企业官网建设流程全解析

开头初稿： “第二篇讲完基本绘图流程，第三篇补完子图和统计图之后，很多人手里的Matplotlib已经能出图了，但你拿给同事或导师看的时候，对方大概率会追问一句：你这个坐标轴的刻度怎么这么乱？日期为什么变成一大串数字？为什么你每张图的风格都不一样？我最初被这么问的时候也很无奈，因为这些问题的答案，恰恰是Matplotlib基础教程里很少展开的部分。所以这篇Matplotlib学习文档（四）专门解决从“能画”到“画得准、画得好看”这一段距离：坐标轴精细控制、全局样式管理、标注与图例排版、批量导出与性能优化，每一块都能直接用到真实项目里。如果你已经掌握了figure、axes、plot、subplot这些基础概念，这篇文档就是为你准备的；如果你刚入门，看完前三篇再看这里，效果会更好。”

这一段引入了系列衔接，包含核心关键词，字数够了。之后正文部分可以很长。

开始写各个部分。

注意：第1部分我写的时候要避免过于笼统，可以提一下为什么第四篇选这些内容。不要写成“随着”。用对话式口吻。

我这里再思考一下代码块的排版。用python代码块。日期坐标轴示例代码：

import matplotlib.pyplot as plt import matplotlib.dates as mdates import datetime dates = [datetime.datetime(2024, 1, 1) + datetime.timedelta(days=i) for i in range(31)] values = [i % 7 for i in range(31)] fig, ax = plt.subplots(figsize=(8, 3)) ax.plot(dates, values) ax.xaxis.set_major_locator(mdates.DayLocator(interval=7)) ax.xaxis.set_major_formatter(mdates.DateFormatter('%m-%d')) ax.xaxis.set_minor_locator(mdates.DayLocator()) fig.autofmt_xdate() plt.show()

说明：interval=7表示每隔7天显示一个主刻度，DateFormatter将日期格式化为“月-日”形式，autofmt_xdate自动旋转日期标签避免重叠。

这个非常实用。我再加一个例子：自定义FuncFormatter，例如把函数值从0.12345变成12.3%。

FuncFormatter示例：

from matplotlib.ticker import FuncFormatter def to_percent(x, pos): return f"{x * 100:.1f}%" ax.yaxis.set_major_formatter(FuncFormatter(to_percent))

这个也很好。再加上MultipleLocator和MaxNLocator示例，比如刻度过密导致标签重叠，直接指定主刻度：

from matplotlib.ticker import MultipleLocator, MaxNLocator ax.xaxis.set_major_locator(MultipleLocator(0.5)) ax.yaxis.set_major_locator(MaxNLocator(nbins=5))

这样实用。

双坐标轴示例：

fig, ax1 = plt.subplots() ax2 = ax1.twinx() ax1.plot(x, y1, color='tab:blue') ax2.plot(x, y2, color='tab:red') # 将两个轴合并到同一个图例 lines1, labels1 = ax1.get_legend_handles_labels() lines2, labels2 = ax2.get_legend_handles_labels() ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left')

这个也实用。

RcParams示例：

plt.rcParams["font.sans-serif"] = ["Noto Sans CJK SC", "WenQuanYi Micro Hei", "SimHei"] plt.rcParams["axes.unicode_minus"] = False plt.rcParams["figure.dpi"] = 120 plt.rcParams["axes.grid"] = True plt.rcParams["axes.grid.alpha"] = 0.3 plt.rcParams["legend.frameon"] = False plt.rcParams["savefig.bbox"] = "tight"

样式表示例：

# 文件名：minimal_style.mplstyle figure.figsize: 8, 4.5 figure.dpi: 120 font.family: sans-serif font.sans-serif: Noto Sans CJK SC, WenQuanYi Micro Hei, SimHei axes.unicode_minus: False axes.grid: True axes.grid.alpha: 0.3 axes.spines.top: False axes.spines.right: False legend.frameon: False savefig.dpi: 200

使用：

import matplotlib.pyplot as plt plt.style.use("minimal_style")

或者加载路径。

标注示例：

fig, ax = plt.subplots() ax.plot(x, y) peak_x = 3.2 ax.annotate("峰值点", xy=(peak_x, y_peak), xytext=(peak_x + 0.3, y_peak + 1), arrowprops=dict(arrowstyle="->", color="black"), bbox=dict(boxstyle="round,pad=0.3", fc="lightyellow", ec="gray"))

图例示例：

ax.legend(loc="upper left", ncol=2, frameon=False, title="实验组") ax.legend(loc="center left", bbox_to_anchor=(1.02, 0.5), borderaxespad=0)

性能示例：

import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt for i in range(50): fig, ax = plt.subplots(figsize=(8, 4)) ax.plot(...) fig.savefig(f"output/result_{i}.png", dpi=150, bbox_inches="tight") plt.close(fig)

注意：“Agg”是正常的技术术语，没问题。

后端列表示例，解释matplotlib.get_backend()。

[size]批量导出时内存问题：如果不close，50张图会同时占用内存，还会越来越卡，最终python进程可能爆内存。强烈建议plt.close(fig)。

代码中加入import os; os.makedirs("output", exist_ok=True)。

导出参数：

• dpi
• bbox_inches='tight'
• facecolor / edgecolor
• transparent
• format='pdf'/'svg'/'png'
• rasterized

常用表格对比： 格式 | 适用场景 | 优势 | 注意 PNG | 网页、PPT | 兼容性好 | 矢量文字变栅格 PDF / SVG | 论文、插图、打印 | 无限放大 | 需配合字体嵌入 EPS | 老式出版流程 | 部分工具兼容 | 对字体支持一般

这样表格也可以用。

常见问题速查表： | 症状 | 常用解法 | | 中文显示为方框 | 设置字体名到 font.sans-serif | | 负号显示为方框 | axes.unicode_minus 设置为 False | | 日期显示为数字 | 传入datetime类型或转成mdates.date2num | | 刻度标签重叠 | 旋转标签/减少刻度/UseMaxNLocator | | 图例重复 | 检查代码中是否多次plot同一label，或多次调用legend | | 保存后周围空白大 | savefig加 bbox_inches='tight' | | 批量生成后电脑卡死 | 每个figure用完后plt.close(fig) | | 图片在PPT里发虚 | 导出svg？不行，PPT支持不好。用高dpi PNG（200+）或者EMF？不，EMF和Matplotlib不咋兼容。用PNG 300dpi或SVG再转。这里稳妥点：直接高dpi PNG | | 虚线/实线分不清 | 检查dpi、线宽、dash参数，线段太短 | | 想要透明的背景 | savefig(transparent=True) |

还可以写“对图片字体嵌入的说明”，但不要太多。

调试思路段落：

• 第一步：检查版本：print(matplotlib.version)；升级/降级会有差异
• 第二步：先grep检查代码里的rcParams和style.use是否被覆盖
• 第三步：做最小复现：用一行数据、一张子图，排除绘图逻辑干扰
• 建议保存中间状态。

最后结尾用“我习惯在项目开头就写好一份样式文件”…字数150以上。

注意：不要AI套话，自然结尾即可。

现在把内容写完整。由于文章很长，需要每段都充实。我会尽量让每个段落4-6行（不过长段落很难精确控制，但应该自然）。

为了让开头具有一定真实感，可以提“我接手过很多人的代码”“我自己刚开始的时候”，但避免编造具体经历，比较安全。

安全合规没问题，不引用真实公司或人名。代码中的例子描述性内容都可虚构。

开始正式写作，输出仅正文Markdown。我需要特别确保不输出任何关于字数说明。

正文我计划如下写得充实。我会在内心把每个部分写够900-1200字。

开始写。注意别在结尾出现“以上就是第四篇的内容”。这样感觉像总结，但可以接受吗？稍微有点总结感，但如果是个人体会也可以。尽量以个人体会收尾：“把这一套配置沉淀成模板之后，我每次出图只需要改动数据和个别参数……”这样比较自然。

输出。 第二篇讲完基本绘图流程，第三篇补完子图与统计图之后，很多人手里的Matplotlib已经能迅速“画出一张图”，但真到了写报告、投论文、给客户交付的时候，你大概率会被问三句话：为什么坐标轴刻度是乱的？为什么日期变成了一长串数字？为什么每张图的风格都对不上？我刚开始折腾这些的时候，也对着屏幕犯过好几次愁。这篇Matplotlib学习文档（四）要解决的就是从“能画”到“画得准、画得好看”之间的那段隐形距离：坐标轴精细控制、全局样式管理、标注与图例排版、批量导出与性能优化。适合已经掌握figure、axes、plot、subplot这些基础概念，又想把手里的图提升一个档次的读者；如果你连前三篇都还没看完，建议先补基础，再回头吃透这里的每一段配置逻辑。

1. 这一篇的主线：为什么进阶文档要从“坐标轴”讲起

1.1 基础教程没讲透的东西，恰是实际项目最需要的

Matplotlib入门教程大多只告诉你“调用plot就能出图”，但真实场景里你很少只需要一条默认折线。项目交付时，同一个分析结果要配合不同的展现媒介：放在PPT里的截图需要大字、高对比度；放在论文里的插图需要矢量格式、无边框；放在自动化报表里则需要每张图的配色和字号完全统一。这些需求统统绕不开坐标轴的刻度设置、样式参数、图例摆放这类“看起来是小事，实际上全是细节”的环节。

我接手过不少别人留的绘图代码，最常出现的问题是：同一套数据处理逻辑，换一台机器跑，图的中文就乱码；换一个Matplotlib版本，坐标轴刻度标签自动变成科学计数法的offset形式；稍微改一下数据量，原本定死的刻度就重叠成一团。这些问题本质上都不是“画图”的问题，而是“坐标系与格式控制”的问题，所以第四篇把第一个大主题放在了这里。

1.2 本文的路标：四条进阶主线贯穿四个常见场景

这篇学习文档我用四个字概括主线：控、配、排、导。

• 控：坐标轴与刻度，解决“刻度怎么选、日期怎么显示、双轴怎么对齐”。
• 配：全局样式与配置，解决“同一套规范如何在不同机器、多张图中保持统一”。
• 排：标注、文本与图例，解决“图上的说明文字放在哪里、怎么放才不遮挡数据”。
• 导：性能、批量出图与导出参数，解决“几十张图批量生成时怎么又快又稳”。

四条主线都围绕一个核心场景展开：你不再只是“给自己看一眼”，而是要给外部人看、要放进正式交付物里。场景不同，对图的严谨程度要求就完全不同。

2. 坐标轴与刻度的精细控制——让刻度自己“听指挥”

2.1 Locator和Formatter：Matplotlib的刻度双引擎

Matplotlib在画坐标轴时，实际上有两套机制在暗中工作：一套叫Locator，负责决定“哪些位置显示刻度线”；另一套叫Formatter，负责决定“这些刻度位置的标签长什么样”。默认情况下，Locator会根据数据范围自动挑“合适的整数间隔”，Formatter则会根据数值大小自动选择显示方式。问题在于，自动选择只是“通用合理”，而不是“项目合理”。

举个实际例子。横坐标是0到1之间的密度分布数据，默认刻度可能给0.0、0.2、0.4一直到1.0，看起来没问题。但如果你希望每0.25显示一个刻度，就得用MultipleLocator(0.25)来指定。又比如纵坐标是百分数，默认显示0.2、0.4、0.6，你想显示成20%、40%、60%，就需要自定义Formatter。这两个类都在matplotlib.ticker里，是进阶控轴最常用的工具。

import matplotlib.pyplot as plt import numpy as np from matplotlib.ticker import MultipleLocator, FuncFormatter x = np.linspace(0, 1, 100) y = np.sin(2 * np.pi * x) fig, ax = plt.subplots(figsize=(8, 4)) ax.plot(x, y) # 控制主刻度间隔：每隔0.25一个主刻度 ax.xaxis.set_major_locator(MultipleLocator(0.25)) # 控制主刻度标签格式：显示为百分比样式 ax.yaxis.set_major_formatter(FuncFormatter(lambda val, pos: f"{val * 100:.0f}%")) plt.show()

这里的核心思路是：xaxis和yaxis是axes对象下面的两个“独立子对象”，它们各自都有set_major_locator、set_minor_locator、set_major_formatter、set_minor_formatter这组方法。很多人的误区是只改刻度内容，却不知道主刻度和次刻度可以分开控制。例如，你可以让主刻度线显示粗一点、带数字标签，让次刻度线显示细一点、不带标签，这样图面更干净。

当数据范围很大或者分布极不均匀时，还可以用LogLocator配合LogFormatter，把坐标轴切换成对数刻度。另一种常见需求是“限制刻度数量”，但你又不知道具体间隔该给多少，此时MaxNLocator更实用，比如ax.yaxis.set_major_locator(MaxNLocator(nbins=6))，意思是让Matplotlib最多给出6个刻度，具体位置交给算法判断。我在实际项目里更倾向于先用MaxNLocator看默认效果，再手动改成MultipleLocator去精调，这样不容易出现“想当然设间隔结果刻度数和数据对不上”的尴尬。

2.2 日期坐标轴：从“一串数字”到“像样的横轴”

日期坐标轴是Matplotlib使用中翻车率最高的场景之一。最常见的问题是：明明csv里存的是“2024-01-01”，画出来横轴却显示成一串类似“737000”的数字。原因很简单：你把日期读成了字符串，Matplotlib把字符串当成普通类别数据，或者在隐式转换时用了内部的日期序列值，而后台Formatter不知道你想要的展示格式。

正确处理方式是让Matplotlib知道自己拿到的是“日期时间类型”。推荐使用datetime模块构造数据，或者用matplotlib.dates.date2num()把日期转成数字，目的是让坐标轴内部的Locator和Formatter进入“日期模式”。

import matplotlib.pyplot as plt import matplotlib.dates as mdates import datetime # 构造从某月1号开始的31天数据 dates = [datetime.datetime(2024, 1, 1) + datetime.timedelta(days=i) for i in range(31)] values = [i % 7 for i in range(31)] fig, ax = plt.subplots(figsize=(9, 3.5)) ax.plot(dates, values) # 主刻度：每隔7天一个 ax.xaxis.set_major_locator(mdates.DayLocator(interval=7)) ax.xaxis.set_major_formatter(mdates.DateFormatter("%m-%d")) # 次刻度：每天一个，不带标签 ax.xaxis.set_minor_locator(mdates.DayLocator()) fig.autofmt_xdate() plt.show()

这里的DayLocator(interval=7)控制主刻度的疏密，DateFormatter("%m-%d")控制标签格式。日期格式化的完整写法跟strftime一致，比如要显示“2024年1月”就用"%Y年%m月"，要显示带时间的就用"%H:%M"。还有一个小技巧是fig.autofmt_xdate()，它会把横轴标签自动旋转一定角度并调整间距，省去手动plt.xticks(rotation=30)的麻烦。

更复杂的需求是用WeekdayLocator控制“只在周一处放主刻度”，或者用MonthLocator控制“只在每月1号放主刻度”。数据跨度越大，越应该让主刻度放在最自然的周期节点上。如果数据范围是几年，用MonthLocator(interval=3)比DayLocator显得更有规律感。个人经验是，先让Matplotlib用默认的AutoDateLocator自动选一次，再用更精确的Locator微调，效率远高于一上来就硬写间隔。

2.3 双坐标轴与共享坐标轴：别让右轴拖后腿

当两组数据量纲不同、又想同时展示在一张图里，双坐标轴几乎是绕不开的选择。基本写法是ax2 = ax1.twinx()，生成一个共享x轴、但y轴在右侧的新坐标系。这里最常见的坑有两个。

第一个坑：右轴的刻度标签、轴线颜色会默认继承新轴的样式，容易让图面看起来像两张图叠在一起。我的做法是创建完双轴之后，立刻用ax2.spines["right"].set_color(...)、ax2.tick_params(axis="y", colors=...)把右侧颜色改成和数据颜色一致，让读者一眼就知道“红线对应右边的刻度”。

第二个坑：图例默认只给第一个坐标轴服务，而双轴的数据分别挂在两个axes上，直接调用ax1.legend()往往只能看到左轴的曲线。解决办法是手动把两个轴上的handle和label拼在一起：

line1, label1 = ax1.get_legend_handles_labels() line2, label2 = ax2.get_legend_handles_labels() ax1.legend(line1 + line2, label1 + label2, loc="upper left")

共享坐标轴指的不是双轴，而是多个子图共享同一个x轴或者y轴。plt.subplots(2, 1, sharex=True)可以让上下两个子图共用一个横轴刻度，避免重复显示大段日期标签。这对需要纵向对比的同源数据特别管用。需要注意的是，sharex之后，上图的x轴刻度标签默认会被隐藏，这是刻意保留给下图的空间，不用觉得是Bug。

3. 全局样式与配置管理——同一套审美用到底

3.1 rcParams不只是用来改字体

Matplotlib的所有默认样式几乎都集中在一个全局参数字典里，叫做rcParams。你可以在运行时用plt.rcParams["键名"] = 值修改，也可以把配置写进文件让程序每次加载。很多人第一次接触rcParams是为了解决中文乱码，但它的能力远不止于此。

你可以把Figure默认尺寸、默认分辨率、网格线开关、坐标轴线颜色、图例边框、刻度方向等全部统一在一处。比如我的个人习惯是默认关闭上边和右边的坐标轴线（spines），这样图看起来更现代；再默认开一层浅色网格，辅助阅读数据。这些偏好如果每次画图都手动设一遍，不仅累，而且容易漏。

plt.rcParams["font.sans-serif"] = ["Noto Sans CJK SC", "WenQuanYi Micro Hei", "SimHei"] plt.rcParams["axes.unicode_minus"] = False plt.rcParams["figure.dpi"] = 120 plt.rcParams["font.size"] = 11 plt.rcParams["axes.grid"] = True plt.rcParams["axes.grid.alpha"] = 0.3 plt.rcParams["axes.spines.top"] = False plt.rcParams["axes.spines.right"] = False plt.rcParams["legend.frameon"] = False plt.rcParams["savefig.bbox"] = "tight"

这一段配置放到脚本开头，后面想画什么风格都能统一。还有两个比较冷门但很实用的上下文管理器：plt.rc_context()可以让你临时修改一批参数而不影响全局，适合只对某一张图单独调整的情况。它和finally恢复默认两种方式相比，写起来更优雅，也不容易因为中途抛异常而让全局参数卡在中间状态。

3.2 自定义样式表：一个文件统一全家风格

除了在脚本里写rcParams，Matplotlib还支持更工程化的做法：样式表文件。样式表是一个以.mplstyle结尾的文本文件，里面每一行都是参数名: 值的格式。你可以把它放在项目目录里，用plt.style.use("路径/文件名.mplstyle")加载；也可以放到Matplotlib的样式目录，让它变成像ggplot、classic这样的内置风格名。

下面是一份有效的最小样式表示例：

figure.figsize: 8, 4.5 figure.dpi: 120 font.family: sans-serif font.sans-serif: Noto Sans CJK SC, WenQuanYi Micro Hei, SimHei axes.unicode_minus: False axes.grid: True axes.grid.alpha: 0.3 axes.spines.top: False axes.spines.right: False legend.frameon: False legend.loc: best savefig.dpi: 200

使用方式非常直接：

import matplotlib.pyplot as plt plt.style.use("minimal_style.mplstyle") # 放当前目录

我把样式表推荐给团队用的原因很简单：它可以跨平台、跨机器保持一致。你不需要每个成员都复制一份rcParams代码，只要把.mplstyle文件放进项目仓库，所有人在各自电脑上加载同一个文件，出图效果就完全一致。而且样式表的改动是“一处修改，全局生效”，比批量改脚本里的硬编码参数靠谱太多。

3.3 中文字体与负号显示：绕不开的两个坑

中文乱码几乎是Matplotlib中文用户的“成人礼”。问题根源在于Matplotlib默认字体列表里没有中文字体，因此显示不出汉字。常见做法是plt.rcParams["font.sans-serif"] = ["SimHei"]，但这在Linux服务器上不起作用，因为系统里压根没有SimHei。更稳妥的办法是用font_manager动态指定绝对路径：

import matplotlib.font_manager as fm font_path = "/usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc" fm.fontManager.addfont(font_path) plt.rcParams["font.sans-serif"] = ["Noto Sans CJK SC"]

另一个和中文并排出现的问题，是负号显示成方框。原因是Matplotlib默认的unicode_minus参数用了特殊的减号字形，和中文字体冲突。一行代码解决：plt.rcParams["axes.unicode_minus"] = False。这两个坑几乎可以在同一个配置块里一起解决，建议把字体配置做成一个函数放在项目公共模块里，每次画图前调用。

4. 标注、文本与图例排版——图表里的“排版艺术”

4.1 annotate：把说明文字放到准确的位置

图上加说明文字，很多人的第一反应是plt.text()，它确实简单，但遇到文字和数据点有相对位置关系时，ax.annotate()要灵活得多。annotate的核心参数是xy和xytext：xy表示箭头指向的数据坐标位置，xytext表示文字左上角（或锚点）所在的位置。配合arrowprops，可以在“被说明对象”和“说明文字”之间画一条箭头或曲线。

fig, ax = plt.subplots(figsize=(8, 4)) x = np.linspace(0, 2 * np.pi, 100) y = np.sin(x) ax.plot(x, y) peak_x = np.pi / 2 peak_y = 1.0 ax.annotate("峰值点", xy=(peak_x, peak_y), xytext=(peak_x + 0.4, peak_y + 0.25), arrowprops=dict(arrowstyle="->", lw=1.2, color="black"), bbox=dict(boxstyle="round,pad=0.3", fc="lightyellow", ec="gray"))

bbox参数经常被忽略，但它对图面质感的影响很大。给文字加一个浅色圆角背景，可以让文字在复杂数据背景下依然清晰可读，相当于给说明文字一个“呼吸空间”。箭头样式常用->、-|>、fancy几种，具体箭头粗细、颜色、是否带弯曲线，都可以在arrowprops里细调。

还有一个进阶技巧是使用非数据坐标系。比如你想在图的左上角固定放一行“实验组”的标签，而不想让它跟着数据范围移动，可以用xycoords="axes fraction"，把坐标原点设定为axes左下角，此时xy=(0.05, 0.95)就表示整个axes区域左上角往右5%的位置。这种方式特别适合在批量出图时给每张图打上统一标识，不管数据范围怎么变，文字永远待在同一个相对位置。

4.2 图例：位置、列数与边框的细节决策

图例是图表的“航班信息屏”，信息传达效率高不高，有时候比配色还重要。默认的legend位置是“best”，但数据曲线一多，自动选择极易把图例压到关键曲线上。我建议手动指定loc，比如upper left、center right、lower center。如果图例涉及的条目太多，可以用ncol参数把它排成多列，减少纵向占位。

更灵活的是bbox_to_anchor，它能把图例放到axes区域外面。比如ax.legend(loc="center left", bbox_to_anchor=(1.02, 0.5))会把图例放在图右侧外侧并垂直居中，非常适合宽图配侧边图例的布局。如果把borderaxespad=0加上，图例和axes边缘还能贴近一些，整体更整齐。

还有几个细节，我每次都会被海报级别的图逼着去调：frameon=False去掉图例边框；fancybox=False去掉圆角；title参数给图例加一个分组标题；markerfirst让图例里的marker显示在颜色标签前。这些参数单看都没什么技术含量，但组合起来会让整张图从“学生作业”变成“可交付物”。

ax.legend(loc="upper left", ncol=2, frameon=False, title="温度组", markerfirst=True, fontsize=9)

5. 性能、批量出图与导出参数——当图不再是一张两张

5.1 后端选择：无人值守环境下的隐藏开关

Matplotlib支持多种“后端”，后端决定了绘图操作最终被渲染到哪里。默认GUI后端会在屏幕上弹出窗口；但如果你的程序运行在服务器上，或者只是批量生成图片文件，弹窗不仅没有意义，还可能在无图形环境下直接报错。此时应该选择无界面后端，最常见的是Agg。

import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt

很多人习惯把matplotlib.use("Agg")写在import pyplot之后，这是无效的，因为pyplot导入时后端已经初始化了。正确顺序一定是先matplotlib.use("Agg")，再import matplotlib.pyplot as plt。也可以用matplotlib.get_backend()检查当前后端是否已经切换成功。无界面后端的另一个好处是性能通常比GUI后端更稳定，批量渲染几百张图时，不会因为窗口刷新而拖慢速度。

5.2 savefig的关键参数，逐一说清楚

画图之后保存图片，看似简单，实际最容易出现“导出后图变low”的情况。问题几乎都出在savefig的默认参数上。

• dpi：默认是100，屏幕上看还行，放进打印稿或者A4文档里就明显发虚。推荐至少用150，正式报告用200-300。
• bbox_inches：默认None会导致保存范围严格等于figure大小，如果你的图例被放在axes外，或者标题文字稍微越界，保存后边缘会被裁切。设为"tight"可以让Matplotlib自动计算并包含所有元素，几乎是无脑推荐的选项。
• transparent：如果需要透明底色的图（比如叠加到自定义PPT背景上），设为True；如果只是普通报告，保持False反而更安全，避免透明底在部分阅读器里显示成黑色。
• facecolor：默认是白色。配合透明背景做图的时候可以把facecolor设成"none"。
• format：不设时由文件名后缀自动推断。批量导出时建议明确指定，避免不同环境后缀解析不一致。

另外，矢量格式和栅格格式的选择也要看场景。论文插图首选PDF或SVG，好处是无论缩放到多大都不糊，文字部分在阅读器里可选中；网页插图和PPT素材常用PNG，因为兼容性最好。如果一张图里有成千上万个散点，建议散点层用rasterized=True，文字和坐标轴保持矢量，这样既保证清晰度，又不会让最终PDF文件体积大到崩坏。

fig, ax = plt.subplots(figsize=(8, 4)) ax.scatter(x, y, s=2, rasterized=True) ax.plot(...) fig.savefig("output/report.pdf", dpi=200, bbox_inches="tight")

5.3 批量绘图时的内存和画布管理

我见过最典型的批量出图事故是这样的：循环里画一张图，保存一张，但全程不调用plt.close()。跑几十张的时候没感觉，跑到几百张时内存占用一路飙升，最终Python进程被系统杀掉，前面所有的图全部白跑。原因在于figure对象如果不显式销毁，会一直留在内存里。循环保存时最稳妥的做法是每处理完一个figure就调用plt.close(fig)。

import os os.makedirs("output", exist_ok=True) for i in range(50): fig, ax = plt.subplots(figsize=(8, 4)) ax.plot(...) ax.set_title(f"Batch {i}") fig.savefig(f"output/result_{i:02d}.png", dpi=150, bbox_inches="tight") plt.close(fig)

另一个提升批量效率的技巧是复用图结构：如果50张图只有数据不同、布局完全一致，可以把plt.subplots()和坐标轴设置提出循环，每轮只更新数据，这样子在布局逻辑上的开销大幅下降。不过要注意，复用同一个axes前需要清理旧线条，否则图例和曲线会叠加，一般用ax.clear()，但clear之后坐标轴范围等设置也会被重置，得记得重新设置。

6. 高频问题排查实录——踩坑之后我把它们整理成了速查表

6.1 一页纸速查表：十一个常见症状与处理办法

6.2 我的三类调试思路：版本、后端、最小复现

面对一个Matplotlib疑难杂症，我一般按三步来排查。

第一步是确认版本。Matplotlib的API和默认值在不同版本之间有细微变化，某些参数在新版本里被废弃，某些绘图行为随版本调整。先跑print(matplotlib.__version__)，确认自己和对方的环境版本一致，能排除掉一半“我的代码为什么在他机器上画不出来”的问题。

第二步是检查后端和样式加载。如果你在程序里用了Matplotlib默认样式，但画图时发现字体、配色全不对，大概率是某个样式表在后续被重复导入覆盖了。一个比较笨但有效的办法是把代码里的style.use()和plt.rcParams临时注释掉，看看是不是全局配置之间打架。

第三步是最小复现。把问题代码缩减到只包含一个简化数据集、一两行绘图语句，确保单独运行这个最小示例时问题能复现。如果能复现，问题基本在Matplotlib配置或数据本身；如果不能复现，问题则可能出在上下文环境，比如循环中的状态残留、多个axes交叉使用等等。这个方法用了很多次，几乎每次都能快速定位问题源头。

我个人的习惯是，把所有常用配置沉淀成一份自定义样式表，放在项目公共目录里，之后每次新建绘图脚本时第一件事就是plt.style.use("project.mplstyle")。这套流程跑顺之后，作图的重心就从“处理格式”转移到了“思考数据”，真正能静下心来看清楚图里的信息是否准确、标注是否清晰。如果你还在为刻度、字体、图例这些细节反复折腾，不妨试着一口气把这套配置统一治理一遍，你会明显感觉到，Matplotlib终于从“画画工具”变成了“表达工具”。