Matplotlib_numpy(created by gemini)

下面我为你总结一套工业级、学术界都广泛使用的Matplotlib作图“套路”，以及与之配合的NumPy常用函数。这套流程能覆盖你80%以上的作图需求，并让你的图表清晰、美观、信息量丰富。

核心理念：“面向对象”的作图范式

忘掉零散的plt.plot()、plt.title()。从现在开始，拥抱“Figure与Axes”的面向对象范式。这是最重要的一步。

基本模板（所有作图的起点）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23


import matplotlib.pyplot as plt
import numpy as np

# --- 1. 创建画布(Figure)和子图(Axes) ---
# fig是整个画布，ax是具体的绘图区域
# nrows=1, ncols=1 表示创建一个1x1的网格，即只有一个子图
fig, ax = plt.subplots(nrows=1, ncols=1, figsize=(10, 6)) # figsize控制画布大小

# --- 2. 在Axes上绘图 ---
# 所有绘图操作都通过ax对象完成，而不是plt
# x_data, y_data = ... (你的数据)
# ax.plot(x_data, y_data, label='My Data') 

# --- 3. 精细化定制Axes ---
ax.set_title("This is the Title", fontsize=16)
ax.set_xlabel("X-axis Label", fontsize=12)
ax.set_ylabel("Y-axis Label", fontsize=12)
ax.grid(True, linestyle='--', alpha=0.6) # 添加网格线
ax.legend(fontsize=10) # 显示图例

# --- 4. 调整布局并显示 ---
plt.tight_layout() # 自动调整子图参数，使之填充整个图像区域
plt.show()

记住这个模板，你就掌握了套路的精髓。

NumPy & Matplotlib 常用函数与作图套路

下面我将作图需求分为几大类，每一类都提供一个“套路”和相关的常用函数。

套路一：单线/多线对比图 (最常用)

场景：对比滤波前后的信号、不同参数下的模型性能、理论值与实际值。

流程：

用np.linspace或np.arange创建统一的X轴数据。
在同一个ax对象上多次调用plot()。
通过label参数区分不同曲线，最后用ax.legend()显示图例。

代码范例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23


# --- 数据准备 (NumPy) ---
fs = 1000
t = np.linspace(0, 1, fs, endpoint=False) # 0到1秒的时间轴
signal_clean = np.sin(2 * np.pi * 5 * t)
noise = 0.5 * np.random.randn(len(t))
signal_noisy = signal_clean + noise

# --- Matplotlib 套路 ---
fig, ax = plt.subplots(figsize=(12, 6))

ax.plot(t, signal_noisy, label='Noisy Signal', color='blue', alpha=0.5)
ax.plot(t, signal_clean, label='Clean Signal', color='red', linewidth=2, linestyle='-')

# 精细化控制
ax.set_title("Comparison of Signals")
ax.set_xlabel("Time [s]")
ax.set_ylabel("Amplitude")
ax.set_xlim(0, 0.5) # 常用：放大X轴的某个区域
ax.grid(True)
ax.legend()

plt.tight_layout()
plt.show()

常用NumPy函数：

np.linspace(start, stop, num): 创建等差数列，常用于时间轴或平滑的X轴。
np.arange(start, stop, step): 按步长创建数组，常用于离散序列。
np.sin, np.cos, np.exp: 生成各种数学函数波形。
np.random.randn(size): 生成标准正态分布（高斯）噪声。

套路二：多子图布局 (信息维度扩展)

场景：同时展示时域和频域、输入和输出、多个实验结果。

流程：

在plt.subplots()中指定nrows和ncols。
subplots会返回一个**axes数组**。通过索引（如ax[0], ax[1]或ax[0, 1]）来选择要在哪个子图上绘图。
可以设置sharex=True或sharey=True来共享坐标轴，使对比更直观。

代码范例 (时域 vs 频域)：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33


from scipy.fft import fft, fftfreq

# --- 数据准备 (NumPy & SciPy) ---
fs = 1000
t = np.linspace(0, 1, fs, endpoint=False)
signal = np.sin(2 * np.pi * 50 * t) + 0.5 * np.sin(2 * np.pi * 120 * t)

# FFT计算
N = len(signal)
yf = fft(signal)
xf = fftfreq(N, 1 / fs)[:N//2] # 获取频率轴

# --- Matplotlib 套路 (1行2列) ---
fig, axes = plt.subplots(nrows=2, ncols=1, figsize=(10, 8), sharex=False)

# 在第一个子图 (axes[0]) 上画时域图
axes[0].plot(t, signal)
axes[0].set_title("Time Domain")
axes[0].set_xlabel("Time [s]")
axes[0].set_ylabel("Amplitude")
axes[0].grid(True)
axes[0].set_xlim(0, 0.2)

# 在第二个子图 (axes[1]) 上画频域图
axes[1].plot(xf, 2.0/N * np.abs(yf[0:N//2]))
axes[1].set_title("Frequency Domain (FFT)")
axes[1].set_xlabel("Frequency [Hz]")
axes[1].set_ylabel("Amplitude")
axes[1].grid(True)
axes[1].set_xlim(0, 200)

plt.tight_layout()
plt.show()

套路三：数据分布与统计图 (直方图/散点图)

场景：分析噪声分布、变量之间的相关性。

流程：

直方图使用ax.hist()，可以直观地看到数据分布的形状。
散点图使用ax.scatter()，用于观察两个变量之间的关系。

代码范例 (直方图)：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25


# --- 数据准备 (NumPy) ---
# 生成均值为5，标准差为2的高斯分布数据
data = 5 + 2 * np.random.randn(1000)

# --- Matplotlib 套路 ---
fig, ax = plt.subplots(figsize=(8, 5))

# bins控制柱子的数量，density=True表示归一化为概率密度
ax.hist(data, bins=30, density=True, alpha=0.7, label='Histogram')

# 常用：在直方图上叠加理论分布曲线
from scipy.stats import norm
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
p = norm.pdf(x, 5, 2) # 理论概率密度函数
ax.plot(x, p, 'k', linewidth=2, label='Theoretical PDF')

ax.set_title("Data Distribution")
ax.set_xlabel("Value")
ax.set_ylabel("Density")
ax.legend()
ax.grid(True)

plt.tight_layout()
plt.show()

常用NumPy函数：

np.mean(data), np.std(data): 计算均值和标准差。
np.random.rand(size): [0, 1)均匀分布。
np.corrcoef(x, y): 计算相关系数矩阵。

套路四：添加辅助线与注释 (让图表“说话”)

场景：标记阈值、截止频率、特定事件点、理论极限。

流程：

ax.axvline(): 画垂直线。
ax.axhline(): 画水平线。
ax.axvspan(): 垂直区域着色。
ax.text() 或 ax.annotate(): 添加文字注释。

代码范例 (频率响应图标注)：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23


# 假设 freq_hz, magnitude_db 是频率响应数据
# ...

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(freq_hz, magnitude_db)
ax.set_title("Filter Frequency Response")
ax.set_xlabel("Frequency [Hz]")
ax.set_ylabel("Magnitude [dB]")

# --- 添加辅助线 ---
cutoff_freq = 50
# 标记-3dB线（半功率点）
ax.axhline(-3, color='red', linestyle='--', label='-3 dB Cutoff')
# 标记名义截止频率
ax.axvline(cutoff_freq, color='green', linestyle=':', label=f'Nominal Cutoff = {cutoff_freq} Hz')
# 标记通带区域
ax.axvspan(0, 40, color='gray', alpha=0.2, label='Passband Region')

ax.set_ylim(-60, 5)
ax.grid(True)
ax.legend()
plt.tight_layout()
plt.show()

总结：你的“作图武器库”

需求分类	核心Matplotlib函数	常用NumPy函数	套路精髓
基础框架	`fig, ax = plt.subplots()`	`np.array`	面向对象，分离画布与绘图区
曲线对比	`ax.plot()`, `ax.legend()`	`np.linspace`, `np.arange`	同一`ax`多次`plot`，用`label`区分
多维展示	`plt.subplots(nrows, ncols)`	`fft` (from scipy)	索引`axes`数组，用`sharex/y`联动
数据分布	`ax.hist()`, `ax.scatter()`	`np.random`, `np.mean`, `np.std`	选择合适的图表类型展示数据内在结构
信息高亮	`ax.axvline`, `ax.axhline`, `ax.axvspan`	-	用辅助线和注释引导读者关注重点
全局美化	`plt.tight_layout()`	-	自动调整布局，防止标签重叠

将这套流程和范例代码保存在你的笔记中，每次作图时，先思考你的“故事”需要哪种套路，然后填充数据和细节。很快，你就能随心所欲地创作出专业且富有洞察力的图表了。