Python 数据可视化（二）：多曲线对比、局部放大框（附源码）

在上一篇博客中我们成功配置了所向披靡的VS Code Conda 数据可视化环境。环境有了画笔就位了今天我们就来动真格的——手把手写代码把数据变成能放进报告或论文的高清图步骤 0画图前的准备——什么是 CSV很多小白一提到“数据导入”就头疼。其实无论你用 Python 画什么神仙图表核心逻辑只有一步喂给 Python 数据Python 还你一张图。最常用的数据格式就是CSV逗号分隔值Comma-Separated Values。 你可以把它理解为“扒了衣服的 Excel 表格”。它没有任何字体、颜色或边框格式纯粹用逗号把数据隔开体积小读取极快是所有编程语言的“通用普通话”。注除了 CSVPython 的pandas库同样可以轻松秒读.xlsx(Excel)、.txt甚至.json格式的数据。只要你的数据整理好了画图就成功了 80%步骤 1背景的魔法——普通白底图 vs 透明背景图在写论文或做 PPT 的汇报时我们会面临两种截然不同的场景白纸黑字写论文此时你需要一张带白色实心背景的常规图表干干净净对比度高。做精美 PPT 或嵌套流程图如果你想把折线图无缝嵌到一个有颜色的 PPT 背景里或者放进一张复杂的 Visio 架构图中白底图就会像一块难看的“狗皮膏药”。这时候你需要的就是透明背景图看看下面这两张图的区别你就全明白了图 1透明背景图。无论放在什么颜色的 PPT 模板上都能完美融入没有突兀的白边。注意看图中的灰色棋盘格代表背景是完全透明的图 2常规白底图。适合直接插入 Word 文档或作为标准配图干净清爽。接下来我们就用实际代码教你把这两种图都画出来步骤 2实战演练基础篇 vs 进阶篇代码解析1. 基础篇绘制标准白底折线图以原容量数据为例这端代码非常适合刚上手的小白它的目标很明确把 CSV 里的单列数据读出来画成一条学术风的折线。核心知识点使用headerNone告诉 Python 表格里全是纯数字没有表头名字。设置全局字体为Times New Roman符合国际学术规范。bbox_inchestight让保存的图片自动裁剪多余空白。 基础版 Python 源码import pandas as pd import numpy as np import matplotlib.pyplot as plt ​ def plot_full_original_capacity(dataset_name, start_cycle, y_label, color, file_path): # 1. 加载无表头的数据 (headerNone 是关键告诉 Pandas 里面全是纯数字) try: df pd.read_csv(file_path, headerNone) except FileNotFoundError: print(f❌ 错误未找到文件 {file_path}请检查文件是否在当前文件夹下) return ​ # 提取第一列的真实容量值 actual df.iloc[:, 0].values cycles np.arange(start_cycle, start_cycle len(actual)) # 2. 学术论文风格配置 plt.rcParams[font.family] serif plt.rcParams[font.serif] [Times New Roman] plt.rcParams[axes.linewidth] 1.2 fig, ax plt.subplots(figsize(10, 5), dpi300) # dpi300 保证高清 # 3. 绘制曲线 ax.plot(cycles, actual, colorcolor, linewidth2, labelfOriginal Capacity ({dataset_name})) # 4. 图表修饰 (坐标轴、网格、图例) ax.set_xlabel(Cycle Number, fontweightbold, fontsize12) ax.set_ylabel(y_label, fontweightbold, fontsize12) ax.set_title(fOriginal Battery Capacity Data - {dataset_name}, fontweightbold, fontsize14) ax.grid(True, linestyle:, alpha0.6) ax.legend(locupper right, frameonTrue, edgecolorblack, fontsize10) plt.tight_layout() output_png f{dataset_name}_Full_Original_Capacity.png plt.savefig(output_png, bbox_inchestight) plt.close() print(f 成功生成并保存了图片: {output_png}) ​ # 运行部分 plot_full_original_capacity(NASA_B0005, 1, Capacity (Ah), #1f77b4, B5.csv)图 3基础代码生成的 NASA_B0005 容量数据图学术感拉满。2. 进阶篇多模型对比 局部放大框 透明背景图如果你的导师要求“把咱们预测的模型和别人的模型放在一张图里对比再加个局部放大框看细节”怎么办别慌下面这段进阶代码直接帮你封神核心知识点高能预警背景透明术使用fig.patch.set_alpha(0.0)和plt.savefig(..., transparentTrue)联合魔法榨干最后一滴背景色。局部放大镜使用ax.inset_axes在大图中嵌套一个小图表用mark_inset画出阴影连线逼格极高 进阶版 Python 源码局部import pandas as pd import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.axes_grid1.inset_locator import inset_axes, mark_inset ​ # ... (数据读取部分省略核心展示画图逻辑) ... ​ # 1. 学术标准配置 fig, ax plt.subplots(figsize(10, 6), dpi300) ​ # 【核心修改背景透明化】 fig.patch.set_alpha(0.0) # 总画布背景透明 ax.patch.set_alpha(0.0) # 主图背景透明 ​ # 2. 绘制多条曲线 (真实值与多个预测模型对比) ax.plot(cycles, actual, labelTrue Capacity, colorblack, linewidth2.5, zorder10) # ... (通过循环绘制其他几条预测曲线并设置不同线型和颜色) ... ​ # 3. 图例透明背景 legend ax.legend(locupper right, frameonTrue, edgecolorblack, fontsize11) legend.get_frame().set_alpha(0.0) # 图例框透明 ​ # 4. 【高阶操作】添加局部放大框 (放置在 inset_bbox 指定位置) axins ax.inset_axes([0.05, 0.05, 0.4, 0.35]) axins.patch.set_alpha(0.0) # 放大框背景也要透明 # ... (在放大框内再次绘制需要放大的曲线段) ... ​ # 用阴影线连接主图和放大框 (loc1 和 loc2 控制连线的角) mark_inset(ax, axins, loc13, loc24, fcnone, ecblack, lw1, alpha0.5) ​ plt.tight_layout() # 【关键保存时设置 transparentTrue】 plt.savefig(Prediction_Transparent.png, transparentTrue, bbox_inchestight) plt.show()图 4进阶代码生成的成果包含了多模型预测曲线对比、精准的局部细节放大框以及最核心的“透明化”处理在黑色阅图器下完美显现极客质感。结语从一行简单的pd.read_csv到最后用inset_axes玩转空间布局Python 赋予了我们科研绘图无限的自由度。有了这两段代码作为模板以后再遇到什么新的数据集你只需要改改文件名、换换颜色3 秒钟就能出一张神图如果你觉得这篇教程对你的论文写作有帮助别忘了点个赞 、点个收藏 ⭐ 支持一下博主哦如果代码运行遇到任何问题随时在评论区找我我们下期再见