Python Matplotlib | 基础绘图、复杂函数图与三维图

注：本文为 "Matplotlib 绘图" 相关合辑。

图片清晰度受引文原图所限。

略作重排，未整理去重。

如有内容异常，请看原文。

Matplotlib------在一张图内绘制多条曲线

以理服人李师傅原创于 2020-07-24 16:25:38 发布

效果图

绘制过程

Matplotlib 提供两类绘图实现方式，具体说明如下：

面向对象模式（object-oriented（OO）-style）：手动创建画布与坐标轴对象，调用对应对象的方法完成绘图操作。
Pyplot 函数模式（pyplot-style）：依托 pyplot 模块自动生成并管理画布与坐标轴，通过模块内置函数完成绘图操作。

Matplotlib 官方文档与示例同时采用上述两种模式，两类模式的运行输出效果保持一致。实际开发中可任选其一使用，建议选定单一模式并统一沿用，不建议混合编写代码。

交互式绘图场景（如 Jupyter 笔记本环境）可优先使用 pyplot-style；非交互式绘图场景，以及需要将代码封装为函数、脚本并在项目中复用的场景，可优先使用 OO-style。

两类绘图模式均具备各自适用场景与功能特点，可查阅官方教程完成学习与实践。

1. 导入依赖库

引入 matplotlib.pyplot 模块，该步骤为后续绘图代码运行的前置条件。

python 复制代码

import matplotlib.pyplot as plt

2. 创建空白画布与坐标轴

python 复制代码

fig, ax = plt.subplots()

函数 plt.subplots() 用于创建画布或一组子图，该函数的返回值包含 Figure 实例与 axes.Axes 实例。上述代码中，变量 fig 对应 Figure 对象，变量 ax 对应 axes.Axes 对象。

3. 基于坐标轴对象绘制单条曲线

python 复制代码

fig, ax = plt.subplots()  # 创建画布与坐标轴实例
x = np.linspace(0, 2, 100)  # 定义 x 轴取值区间
y1 = x
ax.plot(x, y1, label='linear')  # 绘制 $y_1 = x$ 曲线，并设置曲线标识为 linear

上述代码可完成函数 y 1 = x y_1 = x y1=x 的图像绘制，代码内设置的 label 参数仅完成标识定义，此阶段图例不会在图像中展示。

补充说明：图例显示方法

代码中通过 label 参数定义曲线名称后，需额外调用 ax.legend() 方法，方可在图像中渲染出图例内容。仅配置 label 参数无法完成图例展示。

4. 在同一画布内绘制多条曲线

沿用相同方式，可在一组坐标轴中叠加绘制多条曲线，代码示例如下：

python 复制代码

fig, ax = plt.subplots()  # 创建画布与坐标轴实例
x = np.linspace(0, 2, 100)  # 定义 x 轴取值区间
y1 = x
ax.plot(x, y1, label='linear')  # 绘制 $y_1 = x$ 曲线，并设置曲线标识为 linear

y2 = x ** 2
ax.plot(x, y2, label='quadratic')  # 绘制 $y_2 = x^2$ 曲线，并设置曲线标识为 quadratic

y3 = x ** 3
ax.plot(x, y3, label='cubic')  # 绘制 $y_3 = x^3$ 曲线，并设置曲线标识为 cubic

5. 配置坐标轴、标题与图例并展示图像

完整代码包含坐标轴命名、图像标题设置、图例渲染与图像显示等操作，完整实现如下：

python 复制代码

fig, ax = plt.subplots()  # 创建画布与坐标轴实例
x = np.linspace(0, 2, 100)  # 定义 x 轴取值区间
y1 = x
ax.plot(x, y1, label='linear')  # 绘制 $y_1 = x$ 曲线，并设置曲线标识为 linear

y2 = x ** 2
ax.plot(x, y2, label='quadratic')  # 绘制 $y_2 = x^2$ 曲线，并设置曲线标识为 quadratic

y3 = x ** 3
ax.plot(x, y3, label='cubic')  # 绘制 $y_3 = x^3$ 曲线，并设置曲线标识为 cubic

ax.set_xlabel('x label')  # 设置 x 轴名称
ax.set_ylabel('y label')  # 设置 y 轴名称
ax.set_title('Simple Plot')  # 设置图像标题
ax.legend()  # 识别曲线标识并渲染图例

plt.show()  # 展示最终图像

借助上述实现方式，可在单张画布中完成多条自定义曲线的绘制。

常见问题

问题 1：变量未定义，`fig`、`ax` 提示报错

现象

执行 fig, ax = plt.subplots() 代码时，程序提示变量不存在或相关方法无法调用。

原因

运行代码前未导入 matplotlib.pyplot 模块。

解决

在代码文件起始位置添加库导入语句：

python 复制代码

import matplotlib.pyplot as plt

问题 2：调用 `plt.show()` 出现报错，图像无法弹出展示

现象

代码执行无绘图报错，但执行 plt.show() 语句时程序异常终止，图像窗口无法弹出。

原因

代码片段缺失 plt.show() 语句，或运行环境图形渲染组件异常。

解决

检查代码末尾，确认已添加 plt.show() 语句，该语句为唤起图像窗口的必要指令；
若已添加语句仍报错，可检查当前运行环境的图形界面配置，或切换运行环境重新执行代码。

问题 3：已设置 `label` 参数，图像中无图例显示

现象

曲线绘制正常，但预设的曲线名称未在图像上呈现。

原因

仅通过 plot 方法配置 label 参数，未调用图例渲染方法。

解决

在绘图代码后补充 ax.legend() 语句，程序会自动读取各条曲线的 label 内容并生成图例。

Matplotlib------绘制复杂函数图与三维图

SongpingWang 2018-07-01 11:04:19

本文介绍基于 Python 环境下 Matplotlib 程序库实现二维、三维函数图像的绘制，涵盖正弦复合函数、Sigmoid 函数、正态分布曲线、空间螺旋线等典型图形，并提供完整可运行代码示例。

一、绘制二维函数图

1.1 绘制 f ( x ) = sin ⁡ 2 ( x − 2 ) e − x 2 \boldsymbol{f(x) = \sin^2(x-2) e^{-x^2}} f(x)=sin2(x−2)e−x2 函数图

代码示例 1

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams["font.sans-serif"] = ['SimHei']  # 配置中文字符正常显示
plt.rcParams['axes.unicode_minus'] = False    # 配置负号正常显示

x = np.linspace(-2.5, 2, 256, endpoint=True)  # 生成区间 [-2.5, 2] 内的横坐标序列
f = (np.sin(x - 2)) ** 2 * (np.e) ** (-x ** 2)  # 计算函数对应纵坐标

plt.plot(x, f, "g-", lw=2.5, label="$f(x)$")
plt.title("$f(x) = \sin^2(x-2)e^{-x^2}$ 函数图")
plt.legend()
plt.show()

代码示例 2（函数拆分实现）

将复合函数 sin ⁡ 2 ( x − 2 ) e − x 2 \sin^2(x-2) e^{-x^2} sin2(x−2)e−x2 拆解为基础函数分步计算，令 x 1 = x − 2 x_1 = x-2 x1=x−2、 x 2 = − x 2 x_2 = -x^2 x2=−x2。

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # 配置中文字符正常显示
plt.rcParams['axes.unicode_minus'] = False    # 配置负号正常显示

x = np.linspace(0, 2, 300, endpoint=True)
x_1 = x - 2
S_1 = np.sin(x_1)
S_2 = S_1 ** 2

E_1 = -x ** 2
E_2 = np.exp(E_1)
f = S_2 * E_2

plt.figure(figsize=(8, 6))  # 设定画布尺寸
plt.plot(x, f, 'b-', lw=2.5, label="$f(x)=\sin^2(x-2)e^{-x^2}$")
plt.legend()  # 展示图例
plt.show()

1.2 绘制 Sigmoid 函数图： f ( x ) = 1 1 + e − x \boldsymbol{f(x) = \dfrac{1}{1+e^{-x}}} f(x)=1+e−x1

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # 配置中文字符正常显示
plt.rcParams['axes.unicode_minus'] = False    # 配置负号正常显示

x = np.linspace(-10, 10, 300, endpoint=True)
E_1 = -x
E_2 = np.exp(E_1)
f = 1 / (1 + E_2)

plt.figure(figsize=(8, 6))  # 设定画布尺寸
ax1 = plt.subplot(111)
plt.plot(x, f, 'b-', lw=2.5, label="$f(x)=\\frac{1}{1+e^{-x}}$")
plt.legend()  # 展示图例
ax1.grid(True)  # 显示网格线
plt.show()

1.3 绘制正态分布曲线

正态分布表达式：

f ( x ) = 1 2 π σ exp ⁡ ( − ( x − μ ) 2 2 σ 2 ) f(x)=\frac{1}{\sqrt{2\pi}\sigma}\exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right) f(x)=2π σ1exp(−2σ2(x−μ)2)

式中 μ \mu μ 为均值， σ \sigma σ 为标准差。

python 复制代码

import math
import matplotlib.pyplot as plt
import numpy as np

def gd(x, m, s):
    """正态分布计算函数
    m: 均值 μ
    s: 标准差 σ
    """
    left = 1 / (math.sqrt(2 * math.pi) * s)
    right = math.exp(-math.pow(x - m, 2) / (2 * math.pow(s, 2)))
    return left * right

def showfigure():
    plt.figure(figsize=(8, 6))  # 设定画布尺寸
    x = np.arange(-4, 5, 0.1)    # 生成区间 [-4, 5] 内的横坐标序列
    y = []
    for i in x:
        y.append(gd(i, 0, 1))  # 取 μ=0，σ=1

    plt.plot(x, y)
    plt.xlim(-4.0, 5.0)
    plt.ylim(-0.2, 0.5)

    # 调整坐标轴样式
    ax = plt.gca()
    ax.spines['right'].set_color('none')
    ax.spines['top'].set_color('none')
    ax.xaxis.set_ticks_position('bottom')
    ax.spines['bottom'].set_position(('data', 0))
    ax.yaxis.set_ticks_position('left')
    ax.spines['left'].set_position(('data', 0))

    # 标注参数与函数表达式
    label_f1 = "$\mu=0,\ \sigma=1$"
    plt.text(2.5, 0.3, label_f1, fontsize=15, verticalalignment="top", horizontalalignment="left")
    label_f2 = r"$f(x)=\frac{1}{\sqrt{2\pi}\sigma}\exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)$"
    plt.text(1.5, 0.4, label_f2, fontsize=15, verticalalignment="top", horizontalalignment="left")
    plt.show()

def main():
    showfigure()

if __name__ == "__main__":
    main()

二、绘制三维图

2.1 绘制三维螺旋线

python 复制代码

from mpl_toolkits.mplot3d import Axes3D
import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(1, 1, 1, projection='3d')

theta = np.linspace(-4 * np.pi, 4 * np.pi, 500)  # 旋转角取值范围
z = np.linspace(0, 2, 500)                       # Z 轴坐标序列
r = z
x = r * np.sin(theta)
y = r * np.cos(theta)

ax.plot(x, y, z, label='curve')
ax.legend()
plt.show()

2.2 绘制三维散点图

python 复制代码

from mpl_toolkits.mplot3d import Axes3D
import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1, projection='3d')

x = np.linspace(0, 5, 10)
y = np.linspace(0, 5, 10)
z1 = x
z2 = 2 * x
z3 = 3 * x

ax.scatter(x, y, z1, c='red', marker='o')
ax.scatter(x, y, z2, c='green', marker='^')
ax.scatter(x, y, z3, c='black', marker='*')
ax.legend()
plt.show()

2.3 绘制三维柱状图

python 复制代码

import random
import matplotlib as mpl
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
mpl.rcParams['font.size'] = 10

fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, projection='3d')

for z in [2011, 2012, 2013, 2014]:
    xs = range(1, 13)
    ys = 1000 * np.random.rand(12)
    color = plt.cm.Set2(random.choice(range(plt.cm.Set2.N)))
    ax.bar(xs, ys, zs=z, zdir='y', color=color, alpha=0.8)

ax.xaxis.set_major_locator(mpl.ticker.FixedLocator(xs))
ax.yaxis.set_major_locator(mpl.ticker.FixedLocator(ys))
ax.set_xlabel('月份')
ax.set_ylabel('年份')
ax.set_zlabel('销售额')
plt.show()

2.4 绘制三维鞍部曲面图

python 复制代码

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm

n_angles = 1000
n_radii = 20

radii = np.linspace(0.125, 1.0, n_radii)
angles = np.linspace(0, 2 * np.pi, n_angles, endpoint=False)
angles = np.repeat(angles[..., np.newaxis], n_radii, axis=1)

x = np.append(0, (radii * np.cos(angles)).flatten())
y = np.append(0, (radii * np.sin(angles)).flatten())
z = np.sin(-x * y)

fig = plt.figure(figsize=(10, 10))
ax = fig.gca(projection='3d')
ax.plot_trisurf(x, y, z, cmap=cm.jet, linewidth=0.2)
plt.show()

2.5 绘制三维曲面图： f ( x , y ) = x e − x 2 − y 2 \boldsymbol{f(x,y) = x e^{-x^2-y^2}} f(x,y)=xe−x2−y2

python 复制代码

import numpy as np
import matplotlib.pyplot as plt
import mpl_toolkits.mplot3d
from matplotlib import cm

x, y = np.mgrid[-2:2:100j, -2:2:100j]
z = x * np.exp(-x ** 2 - y ** 2)

ax = plt.subplot(111, projection='3d')
ax.set_title('山区曲面图')
ax.plot_surface(x, y, z, rstride=2, cstride=1, cmap=cm.jet)

ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()

2.6 三维动态柱状图

基于 pyecharts 实现可交互三维动态柱状图：

python 复制代码

from pyecharts import Bar3D

bar3d = Bar3D("3D 柱状图示例", width=1200, height=600)

x_axis = [
    "12a", "1a", "2a", "3a", "4a", "5a", "6a", "7a", "8a", "9a", "10a", "11a",
    "12p", "1p", "2p", "3p", "4p", "5p", "6p", "7p", "8p", "9p", "10p", "11p"
]
y_axis = ["Saturday", "Friday", "Thursday", "Wednesday", "Tuesday", "Monday", "Sunday"]

data = [
    [0, 0, 5], [0, 1, 1], [0, 2, 0], [0, 3, 0], [0, 4, 0], [0, 5, 0],
    [0, 6, 0], [0, 7, 0], [0, 8, 0], [0, 9, 0], [0, 10, 0], [0, 11, 2],
    [0, 12, 4], [0, 13, 1], [0, 14, 1], [0, 15, 3], [0, 16, 4], [0, 17, 6],
    [0, 18, 4], [0, 19, 4], [0, 20, 3], [0, 21, 3], [0, 22, 2], [0, 23, 5],
    [1, 0, 7], [1, 1, 0], [1, 2, 0], [1, 3, 0], [1, 4, 0], [1, 5, 0],
    [1, 6, 0], [1, 7, 0], [1, 8, 0], [1, 9, 0], [1, 10, 5], [1, 11, 2],
    [1, 12, 2], [1, 13, 6], [1, 14, 9], [1, 15, 11], [1, 16, 6], [1, 17, 7],
    [1, 18, 8], [1, 19, 12], [1, 20, 5], [1, 21, 5], [1, 22, 7], [1, 23, 2],
    [2, 0, 1], [2, 1, 1], [2, 2, 0], [2, 3, 0], [2, 4, 0], [2, 5, 0],
    [2, 6, 0], [2, 7, 0], [2, 8, 0], [2, 9, 0], [2, 10, 3], [2, 11, 2],
    [2, 12, 1], [2, 13, 9], [2, 14, 8], [2, 15, 10], [2, 16, 6], [2, 17, 5],
    [2, 18, 5], [2, 19, 5], [2, 20, 7], [2, 21, 4], [2, 22, 2], [2, 23, 4],
    [3, 0, 7], [3, 1, 3], [3, 2, 0], [3, 3, 0], [3, 4, 0], [3, 5, 0],
    [3, 6, 0], [3, 7, 0], [3, 8, 1], [3, 9, 0], [3, 10, 5], [3, 11, 4],
    [3, 12, 7], [3, 13, 14], [3, 14, 13], [3, 15, 12], [3, 16, 9], [3, 17, 5],
    [3, 18, 5], [3, 19, 10], [3, 20, 6], [3, 21, 4], [3, 22, 4], [3, 23, 1],
    [4, 0, 1], [4, 1, 3], [4, 2, 0], [4, 3, 0], [4, 4, 0], [4, 5, 1],
    [4, 6, 0], [4, 7, 0], [4, 8, 0], [4, 9, 2], [4, 10, 4], [4, 11, 4],
    [4, 12, 2], [4, 13, 4], [4, 14, 4], [4, 15, 14], [4, 16, 12], [4, 17, 1],
    [4, 18, 8], [4, 19, 5], [4, 20, 3], [4, 21, 7], [4, 22, 3], [4, 23, 0],
    [5, 0, 2], [5, 1, 1], [5, 2, 0], [5, 3, 3], [5, 4, 0], [5, 5, 0],
    [5, 6, 0], [5, 7, 0], [5, 8, 2], [5, 9, 0], [5, 10, 4], [5, 11, 1],
    [5, 12, 5], [5, 13, 10], [5, 14, 5], [5, 15, 7], [5, 16, 11], [5, 17, 6],
    [5, 18, 0], [5, 19, 5], [5, 20, 3], [5, 21, 4], [5, 22, 2], [5, 23, 0],
    [6, 0, 1], [6, 1, 0], [6, 2, 0], [6, 3, 0], [6, 4, 0], [6, 5, 0],
    [6, 6, 0], [6, 7, 0], [6, 8, 0], [6, 9, 0], [6, 10, 1], [6, 11, 0],
    [6, 12, 2], [6, 13, 1], [6, 14, 3], [6, 15, 4], [6, 16, 0], [6, 17, 0],
    [6, 18, 0], [6, 19, 0], [6, 20, 1], [6, 21, 2], [6, 22, 2], [6, 23, 6]
]

range_color = [
    '#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#ffffbf',
    '#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026'
]

bar3d.add(
    "", x_axis, y_axis, [[d[1], d[0], d[2]] for d in data],
    is_visualmap=True, visual_range=[0, 20],
    visual_range_color=range_color,
    grid3d_width=200, grid3d_depth=80,
    grid3d_shading='lambert',
    is_grid3d_rotate=True,
    grid3d_rotate_speed=10
)
bar3d.render()

致谢

参考资料来源：

https://blog.csdn.net/sinat_36772813/article/details/77365296

https://blog.csdn.net/eddy_zheng/article/details/48713449

https://blog.csdn.net/dahunihao/article/details/77833877

Python Matplotlib库绘制曲线图入门教程

北岛寒沫 2023-11-24 21:35:10 修改

本文讲解 Matplotlib 程序库的基础使用方式，包含库导入、折线图绘制、图像保存、坐标轴配置、图例设置、中文显示等常用操作。

1. 导入 Matplotlib 库

python 复制代码

import matplotlib.pyplot as plt

2. 基础绘图函数 plot

plot 为绘制曲线的基础函数，支持传入多组坐标序列与样式参数，同时绘制多条曲线。

样式参数由颜色、线型、标记点三类字符组合构成。

常用颜色标识：b 蓝色、g 绿色、r 红色、y 黄色、k 黑色、w 白色
常用线型标识：- 实线、-- 虚线、-. 点划线、: 点线、空字符代表无线条
常用标记标识：. 点状、, 微小点、o 实心圆、v 倒三角

python 复制代码

x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y, "r:o")

3. 展示图像

调用 plt.show() 输出已绘制的图像。

python 复制代码

a = [1, 2, 3, 4, 5]
b = [5, 4, 3, 2, 1]
plt.plot(a, b)
plt.show()

4. 保存图像

调用 plt.savefig() 保存图像，可通过 dpi 参数设置图像分辨率。

python 复制代码

plt.savefig("NewPicture", dpi=600)

5. 划分子绘图区域

subplot 用于将画布划分为多个独立绘图区域，调用格式：plt.subplot(行数, 列数, 区域编号)。

python 复制代码

plt.subplot(2, 2, 4)
a = [1, 2, 3, 4, 5]
b = [5, 4, 3, 2, 1]
plt.plot(a, b)

6. 设置坐标轴名称

xlabel、ylabel 分别用于配置横轴、纵轴的标注文本。

python 复制代码

plt.xlabel("x")
plt.ylabel("sin(x)")

7. 设置图像标题

title 用于配置整张图像的标题文本。

python 复制代码

plt.title("TestPicture")

8. 中文显示配置

方式一：全局字体配置

对全部绘图内容统一设置字体。

python 复制代码

import matplotlib
matplotlib.rcParams["font.family"] = "SimHei"

方式二：局部字体配置

仅对指定文本单独设置字体。

python 复制代码

plt.xlabel("中文的横坐标", fontproperties="SimHei")
plt.ylabel("中文的纵坐标", fontproperties="SimHei")

9. 图像指定位置添加文本

text 函数可在画布指定坐标位置添加自定义文本，调用格式：plt.text(横坐标, 纵坐标, 文本内容)。

python 复制代码

plt.text(30, 30, "InsertText")

10. 限定坐标轴取值范围

axis 函数用于约束横轴与纵轴的显示区间，调用格式：plt.axis([横轴最小值, 横轴最大值, 纵轴最小值, 纵轴最大值])。

python 复制代码

plt.axis([-2, 2, -1, 1])

11. 添加网格线

启用网格线可提升数据可读性。

python 复制代码

plt.grid(True)

12. 设置图例

图例用于区分同一张图像内的多条曲线，需先接收绘图返回对象，再完成配置。

python 复制代码

import numpy as np

x = np.arange(10)
y1 = x * x
y2 = x * 2

line1, = plt.plot(x, y1)
line2, = plt.plot(x, y2)
plt.legend([line1, line2], ["第一条线", "第二条线"], loc="upper right")

13. 全局默认参数配置

可通过 rcParams 统一设置绘图默认属性，示例为设置画布尺寸。

python 复制代码

plt.rcParams["figure.figsize"] = (5, 3)

14. 绘制散点图

函数语法

python 复制代码

plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, **kwargs)

参数说明

x, y：数组类型，对应散点的横、纵坐标数据
s：数值或数组，控制散点尺寸
c：字符或数组，控制散点颜色
marker：字符，定义散点标记样式
cmap：颜色映射方案
norm：颜色归一化对象
vmin, vmax：限定颜色映射的数值区间
alpha：透明度，取值区间 $0 , 1$ $0,1$ $0,1$
linewidths：散点轮廓线宽度
edgecolors：散点轮廓线颜色

代码示例

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50)

# 绘制散点图
plt.scatter(x, y, s=100, c=colors, alpha=0.5)

# 配置标题与坐标轴
plt.title('Scatter Plot')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')

plt.show()

Matplotlib 复变函数可视化代码

一、代码基础说明

本文基于 Python + Matplotlib 实现复变函数 y = i x y=ix y=ix、 y = 2 + i x y=2+ix y=2+ix 的三维图像绘制与复平面二维投影，新增曲线颜色映射功能；同时讲解手写编码提速写法、代码精简规则、通用绘图元素添加方法、颜色映射配置方式、替代可视化库、代码性能优化方案以及各类自动化实现途径，内容连贯且适配实际编码与运行场景。

完整代码功能分为三部分：第一、二个子图为三维坐标系图像，分别展示函数 y = i x y=ix y=ix 与 y = 2 + i x y=2+ix y=2+ix，曲线支持渐变颜色映射；第三个子图为二维复平面投影图，呈现两个函数的几何平移关系与投影曲线配色映射。代码包含坐标轴标签、标题、图例、网格线、特征点标注、辅助参考线、渐变色条等通用绘图元素，支持图像保存与窗口预览。

整体画布分为 1 行 3 列子图，左侧两张为 3D 渐变空间曲线，分别对应复变函数 y = i x y=ix y=ix、 y = 2 + i x y=2+ix y=2+ix；右侧为二维复平面渐变投影图像，所有图像附带文字标注、辅助参考线、平移箭头以及独立渐变色条。

二、通用绘图元素添加方法

2.1 坐标轴标签

用于标注坐标系含义，区分二维与三维绘图场景，所有标签支持普通字符与 LaTeX 数学公式，公式内容需包裹在 r'$...$' 内部。

二维坐标系 ：调用 set_xlabel()、set_ylabel() 分别设置横轴、纵轴文字，可搭配 fontsize 参数调整字体大小。

python 复制代码

ax.set_xlabel(r'Re(y)', fontsize=11)
ax.set_ylabel(r'Im(y)', fontsize=11)

三维坐标系 ：在二维标签基础上，新增 set_zlabel() 设置 Z 轴标签，分别对应自变量、复数实部、复数虚部。

python 复制代码

ax.set_xlabel('x (Real Parameter)', fontsize=10)
ax.set_ylabel('Re(y)', fontsize=10)
ax.set_zlabel('Im(y)', fontsize=10)

2.2 标题

使用 set_title() 为单个子图配置专属标题，支持字号、字体粗细配置，兼容 LaTeX 数学表达式，适配学术绘图格式。

python 复制代码

ax.set_title(r'(a) 3D Graph of $y=ix$', fontsize=12, weight='bold')

2.3 图例

用于区分同一坐标系内多条曲线或图形，配置分为两个步骤：

在 plot() 绘图函数中新增 label 参数，定义图例展示文本；
调用 legend() 渲染图例，通过 loc 参数自由指定图例摆放位置。

python 复制代码

# 绘图时定义图例名称
ax.plot(x, yr, yi, 'g-', lw=2.5, label=r'$y=ix$')
# 展示图例
ax.legend(loc='upper left')

2.4 网格线

调用 grid() 开启/关闭坐标系网格，传入 1 代表启用、0 代表关闭；alpha 参数用于控制网格透明度，防止网格遮挡曲线与标注内容，该元素多用于二维复平面视图。

python 复制代码

ax.grid(1, alpha=0.3)

2.5 特征点标注

由散点标记与文字说明两部分组成，主要用于标记坐标原点、特殊复数取值等关键点位。

散点标记 ：使用 scatter() 绘制点状图形，c 设置点颜色，s 设置点尺寸，zorder 控制图层优先级，确保散点始终展示在曲线上方。

python 复制代码

ax.scatter([0], [0], [2], c='b', s=60, zorder=5)

文字说明 ：使用 text() 在指定坐标位置添加注释文本，可自定义字号、字体颜色，支持嵌入 LaTeX 复数公式，如 2 i 2i 2i。

python 复制代码

ax.text(0.15,0.15,2.1,r'$2i$', fontsize=11, c='b')

2.6 辅助参考线

辅助参考线分为坐标轴基准线与自定义参考线两类，辅助使用者理解复变函数的空间分布与平移规律。

复平面基准线 ：axhline() 绘制水平实轴，axvline() 绘制垂直虚轴，是二维复平面必备基础元素。

python 复制代码

ax.axhline(y=0, c='k', lw=0.5)
ax.axvline(x=0, c='k', lw=0.5)

自定义参考线 ：使用plot() 绘制虚线、实线等辅助线条，多用于标识虚轴延伸方向、函数平移轨迹。

python 复制代码

ax.plot([0,0],[0,0],[-3,3], 'r--', lw=1.5, alpha=0.7, label='Imaginary Axis')

2.7 拓展通用绘图元素

除上述基础元素外，结合复变函数可视化的使用场景，还可添加以下常用绘图元素，丰富图表信息、提升可视化直观性。

2.7.1 箭头与矢量标注

借助annotate 绘制带箭头的标注，可用于表示函数变换方向、空间向量、点位迁移关系，支持自定义箭头样式、线条颜色与粗细。

python 复制代码

# 绘制平移矢量箭头
ax3.annotate('', xy=(2, 2.5), xytext=(0, 2.5),
            arrowprops=dict(arrowstyle='->', c='r', lw=2))
# 搭配文字说明
ax3.text(1, 2.7, 'Shift by 2', fontsize=10, c='r', ha='center')

2.7.2 颜色映射与色条

针对复杂复变函数（模值、辐角分布），使用渐变色区分函数不同取值区间，搭配 colorbar 生成色条，标注颜色与数值的对应关系；该功能广泛应用于二维热力图、三维曲面/曲线渐变着色场景。

python 复制代码

# 为曲面添加色彩映射
surf = ax.plot_surface(X, Y, Z, cmap='jet')
# 显示色条
fig.colorbar(surf, ax=ax)

功能说明：色条依附于对应子图，可自由调节尺寸，直观展示颜色对应的自变量或函数取值。

2.7.3 填充区域

二维视图使用 fill_between、三维视图使用fill_between3d，填充曲线与坐标轴、两条曲线之间的封闭区域，直观展示自变量取值区间、函数差值范围。

python 复制代码

# 二维区域填充
ax3.fill_between(t, 0, t, alpha=0.2, color='g')

2.7.4 刻度样式与刻度标签

自定义坐标轴刻度位置与刻度文字，替换默认纯数值刻度，适配数学绘图规范；支持设置字号、颜色、文字旋转角度，规避刻度文字重叠问题。

python 复制代码

# 自定义刻度与标签
ax.set_xticks([-3, 0, 3])
ax.set_xticklabels([r'$-3$', r'$0$', r'$3$'], fontsize=9)

2.7.5 画布总标题

使用 fig.suptitle() 为整张画布设置全局总标题，区别于单个子图标题，用于统一阐述整组图像的研究主题。

python 复制代码

fig.suptitle('Complex Function Visualization', fontsize=14, weight='bold')

2.7.6 图形边框与背景样式

调整坐标轴边框显隐状态、线条样式，修改画布与绘图区域背景颜色，区分不同功能区域，优化整体视觉层次。

python 复制代码

# 隐藏顶部坐标轴边框
ax.spines['top'].set_visible(False)
# 设置绘图区域背景色
ax.set_facecolor('#f8f8f8')

2.7.7 等高线

二维视图使用 contour、三维视图使用 contour3D 绘制等高线，连接函数取值相等的所有点位，辅助分析复变函数模值、辐角的变化规律。

python 复制代码

# 二维等高线绘制
ax3.contour(X, Y, Z, levels=10, colors='gray', linewidths=0.8)

三、颜色映射配置说明

原生 Matplotlib 的 plot 函数不支持单条曲线逐点渐变配色；本文依托 LineCollection 线段集合工具，搭配归一化工具，完成三维、二维复变曲线的颜色映射配置，同时挂载渐变色条标注数值对应关系。

3.1 依赖库导入

实现曲线渐变配色，需要额外导入线段集合与数值归一化专属模块：

python 复制代码

from matplotlib.collections import LineCollection
from matplotlib.colors import Normalize

LineCollection：将完整曲线拆解为若干短线段，独立为每一段线段分配颜色，以此实现整条曲线平滑渐变效果；
Normalize：统一全局配色的数值映射区间，保证画布内多张子图的色标范围完全一致。

3.2 全局配色参数

预设配色方案与数值归一化区间，支持自由切换色系，适配不同绘图场景：

python 复制代码

cmap = plt.cm.jet        # 可选 viridis / plasma / rainbow / coolwarm
norm = Normalize(vmin=t.min(), vmax=t.max())  # 绑定自变量 x 的取值范围

3.3 曲线配色实现逻辑

提取目标曲线的全部坐标点，拆分重组为连续的线段集合；
绑定预设配色方案与全局归一化规则；
指定颜色映射依据（本文以自变量 x x x 完成映射，也可替换为复数模值）；
将配置完成的渐变曲线添加至对应坐标系，并挂载专属渐变色条。

3.4 配色拓展方案

更换配色色系 ：直接修改 cmap 参数即可，学术正式绘图优先选用 viridis、plasma 两类低色差色系；
更换映射依据 ：将映射数值替换为复数模值 modulus = y r 2 + y i 2 \text{modulus} = \sqrt{yr^2 + yi^2} modulus=yr2+yi2 ，根据函数幅值完成着色；
曲面着色 ：针对复变函数三维曲面，直接调用 plot_surface 的 cmap 参数，即可一键完成曲面整体渐变着色。

四、手动编码快捷实现方案

4.1 通用语法简写规则

Matplotlib 内置标准化参数简写形式，可减少代码字符输入量，简写规则适用于全部二维、三维绘图场景。

参数简写 ：linewidth 简写为 lw；color 简写为 c；fontweight='bold' 简写为 weight='bold'；布尔参数 True、False 可分别简写为 1、0。
坐标范围合并写法 ：set_xlim、set_ylim、set_zlim 可合并为 set(xlim=取值范围, ylim=取值范围, zlim=取值范围)，减少函数调用次数。
变量连续赋值：数据类型相同的多组变量，可在同一代码行完成赋值，精简整体代码行数。

4.2 分模块手写精简写法

4.2.1 库导入

整合基础运算库、可视化库、配色专属库与警告屏蔽语句；新版 Matplotlib 已内置三维绘图底层依赖，无需额外导入 Axes3D。

python 复制代码

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.collections import LineCollection
from matplotlib.colors import Normalize
import warnings
warnings.filterwarnings("ignore")

4.2.2 全局数据与画布创建

仅定义一组自变量采样序列，全局所有子图复用，同时初始化配色与归一化参数，统一绘图标准。

python 复制代码

t = np.linspace(-3, 3, 200)
cmap = plt.cm.jet
norm = Normalize(vmin=t.min(), vmax=t.max())
fig = plt.figure(figsize=(16,6))

4.2.3 子图创建

采用简写格式规划子图布局，fig.add_subplot(131) 代表 1 × 3 1 \times 3 1×3 布局下的第 1 个子图；三维图像需额外补充projection='3d' 参数。

python 复制代码

ax1 = fig.add_subplot(131, projection='3d')
ax2 = fig.add_subplot(132, projection='3d')
ax3 = fig.add_subplot(133)

4.2.4 数据赋值与曲线绘制

结合变量连续赋值规则简化复数数据定义，渐变曲线统一套用线段集合模板绘制，降低编码冗余度。

三维图像数据赋值示例：

python 复制代码

# 函数 y=ix 对应数据
x, yr, yi = t, np.zeros_like(t), t
# 函数 y=2+ix 对应数据
x, yr, yi = t, np.full_like(t,2), t

4.2.5 标注元素配置

散点、文字标注可固化为固定参数模板，完成第一组标注编写后，仅修改坐标、颜色、文本内容即可直接复用。

散点绘制模板：

python 复制代码

ax.scatter([坐标值 ], c=' 颜色标识 ', s=尺寸数值, zorder=层级数值)

文字标注模板：

python 复制代码

ax.text(坐标值, 展示文本, fontsize=字号, c=' 颜色标识 ')

4.2.6 基准线、坐标范围与图像输出

二维复平面必须添加横纵基准线并开启等比例坐标轴；坐标范围统一使用合并简写写法，图像输出语句固定不变。

python 复制代码

# 基准线与等比例配置
ax.axhline(y=0, c='k', lw=0.5)
ax.axvline(x=0, c='k', lw=0.5)
ax.set_aspect('equal')

# 图像输出配置
plt.tight_layout()
plt.savefig(' 图片名称 ', dpi=分辨率, bbox_inches='tight')
plt.show()
print("Image saved successfully!")

4.3 完整精简代码示例（含颜色映射）

整合简写规则与颜色映射功能，代码可直接运行，完整保留全部绘图元素、渐变曲线与独立渐变色条：

python 复制代码

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.collections import LineCollection
from matplotlib.colors import Normalize
import warnings
warnings.filterwarnings("ignore")

# 全局参数与配色初始化
t = np.linspace(-3, 3, 200)
cmap = plt.cm.jet        
norm = Normalize(vmin=t.min(), vmax=t.max())
fig = plt.figure(figsize=(16, 6))

# ====================== 子图1 3D: y = ix 渐变曲线 ======================
ax1 = fig.add_subplot(131, projection='3d')
x1, yr1, yi1 = t, np.zeros_like(t), t

# 构造线段集合，实现渐变配色
points1 = np.array([x1, yr1, yi1]).T.reshape(-1, 1, 3)
segments1 = np.concatenate([points1[:-1], points1[1:]], axis=1)
lc1 = LineCollection(segments1, cmap=cmap, norm=norm, lw=2.5)
lc1.set_array(t)
ax1.add_collection3d(lc1)

# 辅助线与标注
ax1.plot([0,0],[0,0],[-3,3], 'r--', lw=1.5, alpha=0.7, label='Imaginary Axis')
ax1.scatter([0],[0],[0], c='k', s=50, zorder=5)
ax1.text(0.15,0.15,0.15,'O', fontsize=12, weight='bold')
ax1.scatter([0],[0],[2], c='b', s=60, zorder=5)
ax1.text(0.15,0.15,2.1,r'$2i$', fontsize=11, c='b')

# 坐标轴配置
ax1.set_xlabel('x (Real Parameter)', fontsize=10)
ax1.set_ylabel('Re(y)', fontsize=10)
ax1.set_zlabel('Im(y)', fontsize=10)
ax1.set_title(r'(a) 3D $y=ix$ | Color mapped by $x$', fontsize=12, weight='bold')
ax1.legend(loc='upper left')
ax1.set(xlim=(-3,3), ylim=(-3,3), zlim=(-3,3))
fig.colorbar(lc1, ax=ax1, shrink=0.6, label=r'Parameter $x$')

# ====================== 子图2 3D: y = 2+ix 渐变曲线 ======================
ax2 = fig.add_subplot(132, projection='3d')
x2, yr2, yi2 = t, np.full_like(t, 2), t

points2 = np.array([x2, yr2, yi2]).T.reshape(-1, 1, 3)
segments2 = np.concatenate([points2[:-1], points2[1:]], axis=1)
lc2 = LineCollection(segments2, cmap=cmap, norm=norm, lw=2.5)
lc2.set_array(t)
ax2.add_collection3d(lc2)

# 辅助线与标注
ax2.plot([0,0],[2,2],[-3,3], 'r--', lw=1.5, alpha=0.7, label='Direction of Imag. Axis')
ax2.scatter([0],[0],[0], c='k', s=50, zorder=5)
ax2.text(0.15,0.15,0.15,'O', fontsize=12, weight='bold')
ax2.scatter([0],[2],[0], c='orange', s=60, zorder=5)
ax2.text(0.15,2.1,0.15,r'$2$', fontsize=11, c='orange')
ax2.scatter([0],[2],[2], c='purple', s=60, zorder=5)
ax2.text(0.15,2.1,2.1,r'$2+2i$', fontsize=11, c='purple')

# 坐标轴配置
ax2.set_xlabel('x (Real Parameter)', fontsize=10)
ax2.set_ylabel('Re(y)', fontsize=10)
ax2.set_zlabel('Im(y)', fontsize=10)
ax2.set_title(r'(b) 3D $y=2+ix$ | Color mapped by $x$', fontsize=12, weight='bold')
ax2.legend(loc='upper left')
ax2.set(xlim=(-3,3), ylim=(-1,4), zlim=(-3,3))
fig.colorbar(lc2, ax=ax2, shrink=0.6, label=r'Parameter $x$')

# ====================== 子图3 2D复平面渐变投影 ======================
ax3 = fig.add_subplot(133)
proj1_x, proj1_y = np.zeros_like(t), t
proj2_x, proj2_y = np.full_like(t, 2), t

# 二维渐变曲线
seg_2d_1 = np.stack([proj1_x, proj1_y], axis=1)
lc_2d_1 = LineCollection([seg_2d_1], cmap=cmap, norm=norm, lw=2.5)
lc_2d_1.set_array(t)
ax3.add_collection(lc_2d_1)

seg_2d_2 = np.stack([proj2_x, proj2_y], axis=1)
lc_2d_2 = LineCollection([seg_2d_2], cmap=cmap, norm=norm, lw=2.5)
lc_2d_2.set_array(t)
ax3.add_collection(lc_2d_2)

# 标注与箭头
ax3.scatter([0],[0], c='k', s=50, zorder=5)
ax3.text(0.15,0.15,'O', fontsize=11, weight='bold')
ax3.scatter([0],[2], c='g', s=50, zorder=5)
ax3.text(0.15,2.15,r'$2i$', fontsize=10, c='g')
ax3.scatter([2],[0], c='orange', s=50, zorder=5)
ax3.text(2.15,0.15,r'$2$', fontsize=10, c='orange')
ax3.scatter([2],[2], c='purple', s=50, zorder=5)
ax3.text(0.15,2.15,r'$2+2i$', fontsize=10, c='purple')
ax3.annotate('', xy=(2,2.5), xytext=(0,2.5), arrowprops=dict(arrowstyle='->', c='r', lw=2))
ax3.text(1,2.7,'Shift by 2', fontsize=10, c='r', ha='center')

# 坐标轴配置
ax3.set_xlabel(r'Re(y)', fontsize=11)
ax3.set_ylabel(r'Im(y)', fontsize=11)
ax3.set_title(r'(c) Complex Plane Projection | Color Mapping', fontsize=12, weight='bold')
ax3.grid(1, alpha=0.3)
ax3.axhline(y=0, c='k', lw=0.5)
ax3.axvline(x=0, c='k', lw=0.5)
ax3.set(xlim=(-1,4), ylim=(-3,3))
ax3.set_aspect('equal')
fig.colorbar(lc_2d_1, ax=ax3, shrink=0.8, label=r'Parameter $x$')

# 图像导出
plt.tight_layout()
plt.savefig('complex_func_colormap.png', dpi=150, bbox_inches='tight')
plt.show()
print("Image saved successfully!")

4.4 编辑器辅助提速方式

代码片段与模板：VS Code、PyCharm 等主流编辑器支持自定义代码片段，可将绘图基础框架、配色初始化语句预设为模板，输入指定触发词即可快速生成基础代码框架。
代码复用修改：完成首个三维渐变子图代码编写后，直接复制代码块，仅修改坐标数据、标题、标注文字等差异化内容，减少重复编码。
代码自动补全：开启编辑器 Python 语法自动补全功能，依托联想功能快速调用绘图、配色相关函数与参数。

五、复变函数可视化替代库

除 Matplotlib 以外，Python 开源生态内有多款专业可视化库，均可实现复变函数二维平面、三维空间图像绘制，且原生兼容颜色映射功能；不同库适配场景、渲染特性各有差异。

5.1 Plotly

支持交互式二维、三维绘图，成品图像支持缩放、拖拽、悬浮查看点位坐标；原生内置渐变配色与色条组件，适配课程演示、网页嵌入场景，语法风格与 Matplotlib 相近，学习成本较低。

5.2 Mayavi

基于 VTK 图形引擎开发，专注三维科学数据可视化；三维曲面、空间渐变曲线的渲染质量与效率优于原生 Matplotlib，适合复杂三维复变函数、空间坐标变换场景，可承载大规模采样数据集。

5.3 SymPy

Python 专用符号计算库，内置轻量化绘图模块；可直接解析复数符号表达式，无需手动生成数值采样序列，快速绘制简易复变函数图像，自带基础配色功能，适配课堂教学、公式结果验证场景。

5.4 Seaborn

基于 Matplotlib 二次封装的可视化库，内置数十套专业化高级配色方案；可直接替换原生配色参数，简化颜色映射配置代码，多用于二维复变函数统计类可视化场景。

5.5 Bokeh

网页端交互式可视化，支持自定义渐变配色与色条；绘制图像可直接在浏览器中运行，适合嵌入网页、在线文档，短板为三维绘图相关功能较为匮乏。

六、代码性能优化方案

针对搭载颜色映射功能的复变函数可视化代码，可从数据处理、绘图配置、资源管理、运行环境四个维度，优化程序运行速度、内存占用与图形渲染效率。

6.1 数据层优化

合理控制采样点数 ：常规教学演示场景选用 200 ∼ 500 200 \sim 500 200∼500个采样点即可，过高的采样数量会增加渐变线段集合的渲染压力；
复用数组对象：全局共享自变量采样数组与归一化参数，避免重复创建数据、重复初始化配色规则；
向量化运算替代循环：全程使用 NumPy 向量化运算求解复数实虚部、模值，摒弃低效 for 循环，提升颜色映射数据的计算效率；
数据裁剪与降采样：面对超大数据集，可裁剪无效取值区间或降低采样密度，减少线段集合数量，缓解渐变曲线渲染卡顿问题。

6.2 绘图配置优化

按需启用渲染元素：代码调试阶段可暂时关闭色条、文字标注、辅助参考线，正式出图前统一开启；
统一样式参数：统一所有子图的线条宽度、透明度、配色色系，避免为单个子图配置差异化参数，降低引擎计算负荷；
预先限定坐标范围：主动手动设置三轴坐标上下限，减少绘图引擎自动布局的计算耗时；
简化三维渲染参数：关闭三维视图抗锯齿、曲面细分等高耗性能配置，降低渐变 3D 曲线的渲染开销。

6.3 资源管理优化

及时释放画布资源 ：批量绘图任务执行完毕后，调用 plt.close(fig) 销毁画布，释放占用内存；
切换非交互后端：仅需保存图片、无需弹窗预览时，切换为非交互渲染后端，跳过窗口渲染流程；
合并绘图区域：将所有目标曲线、子图集中放置在同一张画布内，减少画布频繁创建与销毁的资源损耗。

python 复制代码

# 释放画布资源
plt.close(fig)
# 切换非交互后端
import matplotlib
matplotlib.use('Agg')

6.4 运行与环境优化

选用脚本模式运行：大批量绘图任务建议通过终端执行脚本文件，资源占用远低于 IDE 调试运行模式；
屏蔽日志与警告输出：屏蔽第三方库无关运行警告，减少频繁 IO 输出带来的资源消耗；
分块渲染超大数据：海量采样数据曲线可拆分为多段分批渲染，规避单帧画面卡顿、程序闪退问题；
版本与依赖优化：优先使用最新稳定版 NumPy 与 Matplotlib，新版本优化了线段集合、颜色映射的底层渲染逻辑。

七、代码自动化实现途径

结合不同使用场景，可将自动化方案划分为基础自动化、进阶自动化、工程级自动化、零代码绘图四类，适配带颜色映射的复变函数绘图任务。

7.1 基础自动化方案

7.1.1 脚本一键运行

将完整绘图代码保存为 .py 后缀脚本文件，通过终端指令 python 文件名.py 或编辑器运行按钮，自动完成渐变曲线绘制、色条加载、图片保存、窗口预览全流程。

7.1.2 函数封装与参数调用

将绘图逻辑、配色配置封装为自定义函数，对外开放采样点数、函数偏移量、配色方案等可调参数，无需修改主体代码，即可生成不同参数对应的可视化效果图。

7.2 进阶自动化方案

7.2.1 AI 代码生成

以自然语言描述绘图需求，包含子图布局、渐变配色、色条、文字标注等细节，AI 工具可直接生成适配 Matplotlib 规范、自带颜色映射的完整可运行代码。

7.2.2 可视化工具生成代码

使用 Plotly Chart Studio 等在线可视化平台，通过可视化拖拽方式配置曲线样式、渐变配色，平台可自动导出可复用的 Python 源码。

7.2.3 Jupyter 交互式自动化

搭配 ipywidgets 交互组件库制作调节滑块，动态调整函数偏移量、配色方案、采样点数，实时刷新渐变图像，适合参数调试与课堂演示。

7.3 工程级自动化方案

7.3.1 循环批量生成图像

基于封装后的自定义绘图函数，结合循环语句遍历偏移量、配色参数，批量产出多组差异化复变函数渐变效果图。

7.3.2 系统定时任务

依托 Windows 任务计划程序、Linux / Mac Crontab 定时指令，设定固定时间自动运行绘图脚本，自动生成并保存配图。

7.3.3 跨程序调用与流水线集成

将封装后的绘图函数嵌入其他工程项目、Shell 脚本，亦可接入 CI / CD 流水线，代码提交后自动触发绘图、配图更新流程。

7.4 零代码绘图方案

使用 Tableau、FineBI 等商用在线可视化平台，上传预处理后的复数数据集，通过界面点选操作配置渐变配色、色条、坐标轴，零代码完成复变函数可视化。

八、方案选用

结合使用场景、编码门槛、运行性能三大维度，各类实现与优化方案适配规则如下：

单次运行、日常代码调试：脚本一键运行 + 基础代码简写；
频繁调整参数、批量产出对比图：函数封装 + 循环批量绘图，统一全局配色参数；
无编码基础、快速制作配图：AI 代码生成、在线零代码可视化平台；
交互式调参、实时预览渐变效果：Jupyter 编辑器 + 交互式滑块组件；
团队标准化批量产出：系统定时任务、CI / CD 自动化流水线；
追求高品质渐变渲染效果：优先选用 Plotly、Mayavi 第三方可视化替代库；
大批量高频次绘图任务：启用数据复用、非交互后端、画布资源释放等全套性能优化手段；
丰富图表展示内容：按需叠加渐变颜色映射、渐变色条、文字标注、等高线、填充区域等绘图元素。

reference

Matplotlib------在一张图内绘制多条曲线_matplotlib画多条曲线-CSDN博客

https://blog.csdn.net/weixin_38087692/article/details/107562535
Matplotllib------绘制复杂函数图与三维图_函数图复杂-CSDN博客

https://blog.csdn.net/wsp_1138886114/article/details/80824854
Python Matplotlib 库绘制曲线图最快入门教程（最详细最简单）_python绘制曲线图-CSDN博客

https://hanmo1113.blog.csdn.net/article/details/127268729
Matplotlib 系列之「绘制函数图像」

https://mp.weixin.qq.com/s/79SPUo5z7M_9FTYL74k66A
Quick start guide --- Matplotlib documentation

https://matplotlib.org/stable/users/explain/quick_start.html

Python Matplotlib | 基础绘图、复杂函数图与三维图

Matplotlib------在一张图内绘制多条曲线

效果图

绘制过程

1. 导入依赖库

2. 创建空白画布与坐标轴

3. 基于坐标轴对象绘制单条曲线

补充说明：图例显示方法

4. 在同一画布内绘制多条曲线

5. 配置坐标轴、标题与图例并展示图像

常见问题

问题 1：变量未定义，fig、ax 提示报错

现象

原因

解决

问题 2：调用 plt.show() 出现报错，图像无法弹出展示

现象

原因

解决

问题 3：已设置 label 参数，图像中无图例显示

现象

原因

解决

Matplotlib------绘制复杂函数图与三维图

一、绘制二维函数图

1.1 绘制 f ( x ) = sin ⁡ 2 ( x − 2 ) e − x 2 \boldsymbol{f(x) = \sin^2(x-2) e^{-x^2}} f(x)=sin2(x−2)e−x2 函数图

代码示例 1

代码示例 2（函数拆分实现）

1.2 绘制 Sigmoid 函数图： f ( x ) = 1 1 + e − x \boldsymbol{f(x) = \dfrac{1}{1+e^{-x}}} f(x)=1+e−x1

1.3 绘制正态分布曲线

二、绘制三维图

2.1 绘制三维螺旋线

2.2 绘制三维散点图

2.3 绘制三维柱状图

2.4 绘制三维鞍部曲面图

2.5 绘制三维曲面图： f ( x , y ) = x e − x 2 − y 2 \boldsymbol{f(x,y) = x e^{-x^2-y^2}} f(x,y)=xe−x2−y2

2.6 三维动态柱状图

致谢

Python Matplotlib库绘制曲线图 入门教程

1. 导入 Matplotlib 库

2. 基础绘图函数 plot

3. 展示图像

4. 保存图像

5. 划分子绘图区域

6. 设置坐标轴名称

7. 设置图像标题

8. 中文显示配置

方式一：全局字体配置

方式二：局部字体配置

9. 图像指定位置添加文本

10. 限定坐标轴取值范围

11. 添加网格线

12. 设置图例

13. 全局默认参数配置

14. 绘制散点图

函数语法

参数说明

代码示例

Matplotlib 复变函数可视化代码

一、代码基础说明

二、通用绘图元素添加方法

2.1 坐标轴标签

2.2 标题

2.3 图例

2.4 网格线

2.5 特征点标注

2.6 辅助参考线

2.7 拓展通用绘图元素

2.7.1 箭头与矢量标注

2.7.2 颜色映射与色条

2.7.3 填充区域

2.7.4 刻度样式与刻度标签

2.7.5 画布总标题

2.7.6 图形边框与背景样式

2.7.7 等高线

三、颜色映射配置说明

3.1 依赖库导入

3.2 全局配色参数

3.3 曲线配色实现逻辑

3.4 配色拓展方案

问题 1：变量未定义，`fig`、`ax` 提示报错

问题 2：调用 `plt.show()` 出现报错，图像无法弹出展示

问题 3：已设置 `label` 参数，图像中无图例显示

Python Matplotlib库绘制曲线图入门教程