1. 项目概述为什么用Python画函数图是门必修课刚接触Python那会儿我总觉得画图是数据分析师或者科研人员才需要掌握的技能直到自己开始做项目才发现这想法太天真了。无论是调试一个算法、向非技术同事解释一个模型的行为还是单纯想看看某个数学公式长什么样能把函数图像画出来都是一个极其直观且高效的工具。Python在这方面的能力尤其是结合Matplotlib、NumPy这些库强大到让你几乎可以“为所欲为”。今天我就以一个过来人的身份拆解一下用Python绘制函数图像的完整流程从最基础的安装环境到画出第一张图再到处理那些让人头疼的细节问题比如坐标轴比例、图例美化、多子图布局等等。无论你是学生、工程师还是任何需要和数据、公式打交道的从业者掌握这套方法都能让你的工作效率和表达清晰度提升一个档次。2. 环境准备与核心库选型2.1 Python环境搭建选对版本事半功倍很多人卡在第一步。现在Python主流版本是3.8我强烈建议直接安装Python 3.9或3.10的稳定版。去Python官网下载安装包时记得勾选“Add Python to PATH”这个选项这是为了把Python和pip包管理工具添加到系统环境变量让你能在命令行CMD或终端里直接调用。安装完成后打开命令行输入python --version和pip --version如果都能正确显示版本号说明环境基本没问题了。注意如果你之前安装过老版本的Python比如2.7系统里可能会有多个Python共存。这时候命令行输入python可能指向老版本。一个解决办法是使用python3和pip3命令或者通过修改环境变量顺序来确保新版本优先。至于集成开发环境IDE新手用VS Code或PyCharm都行。VS Code轻量灵活需要自己配置Python扩展和环境PyCharm开箱即用功能强大但稍显笨重。我个人更偏爱VS Code配置好后用起来非常顺手。在VS Code里你需要安装官方的“Python”扩展然后通过CtrlShiftP打开命令面板输入“Python: Select Interpreter”来选择你刚安装的Python解释器。这一步至关重要它决定了你的代码在哪个Python环境下运行。2.2 绘图库的“三驾马车”NumPy, Matplotlib, 有时还有SciPy画函数图本质上就两步计算和绘图。对应的核心库就是NumPy和Matplotlib。NumPy是科学计算的基石。函数图像是由无数个点(x, y)连接而成的。我们不可能手动计算每一个点这就需要NumPy的数组ndarray和向量化运算。比如要生成从-10到10之间均匀分布的1000个点一行代码x np.linspace(-10, 10, 1000)就搞定了然后通过y x**2就能一次性得到所有对应的y值。这种效率是纯Python循环无法比拟的。Matplotlib是绘图领域的事实标准尤其是其子模块pyplot它提供了一套类似MATLAB的绘图接口非常容易上手。我们95%的二维函数绘图工作用import matplotlib.pyplot as plt就能完成。SciPy是一个基于NumPy构建的更高级的科学计算库。当你需要绘制一些特殊函数如贝塞尔函数、误差函数的图像时NumPy可能没有直接提供但SciPy里很可能有现成的实现。所以它属于“按需安装”的增强包。安装这些库非常简单在命令行里执行以下命令即可确保网络通畅pip install numpy matplotlib scipy如果下载速度慢可以使用国内的镜像源例如清华源pip install numpy matplotlib scipy -i https://pypi.tuna.tsinghua.edu.cn/simple3. 从零绘制你的第一张函数图像3.1 基础绘图四步法正弦波示例理论说再多不如动手画一张。我们以最经典的正弦函数y sin(x)为例看看如何用四步画出它的图像。第一步导入库并生成数据这是所有绘图脚本的开头。import numpy as np import matplotlib.pyplot as plt # 生成x数据在[-2π, 2π]区间内生成500个等间隔的点 x np.linspace(-2*np.pi, 2*np.pi, 500) # 计算对应的y值 y np.sin(x)这里np.linspace(start, stop, num)比np.arange更常用在绘图上因为它能精确控制生成的点数确保曲线平滑。500个点对于正弦波这种平滑函数已经足够。第二步创建画布和坐标系并绘制线图# 创建一个图形figure和一个坐标系axes fig, ax plt.subplots() # 绘制线图b- 代表蓝色实线lw是线宽 ax.plot(x, y, b-, labelsin(x), linewidth2)plt.subplots()是创建图形和坐标系的推荐方式它返回两个对象fig代表整个图形窗口ax代表具体的绘图区域后续所有的定制化操作都通过ax对象进行。label参数是为这条曲线起个名字方便后面添加图例。第三步美化图像添加标签、标题、网格等一张专业的图绝不能只有一根线。# 设置x轴和y轴的标签 ax.set_xlabel(X Axis, fontsize12) ax.set_ylabel(Y Axis, fontsize12) # 设置图表标题 ax.set_title(Sine Function Plot, fontsize14, fontweightbold) # 添加网格线使用浅灰色虚线透明度0.5 ax.grid(True, linestyle--, alpha0.5) # 添加图例自动根据plot时的label定位 ax.legend() # 设置x轴刻度为π的倍数让图像更易读 ax.set_xticks([-2*np.pi, -np.pi, 0, np.pi, 2*np.pi]) ax.set_xticklabels([-2π, -π, 0, π, 2π])这些美化步骤是区分“能画图”和“会画图”的关键。网格线能辅助读数恰当的刻度标签尤其是对于三角函数能极大提升图像的信息量。第四步显示或保存图像# 调整图形布局防止标签被截断 plt.tight_layout() # 显示图像在Jupyter Notebook或交互式环境中 plt.show() # 如果需要保存为文件如PNG、PDF、SVG格式 # fig.savefig(sine_function.png, dpi300, bbox_inchestight)plt.tight_layout()是一个神级函数它能自动调整子图参数使标签、标题等元素不会相互重叠或被截断。savefig的dpi参数控制输出图像的分辨率用于出版或报告时建议设为300或更高bbox_inchestight可以裁掉图形周围多余的白边。3.2 绘制多个函数与样式定制一张图上对比多个函数是常见需求。直接在同一个ax上多次调用plot即可。x np.linspace(-5, 5, 300) y1 x**2 # 二次函数 y2 np.exp(x) # 指数函数 y3 np.log1p(abs(x) 1e-6) # 对数函数处理x接近0的情况 fig, ax plt.subplots(figsize(10, 6)) # 指定图形大小 ax.plot(x, y1, r--, label$y x^2$, lw2.5) # 红色虚线 ax.plot(x, y2, g:, label$y e^x$, lw2) # 绿色点线 ax.plot(x, y3, b-, label$y \ln(|x|1)$, lw2) # 蓝色实线 ax.set_xlabel(x) ax.set_ylabel(y) ax.set_title(Comparison of Different Functions) ax.grid(True, alpha0.3) ax.legend() # 设置y轴为对数尺度方便观察指数和对数函数的巨大差异 ax.set_yscale(log) ax.set_ylim(bottom1e-2) # 设置y轴下限避免对数尺度下出现0或负值 plt.tight_layout() plt.show()这里有几个关键点样式字符串r--中r代表红色(red)--代表虚线。这是Matplotlib的快捷语法。其他常见颜色b蓝g绿k黑m洋红线型-实线:点线-.点划线。LaTeX数学公式在label或title中使用$...$包裹文本Matplotlib会自动将其渲染为数学公式这对于学术图表至关重要。对数坐标轴ax.set_yscale(log)将y轴设置为对数尺度。当数据跨度非常大时如指数函数使用对数坐标可以让图形更清晰。对应的还有set_xscale(log)。图形尺寸figsize(width, height)参数以英寸为单位控制图形大小长宽比需要根据数据特性调整。4. 进阶技巧与复杂函数处理4.1 处理奇异点与不连续函数有些函数在某些点无定义或趋于无穷直接绘图会导致图像断裂或警告。例如正切函数y tan(x)在x π/2 kπ处有垂直渐近线。错误做法x np.linspace(-2*np.pi, 2*np.pi, 1000) y np.tan(x) # 在渐近线附近会产生无穷大值破坏图形 plt.plot(x, y)这会导致图像出现连接渐近线两侧的竖直线严重失真。正确做法使用掩码Maskingx np.linspace(-2*np.pi, 2*np.pi, 2000) y np.tan(x) # 创建一个掩码将y值绝对值过大的点接近渐近线标记为True # np.pi/2 的奇数倍附近是奇点 with np.errstate(divideignore, invalidignore): # 忽略计算中的警告 mask np.abs(np.cos(x)) 1e-10 # 当cos(x)接近0时tan(x)趋于无穷 # 将奇点附近的y值设为NaNMatplotlib绘图时会自动断开 y_masked y.copy() y_masked[mask] np.nan fig, ax plt.subplots(figsize(12, 6)) ax.plot(x, y_masked, b-, lw1.5, labeltan(x)) ax.set_ylim(-10, 10) # 手动限制y轴范围避免无穷大撑爆图形 ax.set_xlabel(x) ax.set_ylabel(y) ax.set_title(Tangent Function with Asymptotes) ax.grid(True, alpha0.3) ax.legend() ax.set_xticks([-2*np.pi, -3*np.pi/2, -np.pi, -np.pi/2, 0, np.pi/2, np.pi, 3*np.pi/2, 2*np.pi]) ax.set_xticklabels([-2π, -3π/2, -π, -π/2, 0, π/2, π, 3π/2, 2π]) # 添加渐近线虚线 for asymptote in [-3*np.pi/2, -np.pi/2, np.pi/2, 3*np.pi/2]: ax.axvline(xasymptote, colorred, linestyle:, alpha0.7, linewidth1) plt.tight_layout() plt.show()核心技巧在于np.nan。Matplotlib在绘制时遇到NaNNot a Number值会自动断开连线从而完美呈现函数的不连续特性。ax.axvline和ax.axhline可以方便地添加垂直或水平参考线。4.2 绘制参数方程与极坐标图像并非所有函数都能写成yf(x)的显式形式。参数方程(x(t), y(t))和极坐标方程rf(θ)也很常见。绘制摆线参数方程t np.linspace(0, 4*np.pi, 1000) r 1 # 滚动圆的半径 # 摆线参数方程 x r * (t - np.sin(t)) y r * (1 - np.cos(t)) fig, ax plt.subplots(figsize(10, 5)) ax.plot(x, y, darkblue, lw2.5, labelCycloid) ax.set_xlabel(x) ax.set_ylabel(y) ax.set_title(Cycloid Curve (Parametric Plot)) ax.grid(True, alpha0.3) ax.legend() ax.set_aspect(equal) # 关键设置纵横比为1:1防止图形被拉伸变形 plt.tight_layout() plt.show()对于参数方程关键是分别计算出x和y关于参数t的数组。ax.set_aspect(equal)确保了x轴和y轴的单位长度相等图形不会失真这在绘制几何曲线时非常重要。绘制玫瑰线极坐标 Matplotlib原生支持极坐标子图。theta np.linspace(0, 2*np.pi, 1000) # 玫瑰线方程r a * cos(k*theta) 或 r a * sin(k*theta) k 5 r np.cos(k * theta) fig plt.figure(figsize(7, 7)) # 创建极坐标子图参数 projectionpolar ax fig.add_subplot(111, projectionpolar) ax.plot(theta, r, crimson, lw2.5, labelf$r \\cos({k}\\theta)$) ax.set_title(Polar Plot: Rose Curve, vabottom, fontsize14) ax.legend(locupper right) ax.grid(True) plt.tight_layout() plt.show()只需在创建子图时指定projectionpolar后续的plot函数中第一个参数就是角度theta弧度制第二个参数是半径r。其他设置标题、图例、网格与直角坐标系类似。4.3 三维函数曲面与等高线图对于二元函数z f(x, y)我们需要绘制三维曲面或二维等高线。这需要用到mpl_toolkits.mplot3d和contour函数。三维曲面图from mpl_toolkits.mplot3d import Axes3D # 导入3D绘图工具 # 生成二维网格数据 x np.linspace(-5, 5, 100) y np.linspace(-5, 5, 100) X, Y np.meshgrid(x, y) # 关键将一维数组转换为二维网格 # 定义二元函数例如钟形曲面 Z np.exp(-0.1 * (X**2 Y**2)) * np.cos(0.5 * X) * np.cos(0.5 * Y) fig plt.figure(figsize(14, 6)) # 子图1三维曲面 ax1 fig.add_subplot(121, projection3d) surf ax1.plot_surface(X, Y, Z, cmapviridis, edgecolornone, alpha0.9, antialiasedTrue) ax1.set_xlabel(X) ax1.set_ylabel(Y) ax1.set_zlabel(Z) ax1.set_title(3D Surface Plot) fig.colorbar(surf, axax1, shrink0.5, aspect10, labelZ value) # 添加颜色条 # 子图2等高线图 ax2 fig.add_subplot(122) contour ax2.contourf(X, Y, Z, levels20, cmapviridis) # 填充等高线 ax2.contour(X, Y, Z, levels20, colorsblack, alpha0.5, linewidths0.5) # 绘制等高线 ax2.set_xlabel(X) ax2.set_ylabel(Y) ax2.set_title(Contour Plot) ax2.set_aspect(equal) fig.colorbar(contour, axax2, shrink0.8, labelZ value) plt.tight_layout() plt.show()这里有几个核心技术点np.meshgrid这是绘制三维图的基础。它将两个一维数组x和y转换成两个二维数组X和Y使得每一个(X[i,j], Y[i,j])都构成一个网格点从而可以计算对应的Z[i,j]。plot_surface绘制三维曲面。cmap参数指定颜色映射viridis,plasma,coolwarm等都是不错的选择alpha控制透明度antialiased开启抗锯齿让图像更平滑。contourf与contourcontourf绘制填充颜色的等高线图levels控制等高线的数量或具体值。在其之上再叠加一个contour绘制黑色等高线可以让层次更分明。colorbar为图像添加颜色条直观显示数值与颜色的对应关系。shrink参数可以调整颜色条的长度。5. 实战绘制复杂函数与动态可视化5.1 绘制自定义复杂函数以Sigmoid族为例在机器学习和神经网络中Sigmoid函数及其变种如Softmax非常重要。Softmax函数将一个向量映射为概率分布其图像通常是多维的。但我们可以通过固定其他维度来观察某一维输出的变化。这里我们绘制标准的Sigmoid函数及其导数。def sigmoid(x): return 1 / (1 np.exp(-x)) def sigmoid_derivative(x): s sigmoid(x) return s * (1 - s) x np.linspace(-10, 10, 500) y_sig sigmoid(x) y_der sigmoid_derivative(x) fig, axes plt.subplots(1, 2, figsize(13, 5)) # 子图1Sigmoid函数 ax1 axes[0] ax1.plot(x, y_sig, b-, lw3, labelSigmoid: $\\sigma(x) \\frac{1}{1e^{-x}}$) ax1.axhline(y0.5, colorgray, linestyle:, alpha0.7) ax1.axvline(x0, colorgray, linestyle:, alpha0.7) ax1.set_xlabel(x) ax1.set_ylabel($\\sigma(x)$) ax1.set_title(Sigmoid Function) ax1.grid(True, alpha0.3) ax1.legend(fontsize11) ax1.set_ylim(-0.1, 1.1) # 子图2Sigmoid函数的导数 ax2 axes[1] ax2.plot(x, y_der, r-, lw3, labelSigmoid: $\\sigma(x)(1-\\sigma(x))$) ax2.axvline(x0, colorgray, linestyle:, alpha0.7) ax2.set_xlabel(x) ax2.set_ylabel($\\sigma(x)$) ax2.set_title(Derivative of Sigmoid Function) ax2.grid(True, alpha0.3) ax2.legend(fontsize11) ax2.set_ylim(-0.1, 0.3) plt.tight_layout() plt.show()这个例子展示了如何将自定义函数封装起来并进行多子图对比。添加参考线axhline,axvline能清晰地标出函数的特征点如Sigmoid的中心点(0, 0.5)和导数最大值点。5.2 创建动态函数图像动画静态图有时无法展示函数参数变化时的动态过程。Matplotlib的动画模块animation可以帮我们创建GIF或视频。下面展示一个正弦波频率逐渐变化的动画。import matplotlib.animation as animation from IPython.display import HTML # 在Jupyter中内嵌显示动画 fig, ax plt.subplots(figsize(10, 6)) ax.set_xlim(0, 4*np.pi) ax.set_ylim(-1.5, 1.5) ax.set_xlabel(x) ax.set_ylabel(y) ax.set_title(Dynamic Sine Wave: $y \\sin(\\omega x)$) ax.grid(True, alpha0.3) line, ax.plot([], [], b-, lw3) # 初始化一个空的线对象 omega_text ax.text(0.02, 0.95, , transformax.transAxes, fontsize14, verticalalignmenttop, bboxdict(boxstyleround, facecolorwheat, alpha0.8)) # 初始化函数设定动画每一帧开始时的状态 def init(): line.set_data([], []) omega_text.set_text() return line, omega_text # 动画更新函数i是帧索引 def update(i): omega 0.5 i * 0.05 # 角频率omega随帧数增加 x np.linspace(0, 4*np.pi, 500) y np.sin(omega * x) line.set_data(x, y) # 更新线的数据 omega_text.set_text(f$\\omega {omega:.2f}$) # 更新文本 return line, omega_text # 创建动画对象frames50表示50帧interval100表示每帧间隔100毫秒blitTrue优化渲染 ani animation.FuncAnimation(fig, update, frames50, init_funcinit, interval100, blitTrue, repeatTrue) # 在Jupyter中显示 # HTML(ani.to_jshtml()) # 保存为GIF文件需要安装imagemagick或pillow # ani.save(sine_wave_animation.gif, writerpillow, fps10) plt.close(fig) # 防止静态图也显示出来 # 如果要保存为HTML文件在网页中查看 # ani.save(animation.html, writerhtml)注意生成动画对计算资源有一定要求帧数不宜过多。在Jupyter中直接运行上述代码可能会因为后端问题无法显示动画通常需要额外配置或使用%matplotlib notebook魔术命令。更稳妥的方式是将动画保存为GIF或MP4文件后再查看。保存GIF需要安装Pillow库 (pip install pillow)。6. 常见问题、性能优化与输出技巧6.1 绘图常见问题与排查在实际操作中你肯定会遇到各种奇怪的问题。下面这个表格整理了一些典型问题及解决方法。问题现象可能原因解决方案图形不显示或一闪而过1. 非交互式环境如脚本中未调用plt.show()。2. 在Jupyter中使用了错误的魔术命令。1. 脚本末尾务必加上plt.show()。2. 在Jupyter开头使用%matplotlib inline静态图或%matplotlib notebook交互图。中文显示为方框系统或Matplotlib未配置中文字体。1.临时方案在代码中指定字体。plt.rcParams[font.sans-serif] [SimHei](黑体)plt.rcParams[axes.unicode_minus] False(解决负号显示问题)2.永久方案修改Matplotlib配置文件添加中文字体路径。保存的图片模糊或有锯齿保存时分辨率DPI设置过低。在savefig时提高dpi参数如dpi300。对于矢量图可保存为PDF或SVG格式。图例、标签或标题显示不全图形布局过于紧凑元素被裁剪。在plt.show()或savefig前调用plt.tight_layout()自动调整。或手动使用plt.subplots_adjust()调整边距。曲线看起来不平滑有棱角采样点np.linspace的第三个参数数量太少。增加采样点数量例如从100增加到500或1000。对于变化剧烈的函数需要更多点。三维图旋转/查看角度不佳默认视角不适合当前数据。对于3D图使用ax.view_init(elev仰角, azim方位角)来调整视角。多试几次找到最佳角度。绘制大量数据点时程序变慢或卡死一次性渲染过多数据点。1. 对数据进行下采样只绘制一部分代表点。2. 使用更高效的绘图后端如%matplotlib widget。3. 考虑使用专门的大数据可视化库如Datashader。6.2 性能优化与高质量输出当需要绘制非常复杂的函数或大量数据时性能可能成为瓶颈。这里有几个优化方向减少数据点这是最直接有效的方法。在保持图形特征的前提下使用np.linspace减少点数或对已有数据进行随机采样x_sparse x[::10]每隔10个点取一个。使用更快的绘图函数对于简单的散点图ax.scatter在大数据量下很慢可以尝试ax.plot并设置marker.和linestylenone或者使用ax.hexbin进行二维密度统计绘图。选择高效的后端Matplotlib有多种渲染后端。TkAgg,Qt5Agg适合交互Agg是无显示器的纯渲染后端适合在服务器上生成图片。可以通过matplotlib.use(Agg)在导入pyplot之前设置。高质量输出用于出版学术出版对图片质量要求极高。我的经验是格式选择优先使用PDF或SVG格式它们是矢量图无限放大不模糊。fig.savefig(plot.pdf)。PNG格式则需指定高DPI如dpi600。字体嵌入如果图中包含特殊字体或中文保存为PDF时需确保字体嵌入。可以通过配置rcParams或使用pdf.fonttype参数控制。尺寸控制期刊通常对图片宽度有要求如单栏8cm双栏16cm。在创建图形时就要通过figsize设置好物理尺寸英寸并配合dpi计算像素。例如要求宽度8cmDPI 600则宽度英寸为8/2.54≈3.15创建时用figsize(3.15, 高度)。6.3 个性化主题与样式切换Matplotlib默认的样式可能不符合你的审美或报告要求。除了手动设置每一项属性还可以一键切换全局样式。# 查看所有可用的内置样式 print(plt.style.available) # 使用内置样式如‘ggplot’, ‘seaborn’, ‘dark_background’ plt.style.use(seaborn-v0_8-whitegrid) # 使用seaborn风格的白色网格背景 x np.linspace(0, 10, 100) y np.sin(x) fig, ax plt.subplots(figsize(8, 5)) ax.plot(x, y, labelsin(x)) ax.set_xlabel(x) ax.set_ylabel(y) ax.set_title(Plot with Seaborn Style) ax.legend() plt.tight_layout() plt.show() # 切换回默认样式 plt.style.use(default)plt.style.use()会改变之后创建的所有图形的样式。你还可以创建自己的.mplstyle样式文件将常用的颜色、线宽、字体等配置写进去实现团队内的绘图风格统一。踩过这么多坑画过上百张图之后我最大的体会是绘图是一项80%靠思考20%靠代码的工作。在动手写代码之前想清楚你要展示什么信息、给谁看、重点在哪里这决定了你选择二维还是三维、用线性坐标还是对数坐标、突出哪些曲线、如何标注。Python和Matplotlib给了你一套无比强大的工具箱但最终画出一张清晰、准确、美观的图靠的是你对数据和问题的理解。多看看顶尖期刊或科技公司报告里的图表模仿他们的设计你的绘图水平会提升得非常快。最后一个小技巧把常用的绘图配置如字体、颜色循环、图例样式写成一个单独的Python模块或Jupyter Notebook开头每次绘图时导入能节省大量重复劳动的时间。
1. 项目概述为什么用Python画函数图是门必修课刚接触Python那会儿我总觉得画图是数据分析师或者科研人员才需要掌握的技能直到自己开始做项目才发现这想法太天真了。无论是调试一个算法、向非技术同事解释一个模型的行为还是单纯想看看某个数学公式长什么样能把函数图像画出来都是一个极其直观且高效的工具。Python在这方面的能力尤其是结合Matplotlib、NumPy这些库强大到让你几乎可以“为所欲为”。今天我就以一个过来人的身份拆解一下用Python绘制函数图像的完整流程从最基础的安装环境到画出第一张图再到处理那些让人头疼的细节问题比如坐标轴比例、图例美化、多子图布局等等。无论你是学生、工程师还是任何需要和数据、公式打交道的从业者掌握这套方法都能让你的工作效率和表达清晰度提升一个档次。2. 环境准备与核心库选型2.1 Python环境搭建选对版本事半功倍很多人卡在第一步。现在Python主流版本是3.8我强烈建议直接安装Python 3.9或3.10的稳定版。去Python官网下载安装包时记得勾选“Add Python to PATH”这个选项这是为了把Python和pip包管理工具添加到系统环境变量让你能在命令行CMD或终端里直接调用。安装完成后打开命令行输入python --version和pip --version如果都能正确显示版本号说明环境基本没问题了。注意如果你之前安装过老版本的Python比如2.7系统里可能会有多个Python共存。这时候命令行输入python可能指向老版本。一个解决办法是使用python3和pip3命令或者通过修改环境变量顺序来确保新版本优先。至于集成开发环境IDE新手用VS Code或PyCharm都行。VS Code轻量灵活需要自己配置Python扩展和环境PyCharm开箱即用功能强大但稍显笨重。我个人更偏爱VS Code配置好后用起来非常顺手。在VS Code里你需要安装官方的“Python”扩展然后通过CtrlShiftP打开命令面板输入“Python: Select Interpreter”来选择你刚安装的Python解释器。这一步至关重要它决定了你的代码在哪个Python环境下运行。2.2 绘图库的“三驾马车”NumPy, Matplotlib, 有时还有SciPy画函数图本质上就两步计算和绘图。对应的核心库就是NumPy和Matplotlib。NumPy是科学计算的基石。函数图像是由无数个点(x, y)连接而成的。我们不可能手动计算每一个点这就需要NumPy的数组ndarray和向量化运算。比如要生成从-10到10之间均匀分布的1000个点一行代码x np.linspace(-10, 10, 1000)就搞定了然后通过y x**2就能一次性得到所有对应的y值。这种效率是纯Python循环无法比拟的。Matplotlib是绘图领域的事实标准尤其是其子模块pyplot它提供了一套类似MATLAB的绘图接口非常容易上手。我们95%的二维函数绘图工作用import matplotlib.pyplot as plt就能完成。SciPy是一个基于NumPy构建的更高级的科学计算库。当你需要绘制一些特殊函数如贝塞尔函数、误差函数的图像时NumPy可能没有直接提供但SciPy里很可能有现成的实现。所以它属于“按需安装”的增强包。安装这些库非常简单在命令行里执行以下命令即可确保网络通畅pip install numpy matplotlib scipy如果下载速度慢可以使用国内的镜像源例如清华源pip install numpy matplotlib scipy -i https://pypi.tuna.tsinghua.edu.cn/simple3. 从零绘制你的第一张函数图像3.1 基础绘图四步法正弦波示例理论说再多不如动手画一张。我们以最经典的正弦函数y sin(x)为例看看如何用四步画出它的图像。第一步导入库并生成数据这是所有绘图脚本的开头。import numpy as np import matplotlib.pyplot as plt # 生成x数据在[-2π, 2π]区间内生成500个等间隔的点 x np.linspace(-2*np.pi, 2*np.pi, 500) # 计算对应的y值 y np.sin(x)这里np.linspace(start, stop, num)比np.arange更常用在绘图上因为它能精确控制生成的点数确保曲线平滑。500个点对于正弦波这种平滑函数已经足够。第二步创建画布和坐标系并绘制线图# 创建一个图形figure和一个坐标系axes fig, ax plt.subplots() # 绘制线图b- 代表蓝色实线lw是线宽 ax.plot(x, y, b-, labelsin(x), linewidth2)plt.subplots()是创建图形和坐标系的推荐方式它返回两个对象fig代表整个图形窗口ax代表具体的绘图区域后续所有的定制化操作都通过ax对象进行。label参数是为这条曲线起个名字方便后面添加图例。第三步美化图像添加标签、标题、网格等一张专业的图绝不能只有一根线。# 设置x轴和y轴的标签 ax.set_xlabel(X Axis, fontsize12) ax.set_ylabel(Y Axis, fontsize12) # 设置图表标题 ax.set_title(Sine Function Plot, fontsize14, fontweightbold) # 添加网格线使用浅灰色虚线透明度0.5 ax.grid(True, linestyle--, alpha0.5) # 添加图例自动根据plot时的label定位 ax.legend() # 设置x轴刻度为π的倍数让图像更易读 ax.set_xticks([-2*np.pi, -np.pi, 0, np.pi, 2*np.pi]) ax.set_xticklabels([-2π, -π, 0, π, 2π])这些美化步骤是区分“能画图”和“会画图”的关键。网格线能辅助读数恰当的刻度标签尤其是对于三角函数能极大提升图像的信息量。第四步显示或保存图像# 调整图形布局防止标签被截断 plt.tight_layout() # 显示图像在Jupyter Notebook或交互式环境中 plt.show() # 如果需要保存为文件如PNG、PDF、SVG格式 # fig.savefig(sine_function.png, dpi300, bbox_inchestight)plt.tight_layout()是一个神级函数它能自动调整子图参数使标签、标题等元素不会相互重叠或被截断。savefig的dpi参数控制输出图像的分辨率用于出版或报告时建议设为300或更高bbox_inchestight可以裁掉图形周围多余的白边。3.2 绘制多个函数与样式定制一张图上对比多个函数是常见需求。直接在同一个ax上多次调用plot即可。x np.linspace(-5, 5, 300) y1 x**2 # 二次函数 y2 np.exp(x) # 指数函数 y3 np.log1p(abs(x) 1e-6) # 对数函数处理x接近0的情况 fig, ax plt.subplots(figsize(10, 6)) # 指定图形大小 ax.plot(x, y1, r--, label$y x^2$, lw2.5) # 红色虚线 ax.plot(x, y2, g:, label$y e^x$, lw2) # 绿色点线 ax.plot(x, y3, b-, label$y \ln(|x|1)$, lw2) # 蓝色实线 ax.set_xlabel(x) ax.set_ylabel(y) ax.set_title(Comparison of Different Functions) ax.grid(True, alpha0.3) ax.legend() # 设置y轴为对数尺度方便观察指数和对数函数的巨大差异 ax.set_yscale(log) ax.set_ylim(bottom1e-2) # 设置y轴下限避免对数尺度下出现0或负值 plt.tight_layout() plt.show()这里有几个关键点样式字符串r--中r代表红色(red)--代表虚线。这是Matplotlib的快捷语法。其他常见颜色b蓝g绿k黑m洋红线型-实线:点线-.点划线。LaTeX数学公式在label或title中使用$...$包裹文本Matplotlib会自动将其渲染为数学公式这对于学术图表至关重要。对数坐标轴ax.set_yscale(log)将y轴设置为对数尺度。当数据跨度非常大时如指数函数使用对数坐标可以让图形更清晰。对应的还有set_xscale(log)。图形尺寸figsize(width, height)参数以英寸为单位控制图形大小长宽比需要根据数据特性调整。4. 进阶技巧与复杂函数处理4.1 处理奇异点与不连续函数有些函数在某些点无定义或趋于无穷直接绘图会导致图像断裂或警告。例如正切函数y tan(x)在x π/2 kπ处有垂直渐近线。错误做法x np.linspace(-2*np.pi, 2*np.pi, 1000) y np.tan(x) # 在渐近线附近会产生无穷大值破坏图形 plt.plot(x, y)这会导致图像出现连接渐近线两侧的竖直线严重失真。正确做法使用掩码Maskingx np.linspace(-2*np.pi, 2*np.pi, 2000) y np.tan(x) # 创建一个掩码将y值绝对值过大的点接近渐近线标记为True # np.pi/2 的奇数倍附近是奇点 with np.errstate(divideignore, invalidignore): # 忽略计算中的警告 mask np.abs(np.cos(x)) 1e-10 # 当cos(x)接近0时tan(x)趋于无穷 # 将奇点附近的y值设为NaNMatplotlib绘图时会自动断开 y_masked y.copy() y_masked[mask] np.nan fig, ax plt.subplots(figsize(12, 6)) ax.plot(x, y_masked, b-, lw1.5, labeltan(x)) ax.set_ylim(-10, 10) # 手动限制y轴范围避免无穷大撑爆图形 ax.set_xlabel(x) ax.set_ylabel(y) ax.set_title(Tangent Function with Asymptotes) ax.grid(True, alpha0.3) ax.legend() ax.set_xticks([-2*np.pi, -3*np.pi/2, -np.pi, -np.pi/2, 0, np.pi/2, np.pi, 3*np.pi/2, 2*np.pi]) ax.set_xticklabels([-2π, -3π/2, -π, -π/2, 0, π/2, π, 3π/2, 2π]) # 添加渐近线虚线 for asymptote in [-3*np.pi/2, -np.pi/2, np.pi/2, 3*np.pi/2]: ax.axvline(xasymptote, colorred, linestyle:, alpha0.7, linewidth1) plt.tight_layout() plt.show()核心技巧在于np.nan。Matplotlib在绘制时遇到NaNNot a Number值会自动断开连线从而完美呈现函数的不连续特性。ax.axvline和ax.axhline可以方便地添加垂直或水平参考线。4.2 绘制参数方程与极坐标图像并非所有函数都能写成yf(x)的显式形式。参数方程(x(t), y(t))和极坐标方程rf(θ)也很常见。绘制摆线参数方程t np.linspace(0, 4*np.pi, 1000) r 1 # 滚动圆的半径 # 摆线参数方程 x r * (t - np.sin(t)) y r * (1 - np.cos(t)) fig, ax plt.subplots(figsize(10, 5)) ax.plot(x, y, darkblue, lw2.5, labelCycloid) ax.set_xlabel(x) ax.set_ylabel(y) ax.set_title(Cycloid Curve (Parametric Plot)) ax.grid(True, alpha0.3) ax.legend() ax.set_aspect(equal) # 关键设置纵横比为1:1防止图形被拉伸变形 plt.tight_layout() plt.show()对于参数方程关键是分别计算出x和y关于参数t的数组。ax.set_aspect(equal)确保了x轴和y轴的单位长度相等图形不会失真这在绘制几何曲线时非常重要。绘制玫瑰线极坐标 Matplotlib原生支持极坐标子图。theta np.linspace(0, 2*np.pi, 1000) # 玫瑰线方程r a * cos(k*theta) 或 r a * sin(k*theta) k 5 r np.cos(k * theta) fig plt.figure(figsize(7, 7)) # 创建极坐标子图参数 projectionpolar ax fig.add_subplot(111, projectionpolar) ax.plot(theta, r, crimson, lw2.5, labelf$r \\cos({k}\\theta)$) ax.set_title(Polar Plot: Rose Curve, vabottom, fontsize14) ax.legend(locupper right) ax.grid(True) plt.tight_layout() plt.show()只需在创建子图时指定projectionpolar后续的plot函数中第一个参数就是角度theta弧度制第二个参数是半径r。其他设置标题、图例、网格与直角坐标系类似。4.3 三维函数曲面与等高线图对于二元函数z f(x, y)我们需要绘制三维曲面或二维等高线。这需要用到mpl_toolkits.mplot3d和contour函数。三维曲面图from mpl_toolkits.mplot3d import Axes3D # 导入3D绘图工具 # 生成二维网格数据 x np.linspace(-5, 5, 100) y np.linspace(-5, 5, 100) X, Y np.meshgrid(x, y) # 关键将一维数组转换为二维网格 # 定义二元函数例如钟形曲面 Z np.exp(-0.1 * (X**2 Y**2)) * np.cos(0.5 * X) * np.cos(0.5 * Y) fig plt.figure(figsize(14, 6)) # 子图1三维曲面 ax1 fig.add_subplot(121, projection3d) surf ax1.plot_surface(X, Y, Z, cmapviridis, edgecolornone, alpha0.9, antialiasedTrue) ax1.set_xlabel(X) ax1.set_ylabel(Y) ax1.set_zlabel(Z) ax1.set_title(3D Surface Plot) fig.colorbar(surf, axax1, shrink0.5, aspect10, labelZ value) # 添加颜色条 # 子图2等高线图 ax2 fig.add_subplot(122) contour ax2.contourf(X, Y, Z, levels20, cmapviridis) # 填充等高线 ax2.contour(X, Y, Z, levels20, colorsblack, alpha0.5, linewidths0.5) # 绘制等高线 ax2.set_xlabel(X) ax2.set_ylabel(Y) ax2.set_title(Contour Plot) ax2.set_aspect(equal) fig.colorbar(contour, axax2, shrink0.8, labelZ value) plt.tight_layout() plt.show()这里有几个核心技术点np.meshgrid这是绘制三维图的基础。它将两个一维数组x和y转换成两个二维数组X和Y使得每一个(X[i,j], Y[i,j])都构成一个网格点从而可以计算对应的Z[i,j]。plot_surface绘制三维曲面。cmap参数指定颜色映射viridis,plasma,coolwarm等都是不错的选择alpha控制透明度antialiased开启抗锯齿让图像更平滑。contourf与contourcontourf绘制填充颜色的等高线图levels控制等高线的数量或具体值。在其之上再叠加一个contour绘制黑色等高线可以让层次更分明。colorbar为图像添加颜色条直观显示数值与颜色的对应关系。shrink参数可以调整颜色条的长度。5. 实战绘制复杂函数与动态可视化5.1 绘制自定义复杂函数以Sigmoid族为例在机器学习和神经网络中Sigmoid函数及其变种如Softmax非常重要。Softmax函数将一个向量映射为概率分布其图像通常是多维的。但我们可以通过固定其他维度来观察某一维输出的变化。这里我们绘制标准的Sigmoid函数及其导数。def sigmoid(x): return 1 / (1 np.exp(-x)) def sigmoid_derivative(x): s sigmoid(x) return s * (1 - s) x np.linspace(-10, 10, 500) y_sig sigmoid(x) y_der sigmoid_derivative(x) fig, axes plt.subplots(1, 2, figsize(13, 5)) # 子图1Sigmoid函数 ax1 axes[0] ax1.plot(x, y_sig, b-, lw3, labelSigmoid: $\\sigma(x) \\frac{1}{1e^{-x}}$) ax1.axhline(y0.5, colorgray, linestyle:, alpha0.7) ax1.axvline(x0, colorgray, linestyle:, alpha0.7) ax1.set_xlabel(x) ax1.set_ylabel($\\sigma(x)$) ax1.set_title(Sigmoid Function) ax1.grid(True, alpha0.3) ax1.legend(fontsize11) ax1.set_ylim(-0.1, 1.1) # 子图2Sigmoid函数的导数 ax2 axes[1] ax2.plot(x, y_der, r-, lw3, labelSigmoid: $\\sigma(x)(1-\\sigma(x))$) ax2.axvline(x0, colorgray, linestyle:, alpha0.7) ax2.set_xlabel(x) ax2.set_ylabel($\\sigma(x)$) ax2.set_title(Derivative of Sigmoid Function) ax2.grid(True, alpha0.3) ax2.legend(fontsize11) ax2.set_ylim(-0.1, 0.3) plt.tight_layout() plt.show()这个例子展示了如何将自定义函数封装起来并进行多子图对比。添加参考线axhline,axvline能清晰地标出函数的特征点如Sigmoid的中心点(0, 0.5)和导数最大值点。5.2 创建动态函数图像动画静态图有时无法展示函数参数变化时的动态过程。Matplotlib的动画模块animation可以帮我们创建GIF或视频。下面展示一个正弦波频率逐渐变化的动画。import matplotlib.animation as animation from IPython.display import HTML # 在Jupyter中内嵌显示动画 fig, ax plt.subplots(figsize(10, 6)) ax.set_xlim(0, 4*np.pi) ax.set_ylim(-1.5, 1.5) ax.set_xlabel(x) ax.set_ylabel(y) ax.set_title(Dynamic Sine Wave: $y \\sin(\\omega x)$) ax.grid(True, alpha0.3) line, ax.plot([], [], b-, lw3) # 初始化一个空的线对象 omega_text ax.text(0.02, 0.95, , transformax.transAxes, fontsize14, verticalalignmenttop, bboxdict(boxstyleround, facecolorwheat, alpha0.8)) # 初始化函数设定动画每一帧开始时的状态 def init(): line.set_data([], []) omega_text.set_text() return line, omega_text # 动画更新函数i是帧索引 def update(i): omega 0.5 i * 0.05 # 角频率omega随帧数增加 x np.linspace(0, 4*np.pi, 500) y np.sin(omega * x) line.set_data(x, y) # 更新线的数据 omega_text.set_text(f$\\omega {omega:.2f}$) # 更新文本 return line, omega_text # 创建动画对象frames50表示50帧interval100表示每帧间隔100毫秒blitTrue优化渲染 ani animation.FuncAnimation(fig, update, frames50, init_funcinit, interval100, blitTrue, repeatTrue) # 在Jupyter中显示 # HTML(ani.to_jshtml()) # 保存为GIF文件需要安装imagemagick或pillow # ani.save(sine_wave_animation.gif, writerpillow, fps10) plt.close(fig) # 防止静态图也显示出来 # 如果要保存为HTML文件在网页中查看 # ani.save(animation.html, writerhtml)注意生成动画对计算资源有一定要求帧数不宜过多。在Jupyter中直接运行上述代码可能会因为后端问题无法显示动画通常需要额外配置或使用%matplotlib notebook魔术命令。更稳妥的方式是将动画保存为GIF或MP4文件后再查看。保存GIF需要安装Pillow库 (pip install pillow)。6. 常见问题、性能优化与输出技巧6.1 绘图常见问题与排查在实际操作中你肯定会遇到各种奇怪的问题。下面这个表格整理了一些典型问题及解决方法。问题现象可能原因解决方案图形不显示或一闪而过1. 非交互式环境如脚本中未调用plt.show()。2. 在Jupyter中使用了错误的魔术命令。1. 脚本末尾务必加上plt.show()。2. 在Jupyter开头使用%matplotlib inline静态图或%matplotlib notebook交互图。中文显示为方框系统或Matplotlib未配置中文字体。1.临时方案在代码中指定字体。plt.rcParams[font.sans-serif] [SimHei](黑体)plt.rcParams[axes.unicode_minus] False(解决负号显示问题)2.永久方案修改Matplotlib配置文件添加中文字体路径。保存的图片模糊或有锯齿保存时分辨率DPI设置过低。在savefig时提高dpi参数如dpi300。对于矢量图可保存为PDF或SVG格式。图例、标签或标题显示不全图形布局过于紧凑元素被裁剪。在plt.show()或savefig前调用plt.tight_layout()自动调整。或手动使用plt.subplots_adjust()调整边距。曲线看起来不平滑有棱角采样点np.linspace的第三个参数数量太少。增加采样点数量例如从100增加到500或1000。对于变化剧烈的函数需要更多点。三维图旋转/查看角度不佳默认视角不适合当前数据。对于3D图使用ax.view_init(elev仰角, azim方位角)来调整视角。多试几次找到最佳角度。绘制大量数据点时程序变慢或卡死一次性渲染过多数据点。1. 对数据进行下采样只绘制一部分代表点。2. 使用更高效的绘图后端如%matplotlib widget。3. 考虑使用专门的大数据可视化库如Datashader。6.2 性能优化与高质量输出当需要绘制非常复杂的函数或大量数据时性能可能成为瓶颈。这里有几个优化方向减少数据点这是最直接有效的方法。在保持图形特征的前提下使用np.linspace减少点数或对已有数据进行随机采样x_sparse x[::10]每隔10个点取一个。使用更快的绘图函数对于简单的散点图ax.scatter在大数据量下很慢可以尝试ax.plot并设置marker.和linestylenone或者使用ax.hexbin进行二维密度统计绘图。选择高效的后端Matplotlib有多种渲染后端。TkAgg,Qt5Agg适合交互Agg是无显示器的纯渲染后端适合在服务器上生成图片。可以通过matplotlib.use(Agg)在导入pyplot之前设置。高质量输出用于出版学术出版对图片质量要求极高。我的经验是格式选择优先使用PDF或SVG格式它们是矢量图无限放大不模糊。fig.savefig(plot.pdf)。PNG格式则需指定高DPI如dpi600。字体嵌入如果图中包含特殊字体或中文保存为PDF时需确保字体嵌入。可以通过配置rcParams或使用pdf.fonttype参数控制。尺寸控制期刊通常对图片宽度有要求如单栏8cm双栏16cm。在创建图形时就要通过figsize设置好物理尺寸英寸并配合dpi计算像素。例如要求宽度8cmDPI 600则宽度英寸为8/2.54≈3.15创建时用figsize(3.15, 高度)。6.3 个性化主题与样式切换Matplotlib默认的样式可能不符合你的审美或报告要求。除了手动设置每一项属性还可以一键切换全局样式。# 查看所有可用的内置样式 print(plt.style.available) # 使用内置样式如‘ggplot’, ‘seaborn’, ‘dark_background’ plt.style.use(seaborn-v0_8-whitegrid) # 使用seaborn风格的白色网格背景 x np.linspace(0, 10, 100) y np.sin(x) fig, ax plt.subplots(figsize(8, 5)) ax.plot(x, y, labelsin(x)) ax.set_xlabel(x) ax.set_ylabel(y) ax.set_title(Plot with Seaborn Style) ax.legend() plt.tight_layout() plt.show() # 切换回默认样式 plt.style.use(default)plt.style.use()会改变之后创建的所有图形的样式。你还可以创建自己的.mplstyle样式文件将常用的颜色、线宽、字体等配置写进去实现团队内的绘图风格统一。踩过这么多坑画过上百张图之后我最大的体会是绘图是一项80%靠思考20%靠代码的工作。在动手写代码之前想清楚你要展示什么信息、给谁看、重点在哪里这决定了你选择二维还是三维、用线性坐标还是对数坐标、突出哪些曲线、如何标注。Python和Matplotlib给了你一套无比强大的工具箱但最终画出一张清晰、准确、美观的图靠的是你对数据和问题的理解。多看看顶尖期刊或科技公司报告里的图表模仿他们的设计你的绘图水平会提升得非常快。最后一个小技巧把常用的绘图配置如字体、颜色循环、图例样式写成一个单独的Python模块或Jupyter Notebook开头每次绘图时导入能节省大量重复劳动的时间。
双梁正问题 【 torch 实战】（Python代码实现）)
