企业官网建设流程全解析

1. 从一张折线图说起：为什么第二篇才是真正开始上手

很多人学 Matplotlib 的路径都差不多：找一篇入门教程，照着敲一遍plt.plot([1,2,3],[4,5,6])，看到窗口弹出一根线，心里想“哦，原来就这么简单”，然后关掉编辑器，下次真正要画图的时候又打开搜索引擎从头查。我自己当年也是这样，第一篇教程让我认识了plot和show，但真正让我把 Matplotlib 用起来的，是第二篇——也就是开始处理多子图、样式控制、中文显示、图例标注、保存输出这些“真实项目里一定会遇到”的东西。

这篇内容就是围绕“快速上手”的第二阶段展开的。它适合已经能画出单条曲线、但对着一张图里塞多个子图、想改颜色线型、想让中文正常显示、想把图存成高清文件这些操作还不太熟的人。我会把这一阶段最核心的几个技术点拆开讲清楚：Figure 与 Axes 的关系、subplots 布局、样式与配色、中文与负号显示、图例与标注、保存与分辨率控制。每一个点我都会说明“为什么要这么做”，而不只是“代码这样写”。

先给一个整体判断：Matplotlib 的学习曲线之所以让很多人觉得陡，不是因为 API 难，而是因为它的两套接口（pyplot 状态机接口和面向对象接口）混在一起，新手分不清什么时候用plt.xxx，什么时候用ax.xxx。第二阶段的第一个任务，就是把这个关系理顺。理顺之后，你会发现后面所有操作都顺了。

2. 核心概念拆解：Figure、Axes、Axis 到底谁是谁

2.1 一张图的三层结构

刚接触 Matplotlib 的人最容易被三个词绕晕：Figure、Axes、Axis。我用一个生活化的类比来解释：把画图想象成做一面照片墙。

• Figure（画布）：整面墙。它是一张白纸，是所有内容的容器，本身不画任何数据。
• Axes（坐标系/子图）：墙上挂的每一个相框。一个 Figure 上可以挂多个相框，每个相框里有自己的坐标轴、自己的数据。注意 Axes 是“一个绘图区域”，不是“坐标轴”。
• Axis（坐标轴）：相框里的横轴和纵轴，负责刻度、标签、范围。

很多人第一次看到fig, ax = plt.subplots()会懵：为什么返回两个东西？现在你应该明白了——fig是那面墙，ax是墙上的那个相框。你要画数据，永远是在ax上画，而不是在fig上画。

提示：Axes和Axis只差一个字母，但含义完全不同。前者是绘图区域，后者是坐标轴。看官方文档时千万别看串。

2.2 两套接口：什么时候用 plt，什么时候用 ax

这是第二阶段必须跨过的一道坎。pyplot 接口（plt.plot、plt.title）是状态机风格，它默认操作“当前活跃的那个 Axes”。面向对象接口（ax.plot、ax.set_title）是显式风格，你明确指定在哪个 Axes 上操作。

单图简单场景，两者没区别。但只要涉及多子图，pyplot 接口就会出问题——你plt.plot的时候，它到底画在哪个子图上？答案是“最后创建或最后激活的那个”，这非常容易出错。所以我的建议很直接：

• 只要超过一个子图，一律用面向对象接口。
• 单图也别用plt.xxx混着写，统一用ax.xxx，代码可维护性高一个档次。

这里有个细节很多人不知道：plt.title()和ax.set_title()功能一样，但命名不统一。pyplot 里是title，面向对象里是set_title。类似的还有xlabel→set_xlabel，xlim→set_xlim。记住这个规律：面向对象接口里，设置类的操作大多带set_前缀，取值类的操作带get_前缀。

2.3 为什么推荐 subplots 而不是 add_subplot

创建子图有两种常见写法。老写法是：

fig = plt.figure() ax1 = fig.add_subplot(2, 2, 1) ax2 = fig.add_subplot(2, 2, 2)

新写法是：

fig, axes = plt.subplots(2, 2)

我强烈推荐后者，原因有三个。第一，subplots一次性返回所有 Axes 组成的数组，你可以用axes[0, 1]直接索引，不用记add_subplot那三个数字参数的含义。第二，subplots支持sharex、sharey参数，多子图共享坐标轴时特别省事。第三，subplots内部帮你处理了布局，配合constrained_layout能自动解决子图重叠问题。

add_subplot(2, 2, 1)里的三个数字含义是“2 行 2 列，第 1 个”，编号从左上角开始，按行优先递增。这个规则要记牢，因为subplots返回的二维数组索引axes[行, 列]和它是对应的，都是从 0 开始。

3. 多子图布局：把一张画布切得明明白白

3.1 subplots 返回值的索引陷阱

fig, axes = plt.subplots(2, 3)之后，axes是一个 2 行 3 列的二维数组。访问方式：

axes[0, 0] # 第一行第一列 axes[1, 2] # 第二行第三列

但如果你只创建一个子图，plt.subplots()返回的ax是单个对象，不是数组。而plt.subplots(1, 1)返回的axes是一维数组。这个不一致性坑过无数人。我的处理习惯是：创建时永远显式写出行列数，然后用axes.flat或者np.ravel(axes)把它拍平成一维，再配合循环处理，代码最干净。

fig, axes = plt.subplots(2, 3, figsize=(12, 8)) for i, ax in enumerate(axes.flat): ax.plot(data[i]) ax.set_title(f"子图 {i+1}")

axes.flat是一个迭代器，能按行优先顺序遍历所有子图，比手写双重循环优雅得多。

3.2 共享坐标轴：sharex 与 sharey 的正确用法

多子图对比数据时，如果每个子图的坐标轴范围不一样，读者很难直观比较。sharex=True让所有子图共用同一个 x 轴范围，缩放时联动。这在画时间序列对比时特别有用。

fig, axes = plt.subplots(3, 1, sharex=True, figsize=(10, 8))

注意一个细节：共享坐标轴后，只有最底部的子图会显示 x 轴刻度标签，中间的会被自动隐藏，这是有意设计的，避免重复。如果你确实需要每个子图都显示标签，得手动ax.tick_params(labelbottom=True)。

还有一个坑：sharex和sharey必须在创建时就指定，创建后没法改。所以布局前要想清楚。

3.3 布局重叠怎么办：constrained_layout 与 tight_layout

子图标题、坐标轴标签、图例这些东西很容易互相重叠，尤其是子图多、标签长的时候。Matplotlib 提供了两种自动布局方案：

我的建议是优先用 constrained_layout，它在创建 Figure 时通过参数开启，之后每次绘图都会自动调整，不需要手动调用。tight_layout是事后调用，如果图已经画完再调，有时会失效。

fig, axes = plt.subplots(2, 2, layout="constrained", figsize=(10, 8))

如果 constrained_layout 还是解决不了（比如你手动用了fig.add_axes绝对定位），那就只能手动调subplots_adjust，用left、right、top、bottom、wspace、hspace这几个参数微调。wspace和hspace是子图之间的水平和垂直间距，单位是“平均子图宽/高的比例”，默认 0.2 左右。

4. 样式控制：让图从“能看”变成“好看”

4.1 颜色、线型、标记点三件套

plot函数最常用的三个样式参数是color、linestyle、marker。它们可以写成简写字符串，比如"ro--"表示红色、圆点标记、虚线。但我更推荐用完整参数名，可读性高：

ax.plot(x, y, color="steelblue", linestyle="--", marker="o", markersize=6)

颜色有三种指定方式：颜色名（"red"、"steelblue"）、十六进制（"#1f77b4"）、RGB 元组（(0.1, 0.2, 0.3)）。线型常用"-"（实线）、"--"（虚线）、"-."（点划线）、":"（点线）。标记点常用"o"（圆）、"s"（方）、"^"（三角）、"*"（星）。

这里有个经验：线宽和标记点大小要匹配。线宽默认 1.5，标记点默认 6，如果线加粗到 3，标记点也要相应放大到 10 左右，否则视觉上不协调。

4.2 全局样式：rcParams 与 style

如果你每次画图都要设置字体大小、线宽、网格，一个个改太累。Matplotlib 提供了rcParams全局配置：

import matplotlib as mpl mpl.rcParams["font.size"] = 12 mpl.rcParams["axes.grid"] = True mpl.rcParams["lines.linewidth"] = 2

更省事的是用内置样式表：

plt.style.use("seaborn-v0_8-whitegrid")

plt.style.available能列出所有可用样式。我常用的有"ggplot"（模仿 R 的 ggplot2）、"seaborn-v0_8"系列、"bmh"。样式表可以在创建 Figure 前设置，也可以临时用with plt.style.context("ggplot"):局部生效。

注意：样式表会覆盖你之前设置的 rcParams，所以顺序很重要。先style.use，再改 rcParams 微调。

4.3 网格、边框、刻度：细节决定质感

默认的 Matplotlib 图有个通病：四周有边框，刻度朝外，网格默认关闭，看起来比较“朴素”。稍微调一下就能提升质感：

ax.grid(True, linestyle=":", alpha=0.6) ax.spines["top"].set_visible(False) ax.spines["right"].set_visible(False) ax.tick_params(direction="in", length=4)

spines是四个边框，去掉顶部和右侧是数据可视化的常见做法，减少视觉干扰。tick_params的direction="in"让刻度朝内，看起来更紧凑。alpha控制透明度，网格线用 0.5 到 0.7 之间比较合适，太深会抢数据的视觉焦点。

5. 中文显示与负号：新手最容易卡住的地方

5.1 中文乱码的根因

Matplotlib 默认字体是英文字体，不含中文字形，所以中文会显示成一个个方框（俗称“豆腐块”）。解决办法是设置一个支持中文的字体。不同操作系统自带的字体不一样：

设置方式：

mpl.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "PingFang SC"] mpl.rcParams["axes.unicode_minus"] = False

sans-serif是一个字体列表，Matplotlib 会按顺序找第一个系统里存在的。把多个平台的字体都列上，代码就能跨平台运行。

5.2 负号变方块的坑

设置中文字体后，很多人会发现负号变成了方块。原因是很多中文字体里的负号字形和 ASCII 减号不兼容。解决办法就是上面那行axes.unicode_minus = False，让 Matplotlib 用 ASCII 减号代替 Unicode 负号。

这个坑非常隐蔽，因为你不画负数就发现不了。我建议设置中文字体的同时就把 unicode_minus 关掉，一步到位。

5.3 字体缓存问题

有时候你明明设置了字体，还是显示方块。这通常是字体缓存的问题。Matplotlib 会把系统字体扫描结果缓存起来，新装的字体可能没被识别。清理缓存：

import matplotlib print(matplotlib.get_cachedir())

打印出缓存目录后，删掉里面的字体缓存文件，重启 Python 即可。或者直接调用matplotlib.font_manager._rebuild()强制重建。

6. 图例、标注与文本：让图自己会说话

6.1 图例的两种添加方式

图例有两种加：一种是在plot时用label参数，最后统一ax.legend()；另一种是手动传句柄和标签。推荐第一种：

ax.plot(x, y1, label="方案 A") ax.plot(x, y2, label="方案 B") ax.legend(loc="upper right", frameon=False)

loc控制位置，常用"best"（自动找不挡数据的位置）、"upper right"、"lower left"。frameon=False去掉图例边框，视觉更干净。ncol参数可以设置图例列数，图例项多的时候横排更省空间。

6.2 数据点标注：annotate 的用法

想在某个数据点旁边加文字说明，用annotate：

ax.annotate("峰值", xy=(5, 10), xytext=(6, 12), arrowprops=dict(arrowstyle="->", color="gray"))

xy是被标注点的坐标，xytext是文字位置，arrowprops控制箭头样式。如果不想画箭头，去掉arrowprops即可。arrowstyle常用"->"、"-|>"、"fancy"。

6.3 文本与标题的层级

一张规范的图应该有：主标题（set_title）、坐标轴标签（set_xlabel/set_ylabel）、必要时加副标题。Matplotlib 没有原生副标题，但可以用fig.suptitle加总标题，或者用ax.text在标题下方手动加。

ax.set_title("月度销售趋势", fontsize=14, fontweight="bold") ax.set_xlabel("月份", fontsize=11) ax.set_ylabel("销售额（万元）", fontsize=11)

字号建议：标题 14 左右，轴标签 11 左右，刻度 10 左右。fontweight="bold"让标题加粗，层次更分明。

7. 保存与输出：分辨率、格式、边距

7.1 dpi 与尺寸的关系

保存图片时两个关键参数：figsize（英寸）和dpi（每英寸点数）。最终像素 = figsize × dpi。比如figsize=(10, 6)、dpi=300，输出就是 3000×1800 像素。

fig.savefig("output.png", dpi=300, bbox_inches="tight")

屏幕显示用 100 左右 dpi 就够，论文或印刷用 300，海报用 600。bbox_inches="tight"会自动裁掉多余白边，非常实用，但要注意它可能裁掉部分标注文字，必要时配合pad_inches留白。

7.2 矢量图 vs 位图

格式选择上，PNG 是位图，适合屏幕展示；PDF、SVG 是矢量图，放大不失真，适合论文和排版。我的习惯是同时存一份 PNG 和一份 PDF，PNG 用于快速预览，PDF 用于正式场合。

fig.savefig("output.pdf", bbox_inches="tight") fig.savefig("output.png", dpi=300, bbox_inches="tight")

注意：保存必须在plt.show()之前。show()之后 Figure 可能被清空，再保存就是空白图。这个坑我踩过不止一次。

7.3 透明背景与颜色模式

需要把图叠到其他背景上时，用transparent=True保存透明背景 PNG。如果图要用于深色主题，记得把文字和线条颜色改成浅色，否则黑字黑线在深色背景上看不见。

8. 常见问题与排查速查表

8.1 问题速查

8.2 几个独家避坑经验

第一，不要在循环里反复plt.figure()。每次调用都会创建新画布，内存里堆一堆 Figure，最后show的时候可能只显示最后一个。正确做法是循环外创建一次，循环内用ax.clear()或直接操作不同 Axes。

第二，plt.show()在脚本和 Notebook 里行为不同。脚本里它会阻塞直到关窗口，Notebook 里它自动渲染。如果你在脚本里想连续显示多张图，得用plt.show(block=False)或者干脆存文件。

第三，颜色循环（color cycle）是全局的。如果你在同一进程里画了多张图，颜色会接着上一张继续轮换，导致两张图颜色不一致。解决办法是每次画图前ax.set_prop_cycle(None)重置，或者显式指定颜色。

第四，tight_layout和suptitle会打架。用了fig.suptitle之后调tight_layout，总标题可能被裁掉。这时候改用constrained_layout或者手动subplots_adjust(top=0.9)。

9. 一个完整的实操案例：四子图对比图

把前面所有知识点串起来，做一个完整的例子。需求：画一个 2×2 的子图，分别展示四种不同参数下的曲线，共享 x 轴，带中文标题、图例、网格，最后存成高清 PNG 和 PDF。

import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt mpl.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "PingFang SC"] mpl.rcParams["axes.unicode_minus"] = False mpl.rcParams["font.size"] = 11 x = np.linspace(0, 10, 200) params = [("线性", x), ("平方", x**2), ("正弦", np.sin(x)), ("指数", np.exp(x/5))] fig, axes = plt.subplots(2, 2, figsize=(11, 8), sharex=True, layout="constrained") for ax, (name, y) in zip(axes.flat, params): ax.plot(x, y, color="steelblue", linewidth=2, label=name) ax.set_title(f"{name}函数", fontsize=13, fontweight="bold") ax.grid(True, linestyle=":", alpha=0.6) ax.legend(loc="upper left", frameon=False) ax.spines["top"].set_visible(False) ax.spines["right"].set_visible(False) for ax in axes[1, :]: ax.set_xlabel("x 轴") for ax in axes[:, 0]: ax.set_ylabel("y 轴") fig.suptitle("四类函数对比", fontsize=15, fontweight="bold") fig.savefig("compare.png", dpi=300, bbox_inches="tight") fig.savefig("compare.pdf", bbox_inches="tight") plt.show()

这段代码里，sharex=True让四个子图共享 x 轴，只有底部两个显示 x 标签；layout="constrained"自动处理了总标题和子图的间距；axes.flat把二维数组拍平方便循环；spines去掉了顶部和右侧边框。跑一遍你会发现，出来的图直接就能放进报告里。

10. 性能与进阶方向的一点个人体会

画少量数据时，Matplotlib 的性能完全够用。但如果你要画几十万点的散点图，默认的plot会明显卡顿。这时候有几个优化方向：用scatter时设置rasterized=True，让点在保存矢量图时被栅格化；或者用LineCollection批量画线；再或者直接换datashader这类专门处理大数据的库。

另一个进阶方向是自定义样式表。你可以把自己常用的一套配置写成一个.mplstyle文件，放在配置目录里，之后plt.style.use("my_style")一键调用。样式表就是纯文本，每行一个key: value，比如axes.grid: True、lines.linewidth: 2。团队协作时统一一份样式表，出来的图风格一致，省去大量沟通成本。

我自己在实际项目里的体会是：Matplotlib 的“快速上手”其实分两个阶段，第一阶段是能画出图，第二阶段是能画出规范、可复用、可交付的图。第二阶段的这些知识点——subplots 布局、样式控制、中文处理、保存输出——看起来零散，但它们共同决定了你的图能不能直接拿去用。把这些吃透之后，你再去学 Seaborn、Plotly 这些高层库，会发现底层逻辑都是相通的，上手速度会快很多。

最后分享一个小技巧：养成把常用配置写成一个setup_plot()函数的习惯，每次新项目开头调用一次，把字体、字号、网格、边框这些一次性设好。这样你就能把精力集中在数据本身，而不是每次都在调样式上浪费时间。