想象你拿到一套毛坯房。客厅、卧室、厨房都还没隔开，墙是灰的，灯是白的，家具一件没有。直接住进去，能住，但没人想住。画图也一样——Matplotlib 默认给你的只是一张空白画布和一个光秃秃的坐标系，能出图，但离“专业”差得很远。 装修一套房子要分几步：先砌墙隔出房间（子图），再按需求定制隔断（gridspec 布局），然后定一本装修手册统一全屋风格（rcParams 全局样式），挑选统一的家具色系（colormap），在门口挂门牌、墙上贴便利贴（图例与注释），最后请摄影师拍高清样板间（高清导出）。六个步骤走完，你的图就能从“毛坯房”变成“精装样板间”。 这篇文章，就是你的装修经理上岗指南。

岗位关联

Matplotlib 子图与样式是 AI 工程师的“出图基本功”：论文配图、实验对比、模型报告、仪表盘都靠它撑场面。学会它，你画的每一张图都专业、清晰、可复现。

目录
  1. 可视化演示
  2. 子图基础：subplots 一行隔出房间
  3. 子图布局：GridSpec 设计师的定制隔断
  4. 全局样式：rcParams 一本装修手册管全家
  5. 颜色管理：colormap 全屋统一色系
  6. 图例注释：门牌与便利贴
  7. 导出应用：savefig 竣工验收的高清大片
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示Matplotlib专业图表制作的核心技巧：多子图布局系统、rcParams全局样式配置、colormap类型选择与匹配、高清导出参数，交互切换四种模式。

本节配有交互动效（进入视口后自动加载，约 3KB）。

子图布局：subplots与gridspec系统 subplots创建规则行列网格，gridspec支持不等大小子图灵活排列 fig, axes = plt.subplots(nrows, ncols) 合理布局让多图对比清晰有序。

子图基础：subplots 一行隔出房间

装修第一步是砌墙。你站在毛坯房里，手里拿着户型图，心里盘算着：“客厅放数据、卧室放对比、厨房放误差。” 这时候最省力的做法是喊来工头 plt.subplots，他拿激光水平仪一照，刷刷几道墙，立刻给你隔出大小一样的房间。你只要告诉他：“给我 2 行 3 列的房间”，剩下的他全包。

工头干活很快，因为他的逻辑很朴素：行数 × 列数 = 房间总数。plt.subplots(2, 3) 会返回两个东西：一个是整栋房子的图纸（fig），另一个是所有房间的钥匙串（axes）。这个钥匙串不是普通列表，而是一个二维的“房号网格”——你想进第 1 行第 2 列的房间，就写 axes[0][1]。

最后给你自己定个规矩：以后画子图，一律用 ax.plot() 而不是 plt.plot()。前者是“进到指定房间去布置家具”，后者是“在整个毛坯房里随便画”，房间一多，后者就乱了套。另外，sharex=True 这个参数就像邻居两家共用一面承重墙——大家 x 轴刻度对齐，缩放联动，绝对不会出现上下两张图 x 轴范围对不上的尴尬。

隔完房间，毛坯房的骨架就出来了。记住工头的口头禅：先想清要几行几列，再动手画。房间隔对了，后面所有家具布置都是水到渠成的事。

nax=nrow×ncol\displaystyle n_{\text{ax}} = n_{\text{row}} \times n_{\text{col}}
房间总数等于行数乘以列数，这就是 subplots 的核心账本。
  1. 行数 \(n_{\text{row}}\)户型图上横向要排几排房间，对应 subplots(2, 3) 里的第一个数字 2。
    nrow=2n_{\text{row}} = 2
  2. 列数 \(n_{\text{col}}\)每排并排几个房间，对应第二个数字 3。
    ncol=3n_{\text{col}} = 3
  3. 子图总数 \(n_{\text{ax}}\)两行三列一共隔出 6 个房间，也是钥匙串 axes 里子图对象的个数。
    nax=2×3=6n_{\text{ax}} = 2 \times 3 = 6

子图布局：GridSpec 设计师的定制隔断

工头隔的房间全是豆腐块，大小一样、千篇一律。可真住进去你就发现：客厅要放投影看数据，得大；卫生间只放个误差条，一小间就够。这时候你需要请设计师GridSpec出手。他先在地面画出精细的网格线（网格），再告诉你说：“这块地皮我想占两格，那块只要半格。”

GridSpec 是比 subplots 更底层的工具。你先用 fig.add_gridspec(2, 3) 画好一张 2 行 3 列的“隐形网格纸”，然后通过 fig.add_subplot(gs[0, :]) 把第一行整行都划给一个房间，或者用 gs[1, 0:2] 让第二行左边两格合成一个宽房间。这种“切片”语法就像在地图上圈地，想圈多大圈多大。

最常用的装饰是 width_ratios=[2, 1]——它直接规定左边两间房的宽度总和与右边一间房的比例是 2:1。看看下面这个真实场景：左侧大子图画两条模型的 loss 曲线，右侧小子图只画一个柱状对比。左边信息量大，右边点到为止，主次分明，这就是专业论文配图的排版感。

隔断墙砌好了，房子的骨架彻底定型。布局决定气质——同样的内容，排版主次分明，观感立刻翻倍。

w1w2=r1r2,r=width_ratios\displaystyle \frac{w_1}{w_2} = \frac{r_1}{r_2}, \qquad r = \text{width\_ratios}
两列的实际宽度比，等于你写在 width_ratios 里的数字之比，就像装修合同里白纸黑字写的面积分配。
  1. 比例系数 \(r_1\)、\(r_2\)设计师在图纸上标的两列“权重”，比如 width_ratios=[2, 1] 里的 2 和 1，它不是真实像素，而是分配筹码。
    r1=2, r2=1r_1 = 2,\ r_2 = 1
  2. 实际宽度 \(w_1\)、\(w_2\)扣除边距后，两列子图真正分到的像素宽度。
    w1+w2=W−marginw_1 + w_2 = W - \text{margin}
  3. 比例等式宽度之比严格等于权重之比，所以 2:1 的权重就得到“左宽右窄”的视觉。
    w1w2=21\frac{w_1}{w_2} = \frac{2}{1}

全局样式：rcParams 一本装修手册管全家

墙砌好了，接下来要定风格。最怕的就是每个房间各装各的：客厅北欧风、卧室赛博朋克、厨房复古田园，客人进来以为走错了楼。聪明人会在开工前买一本装修手册（rcParams），把全屋的墙纸、地板、灯光色温一次性定好。Matplotlib 里的 rcParams 就是这本手册。

rcParams 说白了就是一个全局字典，里面存着几十个“全屋默认值”：'font.size' 是字体大小的默认档位，'axes.grid' 是每个房间要不要默认铺网格地板，'figure.dpi' 是整栋楼的出图分辨率。你只需要在画图前写一行 plt.rcParams['axes.grid'] = True，之后所有子图自动带上网格，不用每个房间单独嘱咐。

想偷懒换风格，还有更快的办法：plt.style.use('ggplot') 就像一键套用设计师样板间——墙纸、灯光、地砖全部换成 R 语言 ggplot 风格的米灰底加深色边框。最常见的坑是中文乱码：手册里默认字体是西文字体，遇到中文就显示成方块。解决方案是在手册里补一条“中文字体白名单”：plt.rcParams['font.sans-serif'] = ['SimHei']，顺便把负号显示修好。

手册定好了，全屋风格统一，客人进门不再精分。一次配置，全局生效，这就是 rcParams 的效率哲学。

∀k∈K: fig[k]=rcParams[k]\displaystyle \forall k \in \mathcal{K}: \ \text{fig}[k] = \text{rcParams}[k]
装修手册里的每一条规则，都会自动应用到全屋所有房间上，这就是“全局样式”的含义。
  1. 键集合 \(\mathcal{K}\)手册里所有条目名的集合，比如 'font.size'、'axes.grid'、'figure.dpi'。
    K={’font.size’,’axes.grid’,’figure.dpi’,… }\mathcal{K} = \{\text{'font.size'}, \text{'axes.grid'}, \text{'figure.dpi'}, \dots\}
  2. 手册取值 \(\text{rcParams}[k]\)某一条目对应的默认值，比如 'font.size' 对应 11 号字。
    rcParams[’font.size’]=11\text{rcParams}[\text{'font.size'}] = 11
  3. 应用到画布画图时每个房间都会自动读取手册里的值，所以你在任何子图里都不用重复设置。
    fig[k]=rcParams[k]\text{fig}[k] = \text{rcParams}[k]

颜色管理：colormap 全屋统一色系

装修风格定了，接下来挑软装。最考验审美的环节来了：客厅窗帘是雾霾蓝，卧室床单却是荧光粉，这种配色会让客人连夜逃走。colormap（色图）就是你的软装设计师，它给你一整条经过精心调校的“色卡”，你只管按色卡取色，绝不会翻车。

Matplotlib 里最推荐的是 viridis 这条色卡。它从深紫渐变到明黄，全彩盲友好、灰度打印也能区分、相邻色阶变化均匀——专业术语叫“感知均匀”。而老牌 jet 彩虹色卡虽然鲜艳，其实像夜市霓虹灯，中间有大量视觉突变，会误导读者过曝数据细节。

取色时有一条流水线：先把数据的最小值 z_min 和最大值 z_max 当作标尺，把任意数据 z 归一化到 0 到 1 之间，然后再去色卡上“按刻度取色”。这就是 Normalize(vmin, vmax) 在做的事。散点图里写 c=数值数组, cmap='viridis'，每个点就自动按自己的数值取到对应颜色，高大上的热力图立刻出炉。

色彩统一了，整张图立刻有了“高级感”。记住：选色卡像选窗帘，耐看比鲜艳更重要。

z′=z−zmin⁡zmax⁡−zmin⁡,color=cmap(z′)\displaystyle z' = \frac{z - z_{\min}}{z_{\max} - z_{\min}}, \qquad \text{color} = \text{cmap}(z')
数据先被压到 0-1 的刻度尺上，再去色卡里查颜色，就像给每个数据量身高，然后按身高段挑衣服。
  1. 数据值 \(z\)某个样本的原始数值，比如模型准确率 0.87。
    z=0.87z = 0.87
  2. 最小值与最大值 \(z_{\min}\)、\(z_{\max}\)当前数据集里所有数值的两端，决定标尺范围。
    zmin⁡=0.50,zmax⁡=0.95z_{\min} = 0.50, \quad z_{\max} = 0.95
  3. 归一化值 \(z'\)把原始值映射到 0 到 1。0.87 在这个标尺上被压到约 0.82。
    z′=0.87−0.500.95−0.50=0.82z' = \frac{0.87 - 0.50}{0.95 - 0.50} = 0.82
  4. 查色表 \(\text{cmap}(z')\)拿着 0.82 去 viridis 色卡上取一个对应的颜色，完成着色。
    color=viridis(0.82)\text{color} = \text{viridis}(0.82)

图例注释：门牌与便利贴

房间多了，客人难免迷路。你得在每扇门挂上门牌（legend），说明这间房展示的是什么；在特别重要的墙面上贴便利贴（annotate），画个箭头指向某个值得注意的细节。别小看这些"paperwork"，它是读者理解你图的关键。

ax.legend() 是挂门牌的标准动作，它会自动根据每条曲线的 label 参数生成图例牌。你可以指定挂在房间的哪个角落：loc='upper right' 是右上角，loc='best' 是让 Matplotlib 自己找不挡数据的位置。如果嫌门牌背景难看，加个 frameon=False 去掉边框，瞬间清爽。

而 ax.annotate() 是便利贴的高级玩法，它管两件事：文本放哪（xytext），箭头指向哪（xy）。中间的偏移量 d 就是你贴便利贴时和重点之间错开的距离。配合 arrowprops=dict(arrowstyle='->')，一条优雅的箭头线就出现了——论文里标“最优值”、“拐点”，全靠这一招。

门牌和便利贴装好了，客人不再迷路，你的图也会说话。细节决定专业度——一幅图的功力，往往就藏在箭头和一行小字里。

p⃗text=p⃗target+d⃗offset\displaystyle \vec{p}_{\text{text}} = \vec{p}_{\text{target}} + \vec{d}_{\text{offset}}
注释文本的位置，等于目标点的位置加上一个偏移向量。便利贴永远贴在重点旁边，而不是盖住重点。
  1. 目标点 \(\vec{p}_{\text{target}}\)箭头最终指向的数据位置，比如曲线上的峰值点。
    p⃗target=(3.14,1.0)\vec{p}_{\text{target}} = (3.14, 1.0)
  2. 偏移向量 \(\vec{d}_{\text{offset}}\)文本相对目标点错开的距离，避免文字遮挡数据。
    d⃗offset=(0.5,0.4)\vec{d}_{\text{offset}} = (0.5, 0.4)
  3. 文本位置 \(\vec{p}_{\text{text}}\)便利贴的实际落点，是目标点平移后的坐标。
    p⃗text=(3.64,1.4)\vec{p}_{\text{text}} = (3.64, 1.4)

导出应用：savefig 竣工验收的高清大片

装修全部完工，最后一步是请摄影师拍样板间。你用手机随手一拍，画质糊、构图歪、还带个阴影——这就像默认的 plt.show()，只适合临时预览。真正的交付必须用 fig.savefig() 拍“高清大片”。

摄影师最看重的参数是 dpi——解析力。dpi=300 是印刷级画质，右下角那个默认的 dpi=100 连论文初稿都糊。第二个救场参数是 bbox_inches='tight'，相当于自动裁剪构图，把图周围多余的空白边全部去掉，保证图片是“所见即所得”的紧凑版。修完这两步，一张能进论文的图就出炉了。

别忘了选对交付格式：.png 是位图，适合插网页；.pdf 和 .svg 是矢量图，放大一万倍也不糊，投期刊、做报告选它们。还有一个小彩蛋 transparent=True——透明背景，把图叠到深色 PPT 上时不会有白色方块，像剪纸一样自然贴合。

竣工验收通过，精装样板间正式交付。好图是留给读者的面子，导出是留给自己的里子——里子不行，再漂亮的设计也会在交付时露馅。

---

wpx=winch×dpi\displaystyle w_{\text{px}} = w_{\text{inch}} \times \text{dpi}
图片的像素宽度等于物理尺寸乘以分辨率。分辨率越高，同样大小的图越细腻。
  1. 物理宽度 \(w_{\text{inch}}\)图在纸面上的实际尺寸，由 figsize 决定，单位是英寸。
    winch=8w_{\text{inch}} = 8
  2. 分辨率 \(\text{dpi}\)每英寸排列多少个像素点，300 就是每英寸 300 个点。
    dpi=300\text{dpi} = 300
  3. 像素宽度 \(w_{\text{px}}\)最终图片的像素数。8 英寸 × 300 dpi = 2400 像素，足够清晰打印。
    wpx=8×300=2400w_{\text{px}} = 8 \times 300 = 2400

AI 应用场景

科研论文多面板配图

阶段：结果可视化与论文写作

解决的问题：审稿人要求对比实验图信息密度高，单张图放不下基线与多个改进模型；手工用 PS 拼接又容易失真、对不齐坐标轴。用 gridspec 定制布局 + rcParams 统一风格，一套脚本生成论文级别的多面板对比图。

具体案例：某 CV 论文需要展示模型在 4 个数据集上的精度曲线。用 GridSpec(2, 2, width_ratios=[1,1]) 排成 2×2 布局，每格画一个数据集的曲线，viridis 色图区分不同方法，annotate 标出最佳 epoch，最后 savefig('fig.png', dpi=300, bbox_inches='tight') 导出。

量化交易日报仪表盘

阶段：数据监控与日报自动化

解决的问题：传统做法是每天手工打开 Excel 生成多张图再拼进邮件，字体不统一、颜色混乱、耗时 40 分钟。用 subplots(3, 3) 一次性铺出九宫格日报，配合 plt.style.use('ggplot') 统一风格，全自动跑批出图。

具体案例：每天 9 点定时任务生成 3×3 仪表盘：净值曲线、回撤曲线、日收益率分布、板块热力图（imshow + viridis）、相关性矩阵等。rcParams 里统一配置中文字体，领导打开邮件就是一份整整齐齐的专业日报。

机器学习超参数调优可视化

阶段：模型调参与实验记录

解决的问题：网格搜索跑完几百组参数，只看日志数字完全看不出规律。用 colormap 把超参数编码成颜色，散点图 + 注释标出最优区域，规律一目了然。

具体案例：在二维平面上画散点图，横轴是学习率，纵轴是 batch size，点的颜色用 c=验证准确率, cmap='viridis' 编码。colorbar 展示准确率色标，annotate 直接标出全局最优点的参数组合，调参方向瞬间清晰。

Python 演示

python29 行
import matplotlib.pyplot as pltimport numpy as np # 0. 全局装修手册：一次定义，全图生效plt.rcParams["font.size"] = 11plt.rcParams["axes.grid"] = True # 1. 设计师定制隔断：左侧大图、右侧小图fig = plt.figure(figsize=(8, 4))gs = fig.add_gridspec(1, 2, width_ratios=[2, 1]) # 2. 入住两个"房间"ax1 = fig.add_subplot(gs[0])ax2 = fig.add_subplot(gs[1]) x = np.linspace(0, 4 * np.pi, 200)cmap = plt.cm.viridisfor i, f in enumerate([1.0, 0.5]):    ax1.plot(x, np.sin(f * x), color=cmap(i / 2), label="sin({}x)".format(f))ax1.set_title("Main curve")ax1.legend() ax2.barh(["A", "B"], [3, 5], color=[cmap(0.3), cmap(0.7)])ax2.annotate("max", xy=(5, 1), xytext=(0.5, 4.6),             arrowprops={"arrowstyle": "->"}) fig.suptitle("Model Comparison Dashboard")fig.tight_layout()fig.savefig("dashboard.png", dpi=300, bbox_inches="tight")
目的：用一幅图演示全流程——gridspec 定制布局、rcParams 全局样式、viridis 色图、图例与注释，最后高清导出。
  1. plt.rcParams["axes.grid"] = True全局打开网格，所有子图自动带网格线，不用每个 ax 单独设置。
  2. gs = fig.add_gridspec(1, 2, width_ratios=[2, 1])创建一列两行的网格，左边宽度是右边的两倍。
  3. ax1 = fig.add_subplot(gs[0])从网格里取第 0 个格子作为左图，“圈地”建房间。
  4. cmap = plt.cm.viridis选定感知均匀的 viridis 色图，作为全图的统一色卡。
  5. color=cmap(i / 2)将索引 i 归一化后去色卡取色，两条曲线颜色协调不刺眼。
  6. ax2.annotate("max", xy=(5, 1), xytext=(0.5, 4.6), arrowprops={"arrowstyle": "->"})从文本位置画箭头指向柱状图最右侧的峰值点。
  7. fig.savefig("dashboard.png", dpi=300, bbox_inches="tight")以 300 dpi 导出，并裁剪掉多余白边，得到交付级成品图。

常见误区

误区我以为 `plt.subplots(2, 3)` 返回的 `axes` 就是个普通的 list，所以直接写 `axes[0]` 想取第一个子图，结果取回来一长条东西。

正解axes 是 NumPy 的 ndarray，形状是 (2, 3) 的二维数组。想取第 1 行第 2 列的子图要写 axes[0][1]；只有 subplots(1, 3) 这样单行时才是一维数组，axes[0] 才代表第一个子图。把钥匙串想象成一张“房号矩阵”，而不是一串钥匙。

为何常见：大多数教程都用 subplots(1, 2) 举例，一维数组用 axes[0] 恰好能跑通，初学者就误以为它永远是列表。

误区我用了 `subplots` 划分好子图，接着写 `plt.plot()` 画线，发现所有线都挤到了最后一张图上。

正解plt.plot() 操作的是“当前子图”（gca），在子图模式下容易乱的根源在这里。正确做法是拿子图对象调用方法：ax1.plot()、ax1.set_title()。plt 是项目经理，ax 是具体施工队，图纸分好了就要让施工队进房间干活，而不是让项目经理在毛坯房里乱画。

为何常见：Matplotlib 有 pyplot 和面向对象两套 API，教程里混着讲，初学者分不清哪句该配哪句。

误区我画图时标题写中文，出来的全是方框，第一反应是“Matplotlib 不支持中文”，差点换库。

正解Matplotlib 完全支持中文，只是默认字体里没有中文字形。你需要在装修手册里指定一个系统里存在的中文字体：plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']，再加上 plt.rcParams['axes.unicode_minus'] = False 修复负号显示。这是字体配置问题，不是功能缺陷。

为何常见：默认配置跑英文一切正常，中文报错有很强的误导性，很容易被误判为“不支持”。

误区我导出论文图时把 `dpi` 调到了 600，结果文件 50MB，打开还特别卡，图也糊。

正解清晰度是 figsize × dpi 共同决定的，只调 dpi 相当于用同一张底片强行放大像素，反而又大又虚。正确组合是：figsize=(8, 4) 定物理尺寸，dpi=300 定解析力，再加 bbox_inches='tight' 裁掉空白。文件太大时考虑存矢量格式 .pdf 或 .svg，无限放大都不糊。

为何常见：大家直觉认为 dpi 是“清晰度开关”，忘了像素数 = 物理尺寸 × dpi 这个乘法关系。

误区我觉得 `colormap` 就是换皮肤，`jet` 彩虹色又好看又炫酷，直接用它画热力图。

正解jet 是“感知不均匀”色图，中间的青绿过渡区会形成视觉假边界，明明数据连续平滑，图上看却像多了几道坎。viridis 等感知均匀色图保证相邻数据取到的颜色差异一致，色盲友好、灰度打印可区分。选色图不是选衣服，是选“不撒谎的标尺”。

为何常见：jet 是 Matplotlib 老版本默认色图，大家在各种老帖子和软件里见得多，先入为主以为它“专业”。

面试题

Q1. 执行 fig, axes = plt.subplots(2, 3) 后，axes 的形状是什么？

单选题 · easy

  • A.(2, 3)← 正确答案
  • B.(6,)
  • C.(3, 2)
  • D.(2, 2)

答案：A。subplots(nrows, ncols) 返回的 axes 是 NumPy 二维数组，形状为 (nrows, ncols)，即 (2, 3)。就像户型图是 2 行 3 列的房间矩阵，取子图要用 axes[i][j] 双下标。选项 B 是展平后的一维形状，C 是行列写反，D 是行列数都错。

Q2. 在 Matplotlib 中显示中文标题不乱码，正确做法是？

单选题 · easy

  • A.设置 plt.rcParams['font.sans-serif'] = ['SimHei']← 正确答案
  • B.将图片保存为高 dpi
  • C.使用 viridis 色图
  • D.设置 figsize 更大

答案：A。中文乱码是因为默认字体不含中文字形，需要在全局装修手册 rcParams 里指定中文字体，同时建议设置 axes.unicode_minus=False 修复负号。调 dpi、换色图、改尺寸都跟字体渲染无关，属于“头痛医脚”。

Q3. GridSpec 里设置 width_ratios=[3, 1] 表示什么？

单选题 · mid

  • A.两列子图的宽度之比为 3:1← 正确答案
  • B.两行子图的高度之比为 3:1
  • C.子图数量为 3 比 1
  • D.边距与绘图区之比为 3:1

答案：A。width_ratios 控制的是列的宽度比例，[3, 1] 表示左列实际宽度是右列的 3 倍。它对应“设计师定制隔断”：客厅分 3 份宽、卫生间分 1 份宽。高度比例要用 height_ratios，子图数量和边距都不由它控制。

Q4. 以下哪个 colormap 是感知均匀、色盲友好、适合科学数据可视化的？

单选题 · mid

  • A.viridis← 正确答案
  • B.jet
  • C.hsv
  • D.gist_rainbow

答案：A。viridis 从深紫渐变到明黄，感知均匀且对色盲友好，是 Matplotlib 的默认推荐色图。jet 彩虹色会在青绿处产生视觉假边界，hsv 和 gist_rainbow 都是高饱和彩色循环，不适合表达连续数值。选色图像选窗帘，耐看比鲜艳重要。

Q5. 下面哪两个参数是 savefig 导出高清论文图最常用的组合？

单选题 · mid

  • A.dpi=300, bbox_inches='tight'← 正确答案
  • B.figsize=(8, 4), cmap='viridis'
  • C.loc='best', frameon=False
  • D.transparent=True, sharex=True

答案：A。dpi=300 保证分辨率足够印刷，bbox_inches='tight' 自动裁剪掉多余白边，这两个是论文出图的黄金搭档。figsize 是创建画布时用的，cmap 是着色用的，loc/frameon 是图例参数，sharex 是创建子图时的参数，都不属于 savefig 的核心职责。

Q6. 关于 rcParams 与单个子图 ax.set_xxx 的关系，下列说法正确的是？

单选题 · hard

  • A.局部设置可以覆盖全局默认值← 正确答案
  • B.全局 rcParams 会强制覆盖所有局部设置
  • C.两者互不影响
  • D.设置了 rcParams 后就不能再用 ax 接口

答案：A。rcParams 是全局默认值，ax.set_title()、ax.set_xlabel() 等是局部覆盖，遵循“局部优先于全局”的原则。就像房子有统一装修手册，但你可以往某一个房间单独挂一幅画。选项 B 把优先级搞反了，C 忽略了覆盖关系，D 更是无中生有。

Q7. ax.annotate("text", xy=(5, 1), xytext=(0.5, 4.6), arrowprops={"arrowstyle": "->"}) 中 xytext 指定的是？

单选题 · hard

  • A.注释文本的放置位置← 正确答案
  • B.箭头指向的数据点位置
  • C.箭头的颜色与粗细
  • D.坐标轴的范围

答案：A。xytext 是“text 对应的 xy”，即注释文本所在位置；xy 才是箭头指向的目标数据点。从 xytext 到 xy 之间画一条带箭头的线，等价于便利贴贴在一个位置、箭头指向另一个位置。选 B 是把 xy 和 xytext 弄混了。

Q8. 关于 subplots(2, 2, sharex=True)，下列说法正确的有？

多选题 · easy

  • A.四个子图共享 x 轴数值范围← 正确答案
  • B.缩放任意一个子图的 x 轴，其他子图会联动← 正确答案
  • C.默认情况下非顶部的子图 x 轴刻度标签会被隐藏← 正确答案
  • D.四个子图的标题会自动合并

答案：ABC。sharex=True 让所有子图共享 x 轴，数据范围对齐、缩放联动，并且为避免重复显示刻度，默认只保留最底部子图的刻度标签。这就像上下铺的邻居共用一面墙，墙动大家一起动。子图标题不会自动合并，D 错误。

Q9. 关于 colormap 与颜色的理解，正确的有？

多选题 · mid

  • A.viridis 是感知均匀色图← 正确答案
  • B.Normalize(vmin, vmax) 将数据映射到 0-1 区间← 正确答案
  • C.用 c=数值数组, cmap='viridis' 可以让散点按数值着色← 正确答案
  • D.jet 最适合表达连续型数据

答案：ABC。归一化公式 z' = (z - z_min) / (z_max - z_min) 正是 Normalize 做的事，拿到 0-1 的值再去色图取色，散点图就能按数值着色。viridis 感知均匀、色盲友好。而 jet 会在青绿处产生视觉假边界，不适合连续数据，D 错误。

Q10. 为了给论文生成高清无白边的配图，以下做法正确的有？

多选题 · hard

  • A.fig.savefig("fig.png", dpi=300, bbox_inches="tight")← 正确答案
  • B.plt.rcParams["font.size"] = 11 保证字体统一← 正确答案
  • C.同时导出 .png 和 .pdf，位图与矢量图双保险← 正确答案
  • D.只要把 dpi 调到 1000，其他参数不用管

答案：ABC。高清出图是组合拳：dpi=300 给足解析力，bbox_inches='tight' 裁掉白边，全局字体配置保证各子图文字统一，双格式导出让投稿、演示都方便。只调 dpi 会导致文件巨大且裁剪不当，D 漏掉了最关键的因素。