1. 项目概述：当数学建模遇上数据可视化
如果你正在学习数学建模，或者已经开始用Python处理数据，那你大概率绕不开一个名字：Matplotlib。这个库几乎是Python数据可视化的代名词，尤其是在科学计算和数学建模领域。我刚开始接触建模时，总觉得模型和算法是核心，图表只是最后锦上添花的东西。但踩过几次坑之后才深刻体会到，一个清晰、准确、专业的图表，往往是沟通思想、展示结论甚至发现模型漏洞的关键。二维绘图是这一切的基础，从简单的折线图到复杂的等高线图，Matplotlib提供了构建这些图形的全套工具。这次，我们不谈那些高深莫测的三维渲染或交互式图表，就扎扎实实地回到二维平面，看看如何用Matplotlib这把“瑞士军刀”，为你的数学建模论文、数据分析报告绘制出既专业又具说服力的图表。无论你是正在备战亚太杯、国赛的建模新手，还是需要将科研成果可视化的研究者，掌握这些核心的二维绘图技能，都能让你的工作事半功倍。
2. 核心思路：理解Matplotlib的“图层”哲学
在动手写代码之前，理解Matplotlib的设计哲学至关重要。这能帮你避免很多“为什么我的图改不动”的困惑。你可以把Matplotlib想象成一个画画的流程：首先你得有一块画布（Figure），然后在画布上规划出一个或多个画板（Axes），最后才是在具体的画板上用各种画笔（绘图函数）作画。
2.1 核心对象解析：Figure与Axes
Figure对象就是整张画布，它决定了最终图像的尺寸、分辨率等物理属性。而Axes对象才是我们绘图的主战场。一个Figure可以包含多个Axes，这意味着你可以在一张图上并排展示模型在不同参数下的对比，或者将原始数据与拟合曲线放在上下子图中。很多新手会混淆Axes和axis（坐标轴），记住：Axes是包含坐标轴、刻度、标签、图例以及所有数据图表区域的容器。
我个人的习惯是，除非是绘制一个极其简单的草图，否则永远显式地创建Figure和Axes对象，而不是依赖pyplot的隐式创建。这样做的好处是代码逻辑清晰，对象引用明确，后续进行精细调整时不会找不到北。
import matplotlib.pyplot as plt import numpy as np # 推荐方式：显式创建对象 fig, ax = plt.subplots() # 创建一个画布和一个画板 # 现在，所有绘图操作都基于 ax 对象 x = np.linspace(0, 10, 100) ax.plot(x, np.sin(x)) ax.set_xlabel('X轴') ax.set_title('我的第一个可控图表') # 不推荐（对于复杂图表）：依赖pyplot自动创建当前轴 plt.plot(x, np.sin(x)) # plt会隐式创建figure和axes plt.xlabel('X轴') # 你并不知道这个操作具体作用于哪个对象2.2 绘图风格与上下文管理
Matplotlib允许你全局设置绘图风格，让你的所有图表瞬间拥有统一的“学术范”、“期刊风”或“演示风”。这是提升图表专业度的捷径。
# 查看所有可用的风格 print(plt.style.available) # 常见风格：'ggplot', 'seaborn', 'seaborn-whitegrid', 'default' # 设置全局风格 plt.style.use('seaborn-whitegrid') # 带白色网格线的风格，适合学术图表 # 你也可以使用上下文管理器，临时改变某个图表的风格 with plt.style.context('dark_background'): fig, ax = plt.subplots() ax.plot(x, np.cos(x)) # 这个图会使用黑色背景风格，但不会影响上下文之外的图对于数学建模，我强烈推荐‘seaborn-whitegrid’或‘seaborn-talk’。前者网格清晰，数据点定位准确，后者元素对比度高，适合在演示文稿中展示。
3. 数学建模中的核心图表类型与实战
数学建模的每个阶段，都需要不同的图表来服务。下面我们针对几个典型场景，拆解具体的绘图方法和避坑技巧。
3.1 数据探索与分布呈现
在建模初期，理解数据分布是关键。直方图和箱线图是两大神器。
直方图（Histogram）：用于展示连续数据的分布情况。关键参数是bins（箱子数），它直接影响你对数据分布形态的判断。
# 模拟一组正态分布数据 data = np.random.randn(1000) fig, axes = plt.subplots(1, 2, figsize=(12, 4)) # 创建1行2列的子图 # 子图1：默认bins axes[0].hist(data, edgecolor='black', alpha=0.7) axes[0].set_title('默认bins (auto)') axes[0].set_ylabel('频数') # 子图2：手动指定bins数量 axes[1].hist(data, bins=30, edgecolor='black', alpha=0.7, color='salmon') axes[1].set_title('手动设置 bins=30') axes[1].set_ylabel('频数') plt.tight_layout() # 自动调整子图间距，避免重叠注意：
bins并非越多越好。过多的bins会导致图形过于破碎，无法体现整体分布趋势；过少则会掩盖细节。一个经验法则是从sqrt(n)（n为数据量）开始尝试，并结合数据的实际含义进行调整。对于建模中的敏感性分析结果，清晰的直方图能直观展示参数变化对输出的影响范围。
箱线图（Boxplot）：用于展示数据的中位数、四分位数、异常值，特别适合多组数据对比。
# 模拟三组不同条件的数据 data_to_plot = [np.random.normal(0, std, 100) for std in [1, 2, 3]] labels = ['条件A', '条件B', '条件C'] fig, ax = plt.subplots() box = ax.boxplot(data_to_plot, labels=labels, patch_artist=True) # patch_artist允许填充颜色 # 美化箱体颜色 colors = ['lightblue', 'lightgreen', 'pink'] for patch, color in zip(box['boxes'], colors): patch.set_facecolor(color) ax.set_ylabel('观测值') ax.set_title('不同实验条件下的数据分布对比') ax.grid(True, axis='y', linestyle='--', alpha=0.7) # 只显示y轴网格箱线图中的“箱子”展示了数据的中间50%（四分位距IQR），“须线”通常延伸到1.5倍IQR范围内的数据点，之外的点被视为异常值（单独显示）。在建模中，这能快速帮你识别不同方案或参数下的输出是否稳定，是否存在极端情况。
3.2 关系与趋势展示：散点图与回归线
分析变量间关系是建模的核心。散点图加趋势线是最直接的表达。
# 生成带有噪声的线性关系数据 np.random.seed(42) x = np.linspace(0, 10, 50) y_true = 2.5 * x + 1.0 y_noise = y_true + np.random.randn(50) * 3 # 添加噪声 fig, ax = plt.subplots() # 绘制散点 scatter = ax.scatter(x, y_noise, c='blue', alpha=0.6, edgecolors='w', linewidth=0.5, label='观测数据') # 参数说明：c颜色，alpha透明度，edgecolors点边缘色，linewidth边缘线宽 # 使用numpy进行简单线性拟合，并绘制趋势线 coefficients = np.polyfit(x, y_noise, 1) # 1次多项式拟合 poly = np.poly1d(coefficients) y_fit = poly(x) ax.plot(x, y_fit, color='red', linewidth=2, label=f'拟合直线: y={coefficients[0]:.2f}x+{coefficients[1]:.2f}') # 添加完美关系线作为参考 ax.plot(x, y_true, color='green', linestyle='--', alpha=0.5, label='真实关系') ax.set_xlabel('自变量 X') ax.set_ylabel('因变量 Y') ax.set_title('变量关系散点图与线性拟合') ax.legend() ax.grid(True, linestyle=':', alpha=0.5)实操心得：
scatter函数中的s参数可以表示点的大小，如果你有第三维数据（如某个指标的权重），可以将其映射到s上，实现气泡图的效果，一举展示三个变量间的关系。这在分析多因素影响时非常有用。
3.3 模型结果对比与时间序列
对于优化模型、预测模型，经常需要对比预测值与真实值，或者展示时间序列的预测效果。
# 模拟时间序列数据及预测 time = np.arange(0, 24, 0.5) # 0到24小时，每半小时一个点 actual = np.sin(time * 2 * np.pi / 24) + np.random.randn(len(time)) * 0.1 # 带噪声的日周期数据 predicted = np.sin(time * 2 * np.pi / 24) + np.random.randn(len(time)) * 0.05 # 预测值（噪声更小） fig, ax = plt.subplots(figsize=(10, 6)) # 绘制真实值与预测值 line_actual, = ax.plot(time, actual, 'o-', color='steelblue', markersize=4, linewidth=1.5, label='实际值') line_pred, = ax.plot(time, predicted, 's-', color='coral', markersize=4, linewidth=1.5, label='预测值') # 填充预测误差区域（置信区间） ax.fill_between(time, actual, predicted, where=(predicted >= actual), color='coral', alpha=0.3, interpolate=True) ax.fill_between(time, actual, predicted, where=(predicted < actual), color='steelblue', alpha=0.3, interpolate=True) ax.set_xlabel('时间 (小时)') ax.set_ylabel('指标值') ax.set_title('时间序列预测效果对比') ax.legend(loc='upper right') ax.grid(True, which='both', linestyle='--', alpha=0.7) # 设置x轴刻度，使其更易读 ax.set_xticks(np.arange(0, 25, 3))这种图表能一目了然地展示模型的预测精度、系统偏差（整体偏高或偏低）以及误差随时间的变化情况。fill_between函数是绘制置信区间、误差范围的利器。
3.4 高级应用：等高线图与向量场
对于涉及地理信息、物理场或二元函数的模型，等高线图和向量场图是必备技能。
等高线图（Contour Plot）：常用于展示二元函数z=f(x,y)的值分布，比如地形高度、温度分布、概率密度等。
# 定义二元函数 (Rosenbrock函数，常用于优化测试) def rosenbrock(x, y): return (1 - x)**2 + 100 * (y - x**2)**2 # 生成网格数据 x = np.linspace(-2, 2, 400) y = np.linspace(-1, 3, 400) X, Y = np.meshgrid(x, y) Z = rosenbrock(X, Y) fig, axes = plt.subplots(1, 2, figsize=(14, 5)) # 子图1：等高线填充图 contourf = axes[0].contourf(X, Y, Z, levels=50, cmap='viridis') fig.colorbar(contourf, ax=axes[0], label='函数值 Z') axes[0].set_xlabel('X') axes[0].set_ylabel('Y') axes[0].set_title('Rosenbrock函数等高线填充图 (contourf)') axes[0].plot(1, 1, 'r*', markersize=15, label='全局最小值(1,1)') # 标记最小值点 axes[0].legend() # 子图2：带标签的等高线 contour = axes[1].contour(X, Y, Z, levels=20, colors='black', linewidths=0.5) axes[1].clabel(contour, inline=True, fontsize=8, fmt='%1.1f') # 在线上标注数值 axes[1].set_xlabel('X') axes[1].set_ylabel('Y') axes[1].set_title('带标注的等高线图 (contour)') axes[1].grid(True, alpha=0.3) plt.tight_layout()关键技巧：
levels参数控制等高线的数量或具体值。你可以传入一个整数（如50），Matplotlib会自动分级；也可以传入一个列表（如levels=[0, 1, 10, 100]）来绘制特定值的等高线。cmap（颜色映射）的选择直接影响视觉解读。顺序数据用‘viridis’, ‘plasma’；发散数据（有正负、高低对比）用‘RdBu’, ‘coolwarm’。
向量场图（Quiver Plot）：用于展示每个点上的向量（方向和大小），比如风速场、梯度方向。
# 生成网格点和向量场 (模拟一个旋涡场) x = np.linspace(-2, 2, 15) y = np.linspace(-2, 2, 15) X, Y = np.meshgrid(x, y) U = -Y # X方向分量，与-y成正比，形成旋转 V = X # Y方向分量，与x成正比 fig, ax = plt.subplots(figsize=(7, 7)) # 绘制向量场 q = ax.quiver(X, Y, U, V, np.sqrt(U**2 + V**2), cmap='autumn', angles='xy', scale_units='xy', scale=5) # 参数说明：U,V是分量，第五个参数是颜色映射依据（此处为速度大小），angles='xy'确保箭头方向在数据坐标系中正确。 ax.set_xlabel('X方向') ax.set_ylabel('Y方向') ax.set_title('二维向量场（旋涡）示例') ax.set_xlim([-2.5, 2.5]) ax.set_ylim([-2.5, 2.5]) ax.set_aspect('equal') # 保证x,y轴比例相同，方向才准确 fig.colorbar(q, ax=ax, label='向量模长')在数学建模中，向量场图可以直观展示梯度下降的方向、流体运动的趋势，或者任何具有方向和大小的场分布。
4. 图表的美化与输出：从“能看”到“专业”
绘图容易，出图专业难。细节决定图表最终呈现的专业度。
4.1 字体、颜色与样式精细化
中文字体问题：这是Matplotlib初学者最常见的“拦路虎”。默认字体不支持中文，会导致标签显示为方框。
# 解决方案一：使用系统支持的中文字体（推荐，一劳永逸） import matplotlib # 找到你的中文字体文件路径，例如Windows的SimHei matplotlib.font_manager.fontManager.addfont('C:/Windows/Fonts/simhei.ttf') font_name = matplotlib.font_manager.FontProperties(fname='C:/Windows/Fonts/simhei.ttf').get_name() matplotlib.rcParams['font.sans-serif'] = [font_name] matplotlib.rcParams['axes.unicode_minus'] = False # 解决负号显示问题 # 解决方案二：临时设置（适用于单个图表） from matplotlib import font_manager my_font = font_manager.FontProperties(fname='C:/Windows/Fonts/simhei.ttf') ax.set_xlabel('时间轴', fontproperties=my_font) ax.set_title('包含中文的标题', fontproperties=my_font)颜色映射（Colormap）选择：颜色不仅仅是美观，更是传递信息的重要手段。
- 顺序数据（如高度、温度、密度）：使用颜色亮度或饱和度单一变化的colormap，如
‘viridis’,‘plasma’,‘summer’。 - 发散数据（如温度异常、正负偏差）：使用中间亮、两端暗的colormap，突出中间值，如
‘RdBu’,‘coolwarm’,‘bwr’。 - 分类数据：使用颜色差异明显的离散colormap，如
‘tab10’,‘Set3’。
避免使用‘jet’！虽然它颜色鲜艳，但存在亮度非单调变化、对色盲不友好、在黑白打印下难以区分等问题，已被科学可视化社区广泛弃用。
4.2 图例、注释与布局调整
一个清晰的图例和恰到好处的注释能让读者迅速理解图表。
# 创建示例数据 x = np.linspace(0, 10, 100) fig, ax = plt.subplots() line1, = ax.plot(x, np.sin(x), label='正弦波 Sin(x)') line2, = ax.plot(x, np.cos(x), '--', label='余弦波 Cos(x)') line3, = ax.plot(x, 0.5*np.sin(2*x), ':', label='倍频波 0.5*Sin(2x)') # 1. 图例优化 legend = ax.legend(loc='upper right', frameon=True, shadow=True, fancybox=True) # loc参数：'best', 'upper right', 'lower left', 'center'等 # frameon, shadow, fancybox 控制边框和阴影，让图例更突出 # 2. 添加文本注释 ax.annotate('局部最大值', xy=(np.pi/2, 1), xytext=(np.pi/2+1, 0.8), arrowprops=dict(facecolor='black', shrink=0.05, width=1, headwidth=8), fontsize=10, horizontalalignment='left') # xy: 箭头指向的点， xytext: 文本起始位置 # 3. 添加无指向性文本 ax.text(8, -0.8, '衰减趋势区域', style='italic', bbox={'facecolor': 'yellow', 'alpha': 0.3, 'pad': 5}) ax.set_xlabel('X轴 (弧度)') ax.set_ylabel('Y轴 振幅') ax.set_title('三角函数波形对比') ax.grid(True, alpha=0.3)布局魔法：plt.tight_layout()与plt.subplots_adjust()当你有多个子图时，标题、标签经常重叠。plt.tight_layout()可以自动调整子图参数，使它们以合适的间距适应画布。如果自动调整不满意，可以使用plt.subplots_adjust()进行手动微调，参数如left,bottom,right,top,wspace（子图水平间距）,hspace（子图垂直间距）。
4.3 高质量输出：格式、分辨率与矢量图
论文和报告对图片格式和分辨率有严格要求。
fig, ax = plt.subplots() # ... 你的绘图代码 ... # 保存为不同格式 output_path = './my_plot' # 1. 保存为高分辨率PNG（用于网页、PPT） fig.savefig(output_path + '.png', dpi=300, bbox_inches='tight') # dpi: 每英寸点数，300是印刷级标准。bbox_inches='tight' 会裁剪掉图片周围的白边。 # 2. 保存为PDF（矢量图，无限放大不失真，论文首选） fig.savefig(output_path + '.pdf', format='pdf', bbox_inches='tight') # 3. 保存为SVG（矢量图，可用于进一步编辑） fig.savefig(output_path + '.svg', format='svg', bbox_inches='tight') # 4. 保存为高DPI的JPEG（注意JPEG是有损压缩，不适合有锐利线条或文字的图表） # fig.savefig(output_path + '.jpg', dpi=300, bbox_inches='tight', quality=95)重要提示：对于包含大量数据点（如数十万散点）的图表，保存为矢量图（PDF/SVG）可能会生成巨大的文件，导致论文上传或打开缓慢。此时，可以折中处理：先保存为高分辨率PNG（如600 DPI），如果清晰度足够，则在论文中使用PNG；如果编辑部明确要求矢量图，再考虑简化图表（如减少数据点采样）后输出PDF。
5. 在数学建模全流程中的应用与避坑指南
掌握了基本绘图技能后，我们将其嵌入到数学建模的标准流程中，看看每个环节如何用图表驱动思考、辅助决策。
5.1 问题分析阶段：绘制概念图与关系图
在解读赛题时，不要只停留在文字。用Matplotlib快速绘制示意图，能极大帮助理清系统边界、要素关系。
- 流程图：虽然Matplotlib不是专业绘图工具，但其
patches和annotate功能足以绘制简单的算法流程图或系统结构图，帮助团队统一理解。 - 关系网络草图：用
scatter画节点，用plot或annotate画连接线，快速勾勒出问题中实体间的关系（如交通网络的站点、传播模型的个体）。
这个阶段的图不求美观，但求快速和准确表达思想。可以先用plt.plot()快速手绘，把想法固定下来。
5.2 模型构建与求解阶段：动态监控与调试
在编写和调试模型求解代码（如优化算法、微分方程数值解）时，实时绘图是强大的调试工具。
import matplotlib.pyplot as plt import numpy as np from matplotlib.animation import FuncAnimation # 示例：动态展示梯度下降过程 def target_func(x): return x**2 + 10*np.sin(x) def grad_func(x): return 2*x + 10*np.cos(x) # 初始化 x_start = 10.0 lr = 0.1 epochs = 50 x_history = [x_start] y_history = [target_func(x_start)] x = x_start for i in range(epochs): grad = grad_func(x) x = x - lr * grad x_history.append(x) y_history.append(target_func(x)) # 绘制动态过程 fig, ax = plt.subplots() x_plot = np.linspace(-10, 10, 400) ax.plot(x_plot, target_func(x_plot), 'b-', label='目标函数') point, = ax.plot([], [], 'ro', markersize=10, label='当前点') path, = ax.plot([], [], 'r--', linewidth=1, alpha=0.5, label='优化路径') ax.set_xlim(-10, 10) ax.set_ylim(-10, 100) ax.legend() ax.grid(True) def update(frame): point.set_data([x_history[frame]], [y_history[frame]]) path.set_data(x_history[:frame+1], y_history[:frame+1]) ax.set_title(f'梯度下降过程 (迭代: {frame}/{epochs})') return point, path ani = FuncAnimation(fig, update, frames=len(x_history), interval=200, blit=True) # 保存为GIF（需要安装pillow） # ani.save('gradient_descent.gif', writer='pillow') plt.show()这种动态图不仅能让你看清算法是否收敛、是否陷入局部最优，还能在答辩时生动展示模型工作原理，比静态图更有说服力。
5.3 结果分析与论文撰写阶段：生成最终图表
这是绘图技能的集中体现。论文中的图表需要遵循严谨、规范、信息密度高的原则。
组合图（Composite Figures）：将多个相关联的子图组合在一张大图中，是论文的常见做法。
# 模拟一个包含4个子图的综合结果展示 fig = plt.figure(figsize=(12, 10)) # 使用GridSpec进行更灵活的布局 import matplotlib.gridspec as gridspec gs = gridspec.GridSpec(2, 2, figure=fig, hspace=0.3, wspace=0.3) # 子图1：数据分布直方图 ax1 = fig.add_subplot(gs[0, 0]) data = np.random.gamma(shape=2.0, scale=2.0, size=1000) ax1.hist(data, bins=30, density=True, alpha=0.7, color='skyblue', edgecolor='black') ax1.set_title('(a) 数据分布直方图', fontsize=11) ax1.set_xlabel('数值') ax1.set_ylabel('概率密度') # 子图2：时间序列预测 ax2 = fig.add_subplot(gs[0, 1]) t = np.arange(0, 10, 0.1) ax2.plot(t, np.sin(t), 'b-', label='真实值') ax2.plot(t, np.sin(t) + np.random.randn(len(t))*0.1, 'r.', alpha=0.5, label='预测值') ax2.fill_between(t, np.sin(t)-0.2, np.sin(t)+0.2, alpha=0.2, color='gray', label='置信区间') ax2.set_title('(b) 时间序列预测对比', fontsize=11) ax2.set_xlabel('时间') ax2.set_ylabel('观测值') ax2.legend(fontsize=9) # 子图3：误差分布箱线图 ax3 = fig.add_subplot(gs[1, 0]) error_data = [np.random.randn(100) for _ in range(3)] bp = ax3.boxplot(error_data, labels=['模型A', '模型B', '模型C'], patch_artist=True) for patch, color in zip(bp['boxes'], ['lightgreen', 'lightyellow', 'lightcoral']): patch.set_facecolor(color) ax3.axhline(y=0, color='r', linestyle='--', alpha=0.5) ax3.set_title('(c) 不同模型误差分布', fontsize=11) ax3.set_ylabel('预测误差') # 子图4：参数敏感性分析（等高线） ax4 = fig.add_subplot(gs[1, 1]) x = np.linspace(-3, 3, 100) y = np.linspace(-3, 3, 100) X, Y = np.meshgrid(x, y) Z = np.sin(X) * np.cos(Y) cs = ax4.contourf(X, Y, Z, levels=20, cmap='RdYlBu') fig.colorbar(cs, ax=ax4, shrink=0.8) ax4.set_title('(d) 参数敏感性分析', fontsize=11) ax4.set_xlabel('参数 α') ax4.set_ylabel('参数 β') plt.suptitle('数学建模结果综合展示', fontsize=14, fontweight='bold') plt.tight_layout() plt.savefig('composite_figure.pdf', dpi=300, bbox_inches='tight')图表编号与引用：在论文中，务必为每个图表添加编号和自解释性的标题（Caption）。Caption应包含：a) 图表类型；b) 核心展示内容；c) 关键发现或结论。例如：“图3. 不同算法在测试集上的误差分布箱线图。结果显示，模型C的误差中位数最接近零，且离散程度最小。”
5.4 常见问题与排查技巧实录
即使经验丰富，画图时也难免遇到问题。下面是一些高频问题的排查清单：
问题1：图表显示空白或只有坐标轴，没有数据线。
- 检查数据：首先打印你的数据
x和y，确认它们不是空列表或全为NaN。 - 检查绘图顺序：确保
ax.plot()或ax.scatter()等绘图命令在plt.show()或fig.savefig()之前。 - 检查坐标轴范围：你的数据可能远远超出了默认的坐标轴显示范围。尝试在绘图后添加
ax.set_xlim([x_min, x_max])和ax.set_ylim([y_min, y_max])手动设置范围，或者使用ax.relim()和ax.autoscale_view()自动调整。
问题2：中文显示为方框。
- 确保已正确设置中文字体路径（见4.1节）。
- 设置后需要重启Jupyter Notebook内核或重新执行导入matplotlib的代码才能生效。
- 在保存图片时，如果仍有问题，尝试在
savefig中指定字体：plt.savefig('output.png', dpi=300, bbox_inches='tight', metadata={'Creator': 'My Script', 'Font': 'SimHei'})（注意：此方法并非所有后端都支持）。
问题3：保存的图片分辨率低，文字模糊。
- 确认
savefig的dpi参数设置得足够高（通常300或600）。 - 检查图片尺寸。如果
figsize设置得很小（如(4,3)），即使高DPI，像素总数也有限。可以增大figsize（如(10,6)）再保存。 - 对于论文，优先保存为PDF格式，它是矢量图，与分辨率无关。
问题4：子图之间的元素重叠。
- 在
plt.subplots()或fig.add_subplot()后立即使用plt.tight_layout()。 - 如果
tight_layout效果不佳，使用plt.subplots_adjust(left=0.1, bottom=0.1, right=0.9, top=0.9, wspace=0.4, hspace=0.4)进行手动精细调整。参数值范围是0到1，代表相对于画布宽高的比例。
问题5：图例显示不全或覆盖了数据。
- 使用
ax.legend(loc='best')让Matplotlib自动寻找最佳位置。 - 如果自动位置不理想，可以尝试
loc='upper left','lower center','center right'等。 - 对于非常复杂的图例，可以考虑将其放在图表外部：
ax.legend(bbox_to_anchor=(1.05, 1), loc='upper left', borderaxespad=0.)，然后通过调整subplots_adjust的right参数为图例留出空间。
问题6：绘制大量数据点时图形卡顿或文件巨大。
- 对于散点图：使用
alpha透明度（如alpha=0.1）和较小的点尺寸（如s=1）。 - 对于线图：如果数据点极密，可以考虑降采样后再绘图。例如
x_dense = np.linspace(0, 10, 1000000); y_dense = np.sin(x_dense)，绘图前x_plot = x_dense[::1000]; y_plot = y_dense[::1000]。 - 输出时：避免对超大数据点使用矢量图格式（PDF/SVG），改用高DPI的PNG。
绘图是数学建模的语言，一张好图胜过千言万语。它不仅是成果的展示，更是思维过程的梳理和检验。从今天起，试着在每一个建模步骤中都思考：“我该如何用图表来表达？” 当你养成了这个习惯，你会发现，Matplotlib不再是一个冰冷的绘图库，而是你探索数据、构建模型、传达思想的最得力伙伴。
