Matplotlib 怎么用：画出出版级图表

你让 AI 画张图，结果拿到一段 Plotly 代码，期刊却要求 PDF 矢量格式；或者想调一个刻度标签的字体大小，发现根本找不到对应的参数。这类细粒度控制的需求，正是 Matplotlib 的领地。

为什么 AI 时代还要学 Matplotlib

Seaborn 封装漂亮、Plotly 交互顺滑，但遇到投稿 Nature 要求 300 dpi 的 TIFF，或者需要把坐标轴刻度朝内、线宽精确到 0.5 pt 时，高层库往往束手无策。Matplotlib 作为 Python 可视化的底层基础设施，提供了对 Figure、Axes、Artist 每个层级对象的完全访问权。这个 Skill 的价值在于：你不需要背下上百个参数，而是让 AI 在正确的知识框架下生成你真正需要的代码。

这个 Skill 帮你做什么

条目信息里写得很清楚——覆盖 pyplot 快速接口和面向对象 API 两种模式，支持线图、散点、热图、等高线、3D 可视化等全类型图表，输出格式涵盖 PNG、PDF、SVG。特别值得注意的是它的场景分工建议：快速统计图表用 seaborn，交互式用 plotly，而 Matplotlib 负责出版级多面板图和新型自定义绘图。Skill 还包含 Jupyter 交互配置、样式表系统、rcParams 全局设置等完整工作流。

启用方式

在兼容的 AI 工具中启用该 Skill 即可，支持 Claude Code、OpenClaw、Hermes Agent。无需额外命令行安装 Skill 本身。若要在本地 Python 项目使用 Matplotlib，用 uv 安装：

uv add matplotlib

Jupyter 交互需要再加 ipympl：

uv add matplotlib ipympl

然后在 notebook 里用 %matplotlib widget 启用部件后端。如果遇到 TkAgg 报错，按详细说明里的指引更新 uv 和 Python 构建版本，或换用 Qt 后端 uv add pyside6。

从一张折线图开始

Skill 明确推荐面向对象接口。别再用 plt.plot() 的隐式风格了，那种 MATLAB 式的全局状态在子图一多就混乱。标准起手式是：

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(10, 6))
x = np.linspace(0, 2*np.pi, 100)
ax.plot(x, np.sin(x), label='sin(x)')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.legend()
fig.savefig('plot.png', dpi=300, bbox_inches='tight')

把这段给 AI 当示例，它能立刻理解你要的是可控对象而非魔术命令。bbox_inches='tight' 这个参数尤其关键——自动裁掉多余白边，投稿时编辑不会找你麻烦。

复杂图表的实战套路

多面板图是 Matplotlib 的强项，Skill 里列了三种布局方式，按复杂度递进：

常规网格适合等分面板：plt.subplots(2, 2) 返回的 axes 数组直接用索引访问。

马赛克布局更灵活，用字符串命名位置：

fig, axes = plt.subplot_mosaic([
    ['left', 'right_top'],
    ['left', 'right_bottom']
])

GridSpec 给最大控制权，可以跨行跨列合并单元格，适合不规则的出版级版式。

颜色映射也有讲究。Skill 提到 cmap='viridis'、'plasma'、'coolwarm' 等选项，让 AI 帮你选时记得指定数据类型——顺序数据用 viridis，发散数据用 coolwarm，分类数据用 tab10。样式表系统能快速切换整体风格，plt.style.use('seaborn-v0_8-darkgrid') 一行代码换掉默认的简陋白底。

常见坑

后端陷阱：在 uv 管理的环境里跑 plt.show() 弹不出窗口，不是因为代码错了，而是 GUI 后端没配对。Agg 后端只写文件不显示，想交互要么用 Jupyter 的 ipympl 部件，要么装 PySide6/Qt 后端。

dpi 与尺寸混淆：figsize=(10, 6) 单位是英寸，dpi=300 决定输出分辨率。同一张图存 PNG 和 PDF，前者按 dpi 算像素，后者矢量无限缩放——投稿优先 PDF/SVG。

面向对象 vs pyplot 混用：新手最容易在 ax 对象和 plt 全局函数之间来回切换，导致标签设到错误的子图上。给 AI 的提示词里明确说"用面向对象接口"，能大幅减少这类 bug。

颜色循环覆盖：默认颜色序列只有 10 个，超过 10 条线会循环重复。让 AI 帮你生成自定义颜色列表，或用 plt.rcParams['axes.prop_cycle'] 全局修改。

Matplotlib 的学习曲线确实陡峭，但有了这个 Skill，你可以把记忆负担转嫁给 AI，自己专注在"要什么"而非"怎么调"。出版级图表的精细控制，终究离不开这套底层基础设施。