inches='tight')
fig.savefig('figure.svg', bbox_inches='tight')

# Transparent background
fig.savefig('figure.png', dpi=300, bbox_inches='tight', transparent=True)

重要参数：

• dpi：分辨率（出版物用 300，网页用 150，屏幕用 72）
• bbox_inches='tight'：移除多余的空白
• facecolor='white'：确保背景为白色（适用于透明主题）
• transparent=True：透明背景

6. 使用 3D 绘图

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# Surface plot
ax.plot_surface(X, Y, Z, cmap='viridis')

# 3D scatter
ax.scatter(x, y, z, c=colors, marker='o')

# 3D line plot
ax.plot(x, y, z, linewidth=2)

# Labels
ax.set_xlabel('X Label')
ax.set_ylabel('Y Label')
ax.set_zlabel('Z Label')

最佳实践

1. 接口选择

• 生产代码使用面向对象接口（fig, ax = plt.subplots()）
• 仅在快速交互式探索时使用 pyplot 接口
• 始终显式创建图形，不要依赖隐式状态

2. 图形尺寸和 DPI

• 创建时设置 figsize：fig, ax = plt.subplots(figsize=(10, 6))
• 根据输出媒介选择合适的 DPI：
  • 屏幕/笔记本：72-100 dpi
  • Web：150 dpi
  • 印刷/出版物：300 dpi

3. 布局管理

• 使用 constrained_layout=True 或 tight_layout()，防止元素重叠
• 推荐使用 fig, ax = plt.subplots(constrained_layout=True) 自动调整间距

4. 色图选择

• 顺序型（viridis、plasma、inferno）：适用于具有一致递进关系的有序数据
• 发散型（coolwarm、RdBu）：适用于具有有意义中心点（例如零值）的数据
• 定性型（tab10、Set3）：适用于分类/名义数据
• 避免使用彩虹色图（jet），其感知不均匀

5. 无障碍性

• 使用色盲友好型色图（viridis、cividis）
• 在条形图中，除颜色外还应添加图案/斜线填充
• 确保各元素之间有足够的对比度
• 添加描述性标签和图例

6. 性能

• 对于大型数据集，在绘图调用中使用 rasterized=True 以减小文件大小
• 绘图前进行适当的数据缩减（例如，对密集时间序列降采样）
• 对于动画，使用 blitting 提升性能

7. 代码组织

# Good practice: Clear structure
def create_analysis_plot(data, title):
    """Create standardized analysis plot."""
    fig, ax = plt.subplots(figsize=(10, 6), constrained_layout=True)

    # Plot data
    ax.plot(data['x'], data['y'], linewidth=2)

    # Customize
    ax.set_xlabel('X Axis Label', fontsize=12)
    ax.set_ylabel('Y Axis Label', fontsize=12)
    ax.set_title(title, fontsize=14, fontweight='bold')
    ax.grid(True, alpha=0.3)

    return fig, ax

# Use the function
fig, ax = create_analysis_plot(my_data, 'My Analysis')
fig.savefig('analysis.png', dpi=300, bbox_inches='tight')

快速参考脚本

此技能在 scripts/ 目录中包含辅助脚本：

plot_template.py

用于演示各种绘图类型和最佳实践的模板脚本。创建新的可视化时，可将其作为起点。

用法：

uv run python scripts/plot_template.py

style_configurator.py

用于配置 matplotlib 样式偏好并生成自定义样式表的交互式实用工具。

用法：

uv run python scripts/style_configurator.py

详细参考资料

如需全面了解，请参阅参考文档：

• references/plot_types.md - 绘图类型完整目录，包含代码示例和适用场景
• references/styling_guide.md - 样式选项、色图和自定义设置详解
• references/api_reference.md - 核心类和方法参考
• references/common_issues.md - 常见问题排查指南

与其他工具集成

Matplotlib 可与以下工具良好集成：

• NumPy/Pandas - 直接绘制数组和 DataFrame
• Seaborn - 基于 matplotlib 构建的高级统计可视化
• Jupyter - 使用 %matplotlib inline 或 %matplotlib widget 进行交互式绘图
• GUI 框架 - 嵌入 Tkinter、Qt、wxPython 应用程序

常见注意事项

1. 元素重叠：使用 constrained_layout=True 或 tight_layout()
2. 状态混淆：使用 OO 接口，避免 pyplot 状态机问题
3. 多个图形导致内存问题：使用 plt.close(fig) 显式关闭图形
4. 字体警告：安装字体，或使用 plt.rcParams['font.sans-serif'] 抑制警告
5. DPI 混淆：请记住，figsize 的单位是英寸，而不是像素：pixels = dpi * inches

其他资源

• 官方文档：https://matplotlib.org/
• 示例图库：https://matplotlib.org/stable/gallery/index.html
• 速查表：https://matplotlib.org/cheatsheets/
• 教程：https://matplotlib.org/stable/tutorials/index.html

Agent 操作流程

1. 检查环境。 确认数据源、每张图需要传达的信息，以及目标媒介（期刊、海报、幻灯片）。
2. 明确输入。 根据数据或用户提供的信息，确认格式、标识符和参数。凡是会影响结果的数值，都应询问，不要猜测。
3. 先运行小规模版本。 按最终尺寸渲染一张图，并在制作完整套图前检查可读性。
4. 使用上述说明和参考资料执行完整任务。
5. 验证结果。 轴、单位和误差线均已标注并定义；颜色对色盲人群友好；数值与底层数据一致。
6. 汇报。 说明运行了什么（版本、命令、参数）、检查了什么，以及还有哪些不确定之处。

如果出现这种情况	请这样做
最终尺寸下文字无法辨认	增大字号或简化图面，而不是缩小文字。
这些说明中的某个函数、标志或端点在已安装版本中不存在	查看已安装版本自身的文档（help()、--help、官方文档），调整做法，并告知用户。切勿编造 API。
必需的输入、标识符或参数不明确	询问用户，或在运行前明确说明所作的假设。

诚信规则

• 切勿编造结果、参数、标识符、引文或统计数据。若无法运行或验证某项内容，请直言说明。
• 切勿为了改善图表外观而更改数据；应统一应用图像调整，并披露这些调整。
• 请将此处针对特定版本的细节视为可能已过时：对照已安装版本的官方文档进行确认。
• 对于需要付费、占用共享 GPU 或云配额、涉及个人或患者数据，或无法撤销的操作，须先征求同意。

相关技能

• seaborn：结合 pandas 进行统计可视化。
• scientific-visualization：使用 Matplotlib、Seaborn 或 Plotly 创建并审核真实、易读、适合发表的科学图表。
• scientific-schematics：通过 OpenRouter 调用 Nano Banana 2，根据自然语言提示生成适合发表的科学示意图栅格 PNG 图像，th…