Advanced Matplotlib：数据可视化中的信息架构与认知效率

1. 项目概述为什么“高级Matplotlib”不是炫技而是数据表达的底层能力你有没有遇到过这样的场景花两小时调好一个折线图结果汇报时领导盯着图问“这个峰值到底对应哪天为什么没标出来”——你翻出代码发现x轴是datetime64[ns]但默认显示成2023-07-01 00:00:00这种密密麻麻的字符串根本没法读又或者你把销售和利润画在同一张图上同事却说“两个Y轴数值差十倍我怎么判断趋势是否同步”——你这才意识到twinx()不是加一行代码就完事它背后牵扯的是坐标系对齐、刻度密度、视觉权重分配这些肉眼可见却极易被忽略的细节。这就是我写这篇内容的出发点。它不叫《Matplotlib进阶技巧大全》而叫《Advanced MatplotlibA Comprehensive Guide to Data Visualization》——关键词在“Comprehensive”全面和“Data Visualization”数据可视化而非“Matplotlib”。Matplotlib只是工具真正要解决的是如何让一张图在3秒内把核心信息准确无误地塞进读者大脑。这不是美学问题是认知效率问题不是参数堆砌是信息架构设计。我从2015年开始用Matplotlib做气象数据可视化后来转战金融风控、工业传感器分析、电商用户行为建模经手过单图展示20万点时序数据、多维地理热力叠加、实时产线监控仪表盘等真实场景。踩过的坑比写的代码还多比如用plt.fill_between高亮异常区间结果因为没设where条件整个图底色变成一片紫比如做3D地形图plot_surface渲染后发现Z轴单位是毫米而X/Y是公里模型直接塌缩成一条线再比如动画里用FuncAnimation每秒刷新结果CSV文件IO阻塞主线程动画卡成幻灯片……这些都不是文档里会写的“注意事项”而是你真正在键盘前抓耳挠腮时才会懂的痛。所以这篇内容我会彻底抛弃“先讲API再给例子”的教科书逻辑。我们从一个真实需求倒推当你需要向业务方解释“为什么Q3用户留存率突然下降”你会怎么做——你不会只画个折线图而是必然要① 把留存率和同期市场大盘对比多子图② 在下降拐点处打标注说明运营事件注释③ 填充下降区间背景色强化视觉焦点区域填充④ 把用户分群新客/老客的留存拆成不同颜色线多维映射⑤ 如果数据是按天更新的还得支持自动重绘动画。这五个动作恰好覆盖了本文全部核心模块。每一个案例我都用自己项目中的真实数据结构、真实报错截图、真实调试过程来还原连plt.tight_layout()为什么有时失效、fig.suptitle()和ax.set_title()的区别这种细节都会掰开揉碎讲清楚。你不需要记住所有函数名但下次遇到类似问题能立刻反应出“哦这里该用fill_between加where条件而不是简单涂满”。2. 多子图系统从“能并排”到“会对话”的设计思维2.1 子图网格的本质不是画布分割而是信息流编排很多人把plt.subplots(nrows2, ncols2)理解成“切四块屏幕”这是最大的认知偏差。真正的子图系统是一套信息流编排协议。它的核心价值不在于“同时看四个图”而在于让四个图之间产生语义关联——比如左上角是原始数据分布右上角是数据变换后的分布左下角是模型预测误差右下角是误差的空间热力图。这时四个子图共同构成一个完整的分析闭环缺一不可。我做过一个风电功率预测项目客户要求对比三种算法LSTM、XGBoost、物理模型。如果分别画三张图业务方得来回滚动、反复比对峰值位置和误差幅度。最终方案是用2×2网格左上时间序列主图三条预测线真实值右上残差分布直方图三组不同颜色左下残差随风速变化的散点图揭示模型在高风速段失效右下残差空间分布热力图定位故障风机编号这样设计后客户第一次看图就指着右下角说“3号风机误差最大是不是传感器有问题”——信息传递效率提升至少3倍。关键不在图多而在每个子图都承担明确的信息角色并通过共享坐标轴、统一配色、对齐刻度形成视觉锚点。plt.subplots()返回的fig和axes对象正是这套协议的载体fig是全局画布控制器负责整体布局、字体、标题、保存设置。比如fig.set_size_inches(12, 8)定义物理尺寸fig.dpi150控制导出精度fig.suptitle(风电预测对比报告, fontsize16, y0.98)添加跨子图总标题注意y0.98避免与子图标题重叠。axes是子图操作句柄矩阵axes[0,0]不是“第一个子图”而是“第0行第0列的坐标系实例”。它的意义在于你可以对这个坐标系独立设置xlim、ylim、grid、tick_params甚至挂载不同的SecondaryAxis。这才是“可编程子图”的本质。下面这段代码是我处理某电商平台用户行为数据时的真实片段展示了如何用sharex和sharey建立子图间的逻辑约束import matplotlib.pyplot as plt import numpy as np import pandas as pd # 模拟用户行为数据时间戳、页面停留时长、点击次数、跳出率 np.random.seed(42) dates pd.date_range(2023-01-01, periods30, freqD) data pd.DataFrame({ date: dates, dwell_time: np.random.normal(120, 30, 30), # 秒 clicks: np.random.poisson(5, 30), bounce_rate: np.random.beta(2, 8, 30) # 0-1 }) # 创建2x2子图共享X轴日期但Y轴独立 fig, axes plt.subplots(2, 2, figsize(14, 10), sharexTrue) fig.suptitle(用户行为多维分析2023年1月, fontsize16, y0.95) # 左上停留时长趋势 axes[0, 0].plot(data[date], data[dwell_time], b-, linewidth2, label停留时长) axes[0, 0].set_ylabel(停留时长秒) axes[0, 0].grid(True, alpha0.3) axes[0, 0].legend() # 右上点击次数趋势共享X轴但Y轴独立 axes[0, 1].bar(data[date], data[clicks], colororange, alpha0.7, width0.8, label点击次数) axes[0, 1].set_ylabel(点击次数) axes[0, 1].grid(True, alpha0.3) axes[0, 1].legend() # 左下跳出率趋势共享X轴 axes[1, 0].plot(data[date], data[bounce_rate], r--, linewidth2, label跳出率) axes[1, 0].set_ylabel(跳出率) axes[1, 0].set_xlabel(日期) axes[1, 0].grid(True, alpha0.3) axes[1, 0].legend() # 右下三者相关性散点图不共享轴 scatter axes[1, 1].scatter(data[dwell_time], data[clicks], cdata[bounce_rate], cmapviridis, s50, alpha0.8) axes[1, 1].set_xlabel(停留时长秒) axes[1, 1].set_ylabel(点击次数) axes[1, 1].set_title(行为关联性) plt.colorbar(scatter, axaxes[1, 1], label跳出率) # 关键tight_layout必须在所有绘图后调用且y_pad控制子图与总标题间距 plt.tight_layout(pad2.0, h_pad1.0, w_pad1.0) plt.show()提示plt.tight_layout()失效的三大原因① 手动设置了fig.subplots_adjust()② 使用了fig.suptitle()但未预留足够顶部空间用y参数调整③ 子图中存在text()或annotate()超出边界。解决方案优先用constrained_layoutTrue替代tight_layout()它在创建fig时即启用智能布局引擎。2.2 混合图表当“同一X轴”成为信息陷阱时的破局之道混合图表如柱状图折线图常被滥用导致最典型的错误是用同一X轴强行对齐不同量纲的数据制造虚假相关性。比如把“月销售额万元”和“员工满意度百分制”画在同一张图上X轴都是月份看起来2023年6月两者都上升于是得出“满意度提升带动销售增长”的结论——但实际可能只是6月发了奖金满意度涨了而销售增长是因为暑期促销。真正的混合图表设计核心是明确声明坐标系关系。Matplotlib提供两种机制twinx()创建共享X轴、独立Y轴的镜像坐标系。适用于X轴语义完全一致Y轴量纲不同但逻辑强关联的场景如“时间 vs 温度”和“时间 vs 湿度”。twiny()创建共享Y轴、独立X轴的镜像坐标系。适用于Y轴语义一致X轴量纲不同的场景如“压力 vs 流量”和“阀门开度 vs 流量”。下面是一个电力负荷预测的真实案例展示如何用twinx()避免误导# 某城市电网2023年夏季日负荷数据模拟 days np.arange(1, 32) peak_load 500 100 * np.sin(2 * np.pi * (days - 15) / 30) np.random.normal(0, 10, 31) # MW temp 25 15 * np.sin(2 * np.pi * (days - 10) / 30) np.random.normal(0, 2, 31) # ℃ fig, ax1 plt.subplots(figsize(12, 6)) # 主坐标系负荷曲线蓝色 color tab:blue ax1.set_xlabel(日期2023年7月) ax1.set_ylabel(峰值负荷MW, colorcolor) line1 ax1.plot(days, peak_load, colorcolor, linewidth2.5, label峰值负荷) ax1.tick_params(axisy, labelcolorcolor) ax1.grid(True, alpha0.3) # 创建镜像Y轴温度曲线红色 ax2 ax1.twinx() color tab:red ax2.set_ylabel(最高气温℃, colorcolor) line2 ax2.plot(days, temp, colorcolor, linestyle--, linewidth2, markero, markersize3, label最高气温) ax2.tick_params(axisy, labelcolorcolor) # 合并图例关键避免两个独立图例造成混淆 lines1, labels1 ax1.get_legend_handles_labels() lines2, labels2 ax2.get_legend_handles_labels() ax1.legend(lines1 lines2, labels1 labels2, locupper left) plt.title(电网负荷与气温关联性分析2023年7月) plt.show()注意twinx()生成的ax2不是独立子图而是ax1的附属坐标系。因此ax2.set_ylabel()会覆盖ax1.set_ylabel()的位置必须用tab:前缀区分颜色且tick_params()需单独设置。更严谨的做法是用ax1.secondary_yaxis(right)替代twinx()它支持自定义转换函数如将℃转为华氏度但twinx()更轻量适合快速分析。3. 高级视觉增强让图表自己开口说话3.1 注释系统从“标记位置”到“构建叙事”的跃迁plt.annotate()和plt.text()的区别远不止于“有没有箭头”。text()是静态文本贴纸annotate()是动态信息节点——它包含锚点xy、文本位置xytext、连接线arrowprops、文本框样式bbox四个可编程维度。这意味着你可以用它构建完整的视觉叙事链。以我做的一个电商大促复盘项目为例需要向管理层展示“618大促期间哪些品类因流量倾斜获得超额增长”。单纯画柱状图不够必须回答三个问题① 哪些品类增长超预期② 超预期的幅度有多大③ 超预期的原因是什么运营动作# 模拟大促品类数据 categories [手机, 家电, 美妆, 服饰, 食品] expected_growth [15, 12, 8, 10, 5] # 预期增长率% actual_growth [28, 18, 6, 12, 3] # 实际增长率% promotions [首页焦点图, KOL直播, 无, 限时秒杀, 无] # 运营动作 fig, ax plt.subplots(figsize(10, 6)) x_pos np.arange(len(categories)) # 绘制对比柱状图 bars1 ax.bar(x_pos - 0.2, expected_growth, 0.4, label预期增长率, colorlightgray, alpha0.7) bars2 ax.bar(x_pos 0.2, actual_growth, 0.4, label实际增长率, colorsteelblue) # 为每个品类添加注释 for i, (exp, act, promo) in enumerate(zip(expected_growth, actual_growth, promotions)): # 计算超额增长率 delta act - exp if delta 0: # 超额部分用绿色箭头标注 ax.annotate(f{delta}%, xy(i, act), # 箭头指向实际值顶部 xytext(i, act 2), # 文本放在上方2单位 arrowpropsdict(arrowstyle-, colorgreen, lw1.5), bboxdict(boxstyleround,pad0.3, facecolorlightgreen, alpha0.8), hacenter, vabottom, fontsize10, fontweightbold) # 添加运营动作说明小字号灰色 if promo ! 无: ax.text(i, act 0.5, f({promo}), hacenter, vabottom, fontsize8, colordarkgreen, styleitalic) else: # 未达标用红色标注 ax.annotate(f{delta}%, xy(i, act), xytext(i, act - 2), arrowpropsdict(arrowstyle-, colorred, lw1.5), bboxdict(boxstyleround,pad0.3, facecolorlightcoral, alpha0.8), hacenter, vatop, fontsize10, fontweightbold) ax.set_xlabel(品类) ax.set_ylabel(增长率%) ax.set_title(618大促各品类增长达成情况) ax.set_xticks(x_pos) ax.set_xticklabels(categories) ax.legend() ax.grid(True, alpha0.3) plt.show()实操心得annotate()的xycoords和textcoords参数决定坐标系基准。默认data数据坐标但若需精确定位到像素位置可用axes fraction0-1归一化坐标或offset points相对于xy的偏移像素。我常用textcoordsoffset points配合xytext(0, 10)实现“文本始终在数据点上方10像素”避免因Y轴缩放导致文本漂移。3.2 区域填充用色彩心理学引导注意力焦点plt.fill_between()的威力常被低估。它不只是“涂色”而是用色彩心理学实施视觉干预。人类视觉系统对“封闭区域”比“线条”更敏感填充能瞬间提升信息权重。但滥用会导致灾难比如用高饱和度红色填充整个异常区间反而让读者忽略具体数值。我的经验是遵循“三色原则”主色Primary填充主体区域饱和度60%-70%如fill_between(x, y1, y2, colorlightblue, alpha0.5)强调色Accent仅在关键子区间使用饱和度90%如fill_between(x, y1, y2, where(y1y2), colorred, alpha0.8)背景色Background全图底色饱和度10%如fig.patch.set_facecolor(#f8f9fa)下面是一个服务器CPU监控的真实案例展示如何用多层填充构建诊断逻辑# 模拟服务器CPU使用率每5分钟采样 time_points np.arange(0, 24*12, 0.5) # 24小时每0.5小时一个点 cpu_usage 30 20 * np.sin(2 * np.pi * time_points / 24) 10 * np.random.normal(0, 0.5, len(time_points)) # 基础波动 # 添加异常尖峰 cpu_usage[120:125] [85, 92, 88, 95, 87] # 故障时段 fig, ax plt.subplots(figsize(14, 6)) ax.plot(time_points, cpu_usage, b-, linewidth1.5, labelCPU使用率) # 第一层安全区70%- 浅绿色 ax.fill_between(time_points, 0, 70, colorlightgreen, alpha0.3, label安全运行区) # 第二层预警区70%-90%- 浅黄色 ax.fill_between(time_points, 70, 90, colorlightyellow, alpha0.4, label预警运行区) # 第三层危险区90%- 浅红色 ax.fill_between(time_points, 90, 100, colorlightcoral, alpha0.5, label危险运行区) # 第四层精准标注故障时段用强调色 fault_mask (cpu_usage 85) (cpu_usage 98) ax.fill_between(time_points, 0, 100, wherefault_mask, colorred, alpha0.2, label检测到异常) # 添加文字标注 ax.annotate(数据库备份任务启动\n导致CPU飙升, xy(10.2, 93), xytext(8, 75), arrowpropsdict(arrowstylefancy, facecolorred, connectionstylearc3,rad0.2), bboxdict(boxstyleround,pad0.3, facecolorwhite, edgecolorred, alpha0.9), fontsize10) ax.set_xlabel(时间小时) ax.set_ylabel(CPU使用率%) ax.set_title(服务器CPU使用率监控2023-07-15) ax.set_ylim(0, 100) ax.grid(True, alpha0.3) ax.legend(locupper right) plt.show()关键细节where条件必须是布尔数组长度与x相同。fill_between会自动裁剪非连续区域无需手动分段。若需填充不规则形状如置信区间用fill_between(x, y_mean-y_std, y_meany_std)其中y_std是标准差数组。4. 时间序列与3D可视化突破二维平面的认知边界4.1 时间序列让日期轴成为信息载体而非障碍时间序列绘图的最大痛点从来不是“画不出来”而是“画出来看不懂”。matplotlib.dates模块的价值在于把日期从“字符串标签”升维为“可编程坐标轴”。它的核心组件不是孤立的类而是一个协同工作流定位器Locator决定“在哪里放刻度”DayLocator(interval7)每7天一个刻度MonthLocator(bymonth[1,4,7,10])每年1/4/7/10月放刻度AutoDateLocator()自动选择最优间隔推荐格式化器Formatter决定“刻度怎么显示”DateFormatter(%Y-%m)显示“2023-07”DateFormatter(%b\n%Y)换行显示“Jul\n2023”节省水平空间ConciseDateFormatter()智能缩写如连续年份只显示年份辅助函数plot_date()专为时间序列优化gcf().autofmt_xdate()自动旋转日期标签。下面是一个金融风控项目的真实代码处理高频交易数据每秒数千条import pandas as pd import matplotlib.pyplot as plt import matplotlib.dates as mdates from datetime import datetime, timedelta # 模拟高频交易数据时间戳、价格、成交量 start_time datetime(2023, 7, 15, 9, 30, 0) # 开盘时间 timestamps [start_time timedelta(secondsi) for i in range(0, 3600)] # 1小时数据 prices 100 np.cumsum(np.random.normal(0, 0.02, 3600)) # 模拟价格波动 volumes np.random.poisson(50, 3600) # 成交量 df pd.DataFrame({time: timestamps, price: prices, volume: volumes}) fig, (ax1, ax2) plt.subplots(2, 1, figsize(14, 8), sharexTrue) # 主图价格走势 ax1.plot(df[time], df[price], b-, linewidth1, label价格) ax1.set_ylabel(价格元) ax1.grid(True, alpha0.3) # 子图成交量柱状图 ax2.bar(df[time], df[volume], width0.0001, colororange, alpha0.7, label成交量) ax2.set_ylabel(成交量手) ax2.grid(True, alpha0.3) # 统一配置X轴 # 使用AutoDateLocator自动选择刻度间隔 locator mdates.AutoDateLocator(minticks3, maxticks7) formatter mdates.ConciseDateFormatter(locator) for ax in [ax1, ax2]: ax.xaxis.set_major_locator(locator) ax.xaxis.set_major_formatter(formatter) # 自动旋转日期标签避免重叠 fig.autofmt_xdate(rotation30, haright) # 添加标题和图例 fig.suptitle(股票高频交易监控2023-07-15 09:30-10:30, fontsize14) ax1.legend(locupper left) ax2.legend(locupper left) plt.show()注意width参数对bar()至关重要。时间戳是datetime对象bar()默认宽度为1天必须显式设为极小值如0.0001才能显示为细柱。ConciseDateFormatter会智能处理若数据跨度1天显示“HH:MM”若1天显示“MM-DD”若1年显示“YYYY”。4.2 3D可视化从“炫酷展示”到“空间推理”的务实应用3D图常被诟病“华而不实”但在我做的工业设备振动分析项目中它解决了二维图无法表达的核心问题振动能量在X/Y/Z三个方向上的相位差。二维图只能画三条线但看不出“X方向峰值时Y方向是否处于谷底”而这恰恰是判断设备故障类型的关键。mpl_toolkits.mplot3d的正确打开方式是把它当作三维坐标系画布而非“3D特效开关”。关键步骤创建Axes3D实例ax fig.add_subplot(111, projection3d)用plot_surface()、plot_wireframe()、scatter()等函数在3D空间绘图用view_init(elev, azim)控制视角elev仰角azim方位角下面是一个轴承故障诊断的简化版3D相位图import numpy as np from mpl_toolkits.mplot3d import Axes3D # 模拟轴承振动信号X/Y/Z三轴加速度采样率10kHz1秒 t np.linspace(0, 1, 10000) # 正常轴承三轴同频同相 x_normal np.sin(2 * np.pi * 100 * t) y_normal np.sin(2 * np.pi * 100 * t 0.1) # 微小相位差 z_normal np.sin(2 * np.pi * 100 * t 0.2) # 故障轴承X轴出现冲击Y/Z相位差增大 x_fault x_normal 0.5 * np.exp(-100 * (t % 0.01)**2) * np.sin(2 * np.pi * 1000 * t) # 冲击成分 y_fault np.sin(2 * np.pi * 100 * t 1.0) # 相位差扩大 z_fault np.sin(2 * np.pi * 100 * t 1.5) # 取前1000点绘制3D相位图 n_points 1000 fig plt.figure(figsize(12, 5)) # 左图正常轴承 ax1 fig.add_subplot(121, projection3d) ax1.scatter(x_normal[:n_points], y_normal[:n_points], z_normal[:n_points], cblue, s1, alpha0.6, label正常) ax1.set_title(正常轴承相位图) ax1.set_xlabel(X轴) ax1.set_ylabel(Y轴) ax1.set_zlabel(Z轴) ax1.view_init(elev20, azim45) # 仰角20°方位角45° # 右图故障轴承 ax2 fig.add_subplot(122, projection3d) ax2.scatter(x_fault[:n_points], y_fault[:n_points], z_fault[:n_points], cred, s1, alpha0.6, label故障) ax2.set_title(故障轴承相位图) ax2.set_xlabel(X轴) ax2.set_ylabel(Y轴) ax2.set_zlabel(Z轴) ax2.view_init(elev20, azim45) plt.suptitle(轴承振动3D相位分析1000点采样, fontsize14) plt.show()实操心得3D图性能瓶颈在点数。超过1万点时scatter()会明显卡顿。解决方案① 降采样如取每10个点② 改用plot_trisurf()绘制曲面③ 对于大数据用plot_surface(X, Y, Z)前先用scipy.interpolate.griddata插值成规则网格。永远记住3D图的目的是揭示空间关系不是渲染精度。5. 动画与交互让静态图表活起来的工程实践5.1 实时动画从FuncAnimation到生产环境的跨越FuncAnimation是Matplotlib动画的基石但直接用于生产环境有三大陷阱性能陷阱plt.cla()清空画布会重绘所有元素1000点数据每秒刷新10次CPU占用飙升数据陷阱pd.read_csv()在动画函数中调用IO阻塞导致帧率暴跌交互陷阱%matplotlib notebook在Jupyter中有效但导出HTML或部署到Web时失效我的解决方案是“三明治架构”底层用blitTrue开启硬件加速只重绘变化元素中层用queue.Queue做数据缓冲动画函数只从队列取数据IO线程独立运行顶层用HTML(ani.to_jshtml())导出可嵌入网页的交互式动画下面是一个实时网络延迟监控的精简版实现import matplotlib.pyplot as plt from matplotlib.animation import FuncAnimation import numpy as np from collections import deque import threading import time import queue # 模拟网络延迟数据流生产环境替换为真实API调用 def data_generator(q): 独立线程生成数据 latency_history deque(maxlen100) # 保留最近100个点 while True: # 模拟网络抖动基础延迟随机波动周期性干扰 base 20 5 * np.sin(time.time() / 10) noise np.random.normal(0, 2) spike 50 * (1 if (int(time.time()) % 30 0) else 0) # 每30秒一次尖峰 latency max(1, base noise spike) latency_history.append(latency) q.put(list(latency_history)) # 放入队列 time.sleep(1) # 每秒更新一次 # 初始化数据队列和图形 data_queue queue.Queue() fig, ax plt.subplots(figsize(10, 4)) line, ax.plot([], [], b-, linewidth2, label网络延迟ms) ax.set_xlim(0, 100) ax.set_ylim(0, 100) ax.set_xlabel(时间秒) ax.set_ylabel(延迟ms) ax.set_title(实时网络延迟监控) ax.grid(True, alpha0.3) ax.legend() # 动画更新函数 def animate(frame): try: # 从队列获取最新数据非阻塞 data data_queue.get_nowait() x_data list(range(len(data))) line.set_data(x_data, data) # 动态调整X轴范围保持滚动效果 if len(data) 50: ax.set_xlim(len(data)-50, len(data)) except queue.Empty: pass # 队列为空时跳过 return line, # 启动数据生成线程 threading.Thread(targetdata_generator, args(data_queue,), daemonTrue).start() # 创建动画blitTrue启用硬件加速 ani FuncAnimation(fig, animate, interval1000, blitTrue, cache_frame_dataFalse) # 导出为HTML可直接嵌入网页 # HTML(ani.to_jshtml()) plt.show()关键参数blitTrue让Matplotlib只重绘line对象而非整个画布cache_frame_dataFalse禁用帧缓存节省内存interval1000设定1秒刷新一次匹配数据生成频率。生产环境建议用FlaskPlotly替代但此方案在Jupyter中调试效率极高。6. 常见问题与避坑指南那些文档里不会写的血泪教训6.1 字体与中文乱码一场与操作系统的持久战Matplotlib默认不支持中文报错UserWarning: findfont: Font family [sans-serif] not found.是家常便饭。网上教程常让你改matplotlibrc但这在团队协作中会引发灾难——你的配置在同事电脑上失效。我的终极方案已验证Windows/macOS/Linux下载思源黑体免费开源支持中文到项目目录./fonts/SourceHanSansSC-Regular.otf动态注册字体代码中执行不依赖系统配置import matplotlib.font_manager as fm import matplotlib.pyplot as plt # 动态加载字体 font_path ./fonts/SourceHanSansSC-Regular.otf fm.fontManager.addfont(font_path) plt.rcParams[font.sans-serif] [Source Han Sans SC, Arial Unicode MS] plt.rcParams[axes.unicode_minus] False # 解决负号显示为方块 # 验证 fig, ax plt.subplots() ax.plot([1,2,3], [1,4,2]) ax.set_title(中文标题测试) ax.set_xlabel(横轴标签) ax.set_ylabel(纵轴标签) plt.show()注意plt.rcParams必须在plt.subplots()之前设置否则无效。axes.unicode_minusFalse是关键否则负号-会显示为方块。6.2 保存高清图DPI、尺寸与格式的黄金组合导出图片模糊不是DPI越高越好。我的经验公式PPT/屏幕展示figsize(10,6),dpi120,formatpng论文/印刷figsize(8,5),dpi300, formatpdf