企业官网建设流程全解析

做科研数据分析的人，电脑里八成装着一个 matplotlib。阻尼衰减曲线、XRD 衍射谱、三角函数、超越函数、正态分布随机数与插值多项式——这几个主题看着零散，其实是把物理模拟、实验可视化、数学画图、统计拟合四大类最常见的绘图需求都过了一遍。我写这篇东西，目标很直接：把每个案例从头到尾走一遍，给出能直接跑的代码，再把参数为什么这么选、哪些地方容易翻车讲清楚。新手可以照着敲一遍建立手感，有经验的朋友可以直接看各节末尾的避坑心得。默认你已经装好了 Python 3.8 以上的环境，没有的话装一个 Anaconda 是最省事的路径，下面提到的所有库都通过 pip 安装即可。

1. 案例梳理与作图环境准备

1.1 五个案例背后的共同需求

先说结论：标题这五项，看起来是五个独立的 demo，实际上是在回答一个问题——用 matplotlib 把不同类型的曲线画到能发表、能汇报、能让人一眼看懂的程度，需要具备哪些基本功。

阻尼衰减曲线属于物理过程模拟，特点是函数值随时间呈指数包络振荡，画图重点在包络线和振荡周期的平衡。XRD 属于实验数据绘图，数据是一堆离散的二维数值，画图重点在谱峰定位、背景处理和归一化。三角函数与超越函数属于数学函数可视化，画图重点在定义域、周期和坐标刻度。正态分布随机数加插值多项式则是典型的统计数据分析，重点是随机数生成、直方图统计、理论分布曲线以及用多项式做连续化逼近。

可以这样理解这几类需求的差异：物理模拟类，数据是公式算出来的，关键在于参数物理意义是否合理；实验数据类，数据是仪器测出来的，关键在于原始信息有没有被可视化过程扭曲；数学函数类，数据是纯数学表达式，关键在于坐标轴刻度能否体现函数本质；统计分布类，数据是随机生成的，关键在于样本量与拟合方法是否匹配。

1.2 环境配置与中文字体一次搞定

代码执行依赖 numpy、matplotlib 和 scipy 三个库，缺一不可。如果是干净环境，直接：

pip install numpy matplotlib scipy

装完之后先做一件事：配置 matplotlib 支持中文显示。这个问题几乎所有人在第一次画图时都会遇到。matplotlib 默认字体不含中文字符，图里一旦出现中文标签，就是方块乱码。我习惯在脚本开头统一设置：

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC'] plt.rcParams['axes.unicode_minus'] = False

axes.unicode_minus这条很多人会漏掉，它负责让负号正常显示。默认情况下，坐标轴负号用的是 Unicode 减号，当你把字体切换成中文字体后，这个减号容易被渲染成方块。指定 False 后，负号会用 ASCII 连字符，问题立刻消失。

这里多说一句：如果只是写个人脚本，我推荐把这段配置放到一个公共的plot_style.py里，每次绘图脚本导入它即可。

# plot_style.py import matplotlib.pyplot as plt def set_style(): plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC'] plt.rcParams['axes.unicode_minus'] = False plt.rcParams['lines.linewidth'] = 1.5 plt.rcParams['font.size'] = 10 plt.rcParams['savefig.dpi'] = 300

这样所有图表的风格、字体、默认配色都统一，后期改样式只改一个文件。字体方面，SimHei 在 Windows 和多数 Linux 上可用，macOS 用 PingFang SC 更稳。按照我的经验，宁可多写几个备选字体，也不要只写一个——换机器跑脚本的时候，这个细节能省不少事。

2. 阻尼衰减曲线：从振动方程到包络线

2.1 物理背景与参数设定

阻尼衰减曲线最典型的来源是一个带阻尼的弹簧振子系统。理想简谐振动不会衰减，真实系统里总有阻力，所以位移会一边振荡一边按指数规律衰减。位移随时间的表达式是：

x(t) = A0 · exp(-δ·t) · cos(ωd·t + φ)

其中 A0 是初始振幅，δ 是阻尼系数，ωd 是阻尼振荡角频率，φ 是初相位。这个公式有意思的地方在于，它把衰减和振荡两个因素封装在一起。画图的时候，如果不单独把包络线画出来，读者往往看不出振荡在整体衰减；一旦把 ±A0·exp(-δ·t) 两条包络虚线叠上去，图像立刻有了层次，物理含义也清晰了。

选参数时我会先用物理直觉定，而不是随手取。工程里常见的阻尼比在 0.05~0.5 之间，对应 δ 值一般小于 1。我通常取 A0=1.0、δ=0.3，周期 T 取 2 秒，这样前几个周期内能看到明显衰减，又不至于还没振荡两个周期就衰减没了。时间序列从 0 到 12 秒，取 1000 个点，点之间的间隔约 0.012 秒，余弦曲线足够平滑。如果你发现自己画的曲线有明显折角，不是公式的问题，是点数太少，把点数从 1000 提到 3000 就好。

2.2 绘图代码与细节

下面的代码可以直接跑：

import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei'] plt.rcParams['axes.unicode_minus'] = False A0 = 1.0 delta = 0.3 T = 2.0 omega_d = 2 * np.pi / T phi = 0.0 t = np.linspace(0, 12, 1000) x = A0 * np.exp(-delta * t) * np.cos(omega_d * t + phi) env = A0 * np.exp(-delta * t) plt.figure(figsize=(8, 5)) plt.plot(t, x, label='阻尼振荡曲线', lw=1.6, color='#2E86AB') plt.plot(t, env, ls='--', color='#888888', lw=1.2, label='包络线 ±A0·exp(-δt)') plt.plot(t, -env, ls='--', color='#888888', lw=1.2) plt.xlabel('时间 t (s)') plt.ylabel('位移 x(t)') plt.xlim(0, 12) plt.ylim(-1.2, 1.2) plt.grid(alpha=0.3) plt.legend(frameon=False) plt.tight_layout() plt.show()

几个值得说的点：图例用了frameon=False，框线去掉以后图例跟图更融合；ylim取 ±1.2 是给曲线留一点余量，避免顶部和底部贴边；tight_layout()是每次出图前必做的，它会自动调整边距，保证标签不被截断。包络线我只在第一条虚线上写了 label，第二条纯视觉辅助，没有 label，所以图例里不会出现两行一模一样的“包络线”，干净利落。

另外，振荡频率与衰减速度的匹配直接影响视觉效果。如果 ωd 太大，同样时间范围内会画出一团密实的黑色，什么都看不出来；如果 ωd 太小，整个图看起来像一条普通指数衰减曲线，振荡特性又丢了。想让读者一眼看出“这是衰减振荡”，我的经验是让前三个周期内振幅降到初始值的 40% 左右，这个比例对应的画面既平衡又直观。

2.3 实操心得

这类曲线最容易翻车的地方在参数选择。把 δ 从 0.3 改成 1.5，曲线会迅速衰减，振荡只出现一两个周期；改成 0.05，衰减很慢，画满整个横坐标范围它还在高低起伏。这两种形态没有对错，取决于你想表达什么物理场景，但作为一张图，要让读者一眼看到“衰减”这个核心信息，δ 取 0.2~0.5 区间的视觉表现最理想。

还有一个实用技巧：如果原始数据长数千个点，振荡密集区重叠严重，不要整段全画出来，直接用plt.xlim把尾部裁掉，只看前几个周期。我曾给某个项目画瞬态响应曲线，原始数据好几千个点，全部画出后振荡部分被压缩成一条黑色带，把横坐标裁到前 500 个点，问题立刻解决，坐标轴上的刻度也更稀疏、更易读。

3. XRD数据绘图：科研图谱的标准姿势

3.1 XRD数据长什么样

XRD 全称 X 射线衍射，是材料分析里最常用的表征手段之一。它的原始数据本质上是两列数组：横轴是衍射角 2θ（单位是 degree），纵轴是探测器记录的强度（通常记作 a.u.，即任意单位）。不同晶面对应不同的衍射角，所以谱图上会出现一组尖锐的峰，峰的位置和强度对应材料的物相信息。

实际拿到的数据文件格式很不统一，有的第一行是标题，有的第二行是采集参数，有的列之间用逗号分隔，有的用空格甚至制表符。我的习惯是统一用 numpy 的loadtxt读取，配合skiprows跳过不需要的行：

data = np.loadtxt('sample.xrd', skiprows=2) theta = data[:, 0] intensity = data[:, 1]

如果文件里夹杂了字符串行，loadtxt会直接报错，这种情况就改用np.genfromtxt，或者用内置open逐行清洗一遍。第一次看到 XRD 数据被 \t 和空格混着分隔的时候可能有点头疼，但只要记住：读数据这步花十分钟做规范，后面绘图至少省一小时。

为了让大家在没有真实数据时也能跑通，我下面的代码用模拟数据：在若干角度位置叠加高斯峰，再加一点随机噪声。真实场景里，只要把 loadtxt 读取的两列替换进变量即可，绘图逻辑完全不用改。

3.2 绘制谱图与峰位标注

import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei'] plt.rcParams['axes.unicode_minus'] = False theta = np.linspace(10, 80, 1000) peaks = [] for center, amp, width in [(26.5, 1.0, 0.20), (38.2, 0.65, 0.25), (53.1, 0.40, 0.30), (64.2, 0.75, 0.22)]: peaks.append(amp * np.exp(-((theta - center) ** 2) / (2 * width ** 2))) intensity = np.sum(peaks, axis=0) + 0.02 * np.random.rand(theta.size) plt.figure(figsize=(9, 4.5)) plt.plot(theta, intensity, lw=1.5, color='#2E86AB') for p in [26.5, 38.2, 53.1, 64.2]: plt.axvline(x=p, color='#D64933', ls=':', alpha=0.6) plt.text(p, 0.18, f'{p:.1f}°', ha='center', fontsize=9, color='#D64933') plt.xlabel('2θ (degree)') plt.ylabel('Intensity (a.u.)') plt.xlim(10, 80) plt.grid(alpha=0.3) plt.tight_layout() plt.show()

标注峰位时，我没有手动一个个找坐标，而是维护一个包含峰位的列表统一管理。这样后续需要重新标注、加标记、批量处理多个样品时，只需要改列表内容。图中用axvline画竖向虚线加 text 角度标签，红色辅助线与蓝色主谱线形成区分。text 的纵坐标 0.18 是我在这个模拟数据下的粗略估计，如果某个峰特别低矮，标签可能盖住峰本身，实际画完以后需要肉眼看一遍，逐个微调这个值。

归一化和平滑也是 XRD 绘图里绕不开的操作。多个样品强度水平不一致时，直接叠加会让低强度样品看起来像噪声，正确的做法是归一化到最大强度：

intensity_norm = intensity / intensity.max()

数据噪声大、峰形不明显时，可以使用 Savitzky-Golay 平滑，但注意窗口不要太大，过度平滑会让尖锐的衍射峰变钝，反而丢失信息。

3.3 多组图谱对比与出图设置

材料研究里经常要对比不同条件下测得的几条 XRD 谱，比如不同工艺温度下的产物。多谱叠加时最容易出现的问题，是谱线互相遮挡，下面的谱被上面的盖住。我的做法是给每条谱设置一个垂直偏移量，让它们在纵轴上依次错开，有点像地理图里的垂直分层。

offsets = [0.0, 0.8, 1.6, 2.4] labels = ['原始样品', '热处理样A', '热处理样B', '掺杂物样'] for offset, label in zip(offsets, labels): plt.plot(theta, intensity_norm + offset, lw=1.2, label=label)

需要强调：垂直偏移会改变数据原有的强度比例，所以图里一定要注明“Intensity (a.u.)，曲线已垂直偏移”，避免误导读者。偏移量的取值以相邻曲线之间不重叠为宜，我自己通常取最大强度的 0.8~1.2 倍。

这种实验数据处理完，最终大概率要放进论文或汇报里。我建议按两个方向保存：

plt.savefig('xrd_compare.pdf', dpi=300, bbox_inches='tight') plt.savefig('xrd_compare.png', dpi=300, bbox_inches='tight')

PDF 是矢量格式，插入论文或矢量汇报文件里不会模糊；PNG 是位图，适合网页和快速预览。bbox_inches='tight'的意思是按内容自动裁剪，它和tight_layout()的区别是：后者调整的是画布内布局，前者调整的是最终输出范围。两个都用没问题，但只选一个的话我选bbox_inches='tight'，因为它对savefig生效，对实际文件最立竿见影。

4. 三角函数与超越函数：把数学图像画准

4.1 三角函数绘图的陷阱

三角函数本身很简单，但默认设置画出来会很难看。第一个陷阱是刻度：如果直接用默认数值刻度，x 轴上出现的是 0、2、4、6 这样的小数，跟 sin 函数的 π 周期气质完全不符。标准做法是把刻度设在 π 的倍数上，再用 LaTeX 风格的标签：

x = np.linspace(-2*np.pi, 2*np.pi, 1000) fig, axes = plt.subplots(2, 1, figsize=(9, 6)) axes[0].plot(x, np.sin(x), label='sin(x)', lw=1.6) axes[1].plot(x, np.cos(x), label='cos(x)', lw=1.6, color='#D64933') for ax in axes: ax.set_xticks([-2*np.pi, -np.pi, 0, np.pi, 2*np.pi]) ax.set_xticklabels([r'$-2\pi$', r'$-\pi$', '0', r'$\pi$', r'$2\pi$']) ax.set_ylim(-1.4, 1.4) ax.grid(alpha=0.3) ax.legend(frameon=False, loc='upper right') axes[0].set_title('sin(x)') axes[1].set_title('cos(x)') plt.tight_layout() plt.show()

r'$-\pi$'这种原始字符串加数学环境，是 matplotlib 显示数学符号的标准写法。比起把标签写成 "-π"，用这种方式渲染出来的 π 看起来更像是印刷体，不会出现字体怪异的问题。还有一个隐性细节：np.linspace(-2π, 2π, 1000)包括两个端点，所以画出来的 sin 和 cos 首尾刚好闭合，这是对的。如果你不想画闭合周期，可以让终点稍微差一点，但一般没必要。

tan 函数是三角函数绘图里的一个例外。它在 π/2 附近有渐近线，按默认方式画，会在渐近线附近拉出一条几乎垂直的长线，特别难看。处理办法有两种：一种是画完立刻限制plt.ylim(-10, 10)；另一种是用 numpy 把超过阈值的值替换成 nan，后者更彻底：

y = np.tan(x) y[np.abs(y) > 10] = np.nan

nan 在绘图时会被自动忽略，这样渐近线两侧的行为分别显示，中间不会出现直上直下的连线。这两种办法我更推荐掩膜处理，因为它保留的是真实数学行为，只是丢弃了超出视野的部分。

4.2 超越函数的定义域与坐标尺度

超越函数是指数、对数、幂这类无法用代数多项式表示的函数。画超越函数，十个人里八个会在定义域上翻车。对数函数要求 x > 0，所以x = np.linspace(0, 5)会直接让对数产生警告，因为第一个点是 0；正确做法是从 0.01 或 0.1 开始。

指数函数增长太快。假如在同一张图里同时画 exp(x) 和 log(x)，线性坐标下 log 分量会被压成一条水平线，什么都看不见。这时有两种应对：一种是分开画在各自合适的区间，另一种是用半对数坐标或双对数坐标。我不建议无脑用对数坐标，只有在数据跨多个数量级时才需要。半对数坐标用plt.semilogy()，双对数用plt.loglog()，它们的参数和plot()完全一样，只是坐标系不同：

x = np.linspace(0.01, 5, 500) fig, axes = plt.subplots(1, 3, figsize=(12, 4)) axes[0].plot(x, np.exp(x), color='#2E86AB') axes[1].semilogy(x, np.exp(x), color='#D64933') axes[2].loglog(x, x**2, color='#2E86AB') for i, title in enumerate(['线性坐标', '半对数坐标', '双对数坐标']): axes[i].set_title(title) axes[i].grid(alpha=0.3)

幂函数 y = x^2 在双对数坐标里呈现为一条直线，这个特性在做数据分析时很有用——如果你怀疑某个变量关系是幂律分布，画 loglog 图看是否为直线就能快速验证。我前阵子处理一组实验数据，原始曲线在普通坐标下完全看不出规律，换成半对数坐标后指数衰减阶段一目了然，当场就把结论定了。这也是为什么科研绘图不能只学功能，还得懂一点数学直觉。

4.3 子图布局管理

如果你要在一个图里同时展示多个函数，plt.subplots是最好的工具。上面两个示例里我已经用了plt.subplots(2, 1)和plt.subplots(1, 3)，这里补充一个细节：子图之间经常共用横轴，在 ax 上单独设置刻度会显得重复。可以只给最下面一行标 x 轴标签，上面的子图用sharex=True自动对齐：

fig, axes = plt.subplots(2, 1, figsize=(8, 6), sharex=True) axes[0].plot(x, np.sin(x)) axes[0].set_ylabel('sin(x)') axes[1].plot(x, np.cos(x), color='#D64933') axes[1].set_ylabel('cos(x)') axes[1].set_xlabel('x (rad)')

sharex=True还有个好处：缩放任意一个子图，另一个会同步跟随，交互式分析时非常顺手。初学的时候容易在每个子图里都写一遍 xticks、xlabel、legend，代码又长又容易出错。我的习惯是：全局统一的样式用循环处理，只有各自不同的标签和曲线才单独写。

5. 正态分布随机数与插值多项式拟合

5.1 生成随机数与直方图

正态分布随机数在统计模拟里最常用。制造一堆服从正态分布的样本点，本身没什么难的，关键在于怎么把分布形态直观地展示出来，并且用数学工具把趋势提取成一条光滑曲线。

import numpy as np import matplotlib.pyplot as plt from scipy.interpolate import CubicSpline plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei'] plt.rcParams['axes.unicode_minus'] = False np.random.seed(42) samples = np.random.normal(loc=0.0, scale=1.0, size=2000) counts, bins, _ = plt.hist(samples, bins=40, density=True, alpha=0.6, color='#9ACDBA', label='样本直方图') bin_centers = (bins[:-1] + bins[1:]) / 2

np.random.seed(42)是固定随机种子。科研模拟里种子必须设，否则每次运行结果都不一样，图表没法复现，这在论文审稿人眼里是硬伤。density=True表示把直方图的纵轴归一化成概率密度，这样无论样本量是 2000 还是 20000，直方图都能与理论概率密度曲线直接可比。

bin 数量的选择也有讲究。样本量 2000、bins=40 是我常用的组合，平均每个 bin 里大约有 50 个样本，直方图既能看到分布轮廓，又不会因为随机波动而剧烈锯齿。样本量少的时候要减少 bin 数，否则每个 bin 只有零星几个样本，图形像梳子一样。

5.2 叠加理论概率密度曲线

标准正态分布的密度函数是：

f(x) = (1 / sqrt(2π)) · exp(-x² / 2)

直接用向量化运算画出来，然后叠加到直方图上：

x_pdf = np.linspace(-4, 4, 300) pdf = (1 / np.sqrt(2 * np.pi)) * np.exp(-x_pdf ** 2 / 2) plt.plot(x_pdf, pdf, 'r-', lw=2.0, label='理论正态分布') plt.xlabel('样本值') plt.ylabel('概率密度') plt.legend(frameon=False) plt.show()

这一阶段图已经能说明问题了——样本分布与理论曲线的吻合程度，由样本量和 bin 数量共同决定。样本太少，直方图会像锯齿；bin 太少，细节又会被抹平。400 个样本配 30 个 bin，是入门时比较稳妥的比例。如果你发现直方图整体高于理论曲线或者明显低于理论曲线，多半是density没设置对，或者样本的均值和标准差与你画理论曲线时用的参数不一致。

5.3 插值多项式：从离散点恢复连续趋势

直方图的输出是一堆 bin 的计数，本身就是离散台阶。如果我们希望得到一条平滑曲线，有两条路可以走：多项式拟合和插值。标题里说的“插值多项式”，我的理解就是：用多项式的思路去逼近直方图背后的分布形态。

先看多项式拟合。np.polyfit是最直接的方式，它返回多项式系数：

deg = 7 coeffs = np.polyfit(bin_centers, counts, deg) poly = np.poly1d(coeffs) x_poly = np.linspace(bin_centers[0], bin_centers[-1], 300) plt.plot(x_poly, poly(x_poly), 'g--', lw=2.0, label=f'{deg}次多项式拟合')

这里有一个关键认知：阶数不是越高越好。用 2 次多项式拟合，得到的是抛物线，完全没法表达正态分布的平坦峰顶；用 20 次多项式，曲线会在数据点之间剧烈震荡，也就是过拟合。我实际测过这个场景，7~9 次的拟合结果在视觉上最接近正态分布，又不至于在边界处失控。过拟合的典型表现是曲线像“电波”一样上下跳动，一旦看到这种形态，第一反应就是降阶。

再看插值。CubicSpline用分段三次多项式插值，能保证曲线穿过所有数据点，而且不会出现整体高阶多项式那样的边界振荡：

cs = CubicSpline(bin_centers, counts) x_cs = np.linspace(bin_centers[0], bin_centers[-1], 300) plt.plot(x_cs, cs(x_cs), 'b:', lw=2.0, label='三次样条插值')

插值和拟合的区别，可以理解为：拟合不要求穿过所有点，只要求整体误差最小；插值必须穿过每一个观测点。数据噪声大时，用插值会把噪声也“完美”地穿过去，反而是拟合更能反映趋势。所以对直方图这种带随机波动的数据，我更推荐多项式拟合；如果是实验测得的平滑变化量，需要曲线经过每一个测量点，那就上样条插值。

最后补一条经验：多项式在数据点范围外的行为完全不可控。一旦你把拟合曲线的横坐标画到 bin 的范围之外，曲线会瞬间冲向正负无穷。所以画拟合曲线时，横坐标一定要限制在bin_centers[0]到bin_centers[-1]之间，不要延伸到 -5 或 5。这个坑我在第一次画拟合曲线时踩过，图里突然出现一条冲天的曲线，排查了半天才发现是 x 范围超出了拟合区间。

6. 常见问题与排查技巧实录

6.1 高频问题速查表

把我在实际使用中遇到的典型问题整理成一张表：

这张表里的每一条我都实际踩过。特别是前两项，几乎每个项目环境都要配一遍。如果你把字体配置写在公共样式文件里，整个团队的新人都不用再撞这个墙。

高频问题之外，有一个会让人困惑的问题是“拟合结果不对”。大部分时候不是代码错，而是数据本身分布不符合所选模型，比如用线性函数去拟合指数衰减，结果残差不仅大还有明显形状。所以出图以后第一件事不是调参数，而是看一眼残差分布，确认没有系统性偏差。残差如果呈现出“两头翘中间塌”的形态，说明模型结构不对，换模型比调参数有用得多。

6.2 我踩过的几个坑

第一个坑：包络线图例重复。阻尼衰减那段代码，我第一次写的时候给上下两条包络线都加了 label，图例里出现两行“包络线”，既冗余又难看。后来改成只给其中一条加标签，另一条纯视觉辅助，图例瞬间清爽。

第二个坑：XRD 谱图用默认线宽。仪器数据噪声比较多，线宽设为默认 1.0 的时候，谱线跟噪声混在一起，几乎看不出峰。把 lw 提到 1.5，并配上深色主色，视觉上会立竿见影。这属于那种“看起来不重要、实际影响很大”的细节。

第三个坑：savefig时忘记处理透明背景。论文插图经常要求白底，如果你导出的 PNG 没有控制背景，可能是透明背景，放在白底文档里看不出来，放到深色 PPT 里就露馅了。需要设置facecolor='white'，或者提交前统一检查一遍。

第四个坑：随机种子的复现问题。我给一个项目交付统计图脚本，对方跑出来的图跟我演示时完全不一样，排查了很久才发现是演示时忘了设置seed。数据模拟类图表，必须包含种子、版本号和数据描述，这是图表最有价值的三行元信息，不仅是为了复现，更是为了后期排查时能还原现场。

6.3 关于配色和审美的一点建议

matplotlib 默认的颜色和字体，说实话不太适合直接放进论文。蓝橙相对比、红黑搭配、绿色系列，是我日常用得最顺手的组合。上面所有示例里我用了#2E86AB、#D64933、#888888、#9ACDBA这几类颜色，它们的共同点是饱和度适中、明度高，普通打印和屏幕显示都不容易串色。

配色还有一个容易被忽略的原则：同色系用于同一性质的曲线，异色系用于不同性质的曲线。比如包络线和主曲线用灰蓝对比，理论曲线和直方图用红光栅对比，读者不用看图例也能明白层次关系。如果你懒得想配色，可以从非常基本的取色板里选两三个固定色值，做成常量放在公共样式文件里，保证所有图表风格统一。

我个人实际操作下来的体会是，matplotlib 本身并不缺功能，缺的是一套“按场景配置参数”的习惯。阻尼曲线、XRD、三角函数、超越函数、随机数与拟合，这五项基本覆盖了从物理模拟到实验分析的日常高频需求，把每一类的参数逻辑吃透，比临摹一百张别人的图更有用。最后分享一个小技巧：给自己维护一个plot_style.py，把中文字体、默认线宽、配色、DPI、输出格式都封装成一个函数，每次新图只要调用它，图表风格永远统一——长期下来你会发现，这是提升出图效率和质量的投入产出比最高的一件事。