Matplotlib 数据可视化指南

解决的问题

Matplotlib 在 Python 可视化中很常用，但实际写图时很容易遇到 plt.plot 隐式状态、多子图布局混乱、标签重叠、颜色映射不统一、导出 DPI 不合适等问题。这个技能面向这些工程细节，提供一套面向 matplotlib 的绘图指引，帮助工程师从快速草图过渡到可维护、可导出的数据可视化代码。

核心能力与关键步骤

• 接口选择：优先使用面向对象接口 fig, ax = plt.subplots()，避免依赖 pyplot 的隐式状态；简单探索时再用 plt 快捷方式。
• 绘图对象模型：围绕 Figure、Axes、Artist 和 Axis 组织代码，使多面板图、坐标轴、图例和注释更易维护。
• 图类型覆盖：适用于线图、散点图、柱状图、直方图、热力图、等高线图、箱线图等常见统计与科学可视化。
• 样式与自定义：整理颜色、样式表、rcParams、文本注释和颜色映射选择，减少“每张图都临时调参”的碎片化写法。
• 导出与性能：给出 savefig 常用参数，如 dpi、bbox_inches='tight'、transparent=True，并提示大数据集使用 rasterized=True 或降采样。
• 3D 与交互：覆盖 3D 可视化、动画、Jupyter 和 GUI 集成等使用场景。

适用边界与注意点

这个技能更适合编写和评审 Python 数据可视化代码，不提供业务图表设计决策。若项目对 GUI 后端、字体、发布流程或大规模渲染有严格约束，需要结合具体运行环境验证。对于复杂仪表盘或实时可视化，Matplotlib 可作为底层绘图组件，但不一定替代更专门的可视化框架。