古法编程

使用 Matplotlib 构建专业级 Python 数据可视化图表

解决数据可视化中的配置痛点：通过掌握 Matplotlib 的面向对象接口与布局管理，让 AI 帮你快速生成从简单折线图到复杂多子图、3D 视觉图等出版质量的科学图表。

为什么需要这个技能

在 Python 数据科学生态中，Matplotlib 是最基础的绘图库。虽然许多高级库（如 Seaborn）构建在其之上，但要实现精细的定制化（如精确控制轴线、自定义图例、导出高分辨率 PDF 或构建复杂的多面板图表），必须深入理解 Matplotlib 的底层逻辑。

大多数初学者习惯使用简单的 pyplot 接口，但在处理复杂项目时容易陷入状态管理混乱。本技能引导用户转向面向对象（Object-Oriented）接口，从而获得对图表元素更精确的控制力。

适用场景

  • 科学研究与报告：生成符合学术期刊要求的 300 DPI 高清图表。
  • 统计分析：绘制直方图、箱线图、散点图以探索变量分布和相关性。
  • 多维度对比：创建包含多个子图（Subplots）的综合对比面板。
  • 动态演示：构建 3D 可视化图形或简单的动画效果。
  • 自动化报表：将分析结果自动导出为 PNG、SVG 或 PDF 格式。

核心工作流

1. 接口选择：从 Pyplot 转向面向对象 (OO)

不要使用隐式的 plt.plot()，而应明确创建 Figure（画布）和 Axes（坐标系）。

import matplotlib.pyplot as plt
import numpy as np

# 推荐：面向对象接口
fig, ax = plt.subplots(figsize=(10, 6))
x = np.linspace(0, 2*np.pi, 100)
ax.plot(x, np.sin(x), label='sin(x)')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.legend()
plt.show()

2. 复杂布局管理

针对多图需求，可以使用 subplot_mosaic 或 GridSpec 实现灵活的网格布局，避免图表元素重叠。

# 灵活的马赛克布局
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)

3. 样式定制与高质量导出

通过 rcParams 统一字体和大小，并使用 bbox_inches='tight' 消除多余白边。

# 设置全局样式
plt.style.use('seaborn-v0_8-darkgrid')
plt.rcParams['font.size'] = 12

# 高清导出
plt.savefig('figure.pdf', dpi=300, bbox_inches='tight')

下载和安装

下载 matplotlib 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要

暂无推荐