Python函数图像绘制全攻略：从NumPy向量化到Matplotlib高级可视化-平芜编程栈

1. 项目概述：为什么用Python画函数图是门必修课

如果你刚开始学编程，或者刚接触Python，可能会觉得“画函数图像”这事儿离你很远，是数学老师或者科研人员才需要干的。但作为一个写了十几年代码的老码农，我得告诉你，这几乎是每个用Python处理数据、做分析、搞算法的人，迟早都要掌握的核心技能。它远不止是画条线那么简单。

想想看，你写了个算法，怎么知道它算得对不对？你怎么向老板或者同事直观地展示数据的变化趋势？你怎么验证一个数学模型是否贴合实际情况？答案往往就是：画出来看看。Python在这方面的能力，尤其是配合Matplotlib、NumPy这些库，强大到让你可以轻松地把脑海里的数学公式，变成屏幕上清晰、美观、甚至可以直接放进报告里的图表。这比Excel手动描点高效得多，也比MATLAB更灵活、更开源。

从热搜词也能看出来，大家关心的不仅仅是“画”，而是“怎么画好”。softmax函数图像、python绘制500hpa天气图、tensor数据如何绘制图像，这些词背后都是具体的、有挑战性的应用场景。今天，我就以“用Python绘制函数图像”为引子，带你从零开始，不仅学会画一条正弦波，更要搞懂背后的原理、工具的选择，以及那些新手最容易踩进去的坑。我会假设你是个有一定Python基础（比如知道列表、循环、导包），但对科学计算和绘图还不太熟悉的朋友，咱们一步步来。

2. 核心工具链解析：NumPy与Matplotlib的黄金组合

要画函数图，你得有两样东西：数据和画布。在Python的世界里，这分别对应着NumPy和Matplotlib。它们俩就像螺丝刀和螺丝，分开也能用，但合在一起才是干活的神器。

2.1 NumPy：高效生成函数数据的引擎

为什么非得用NumPy？我用个简单的对比你就明白了。假设你要画一个从0到10，间隔0.1的正弦函数图像。

纯Python写法（低效）：

import math x_points = [] y_points = [] current_x = 0 while current_x <= 10: x_points.append(current_x) y_points.append(math.sin(current_x)) current_x += 0.1

这段代码逻辑清晰，但效率是硬伤。它用了Python原生的list和循环，每次循环都要调用append方法，计算sin值。当数据点成千上万时，速度会慢得让你怀疑人生。

NumPy写法（高效向量化）：

import numpy as np x = np.arange(0, 10, 0.1) # 生成数组 [0., 0.1, 0.2, ..., 9.9] y = np.sin(x) # 对整个数组一次性进行sin计算

看，就两行。np.arange生成了一个均匀的数值数组，np.sin直接对这个数组进行“向量化”操作，一次性算出所有结果。背后的计算是用C语言实现的，速度比Python循环快几十甚至上百倍。这就是NumPy的核心优势：提供多维数组对象和一系列高效的数组操作函数。

对于绘图来说，我们需要的正是这种均匀、密集的采样点，才能让曲线看起来光滑连续。np.linspace是另一个更常用的函数，因为它能精确控制起点、终点和点的数量，而不是步长。

# 在0到2π之间，均匀生成100个点 x = np.linspace(0, 2*np.pi, 100) y = np.sin(x)

注意：np.pi是NumPy提供的圆周率常数，比你自己写3.1415926...更精确也更方便。养成使用这些科学常数的习惯。

2.2 Matplotlib：从数据到图形的画笔

有了数据（x, y），接下来就需要一个“画师”把它画出来。Matplotlib就是Python绘图领域的“事实标准”，功能极其强大，从简单的折线图到复杂的3D曲面、动画，几乎无所不能。它的设计哲学是分层级的：最底层是Artist对象（负责绘制线条、文本等元素），上层是pyplot接口，提供了一个类似MATLAB的简易状态机界面，让我们能用很少的代码快速出图。

最核心的模块是matplotlib.pyplot，通常别名为plt。

import matplotlib.pyplot as plt # 最简单的绘图 plt.plot(x, y) # 传入x和y数据 plt.show() # 显示图形

plt.plot()是绘制折线图（对于我们来说就是函数曲线）的主要函数。plt.show()则会弹出一个窗口展示图形。在Jupyter Notebook中，为了能内嵌显示图表，通常会在开头加上一行魔法命令：%matplotlib inline。

但仅仅画出线是不够的。一个专业的图表需要标题、坐标轴标签、图例、合适的网格等等。这就是pyplot其他函数的作用：

plt.title(‘正弦函数’)：添加图表标题。
plt.xlabel(‘x轴’),plt.ylabel(‘y轴’)：添加坐标轴标签。
plt.grid(True)：显示网格，方便读数。
plt.legend()：显示图例，需要先在plot函数中用label参数指定线条标签。

实操心得：很多新手会忘记plt.show()，导致代码运行后什么也没出现。在脚本中，plt.show()是阻塞的，会打开一个窗口并等待你关闭它，程序才会继续执行。在Notebook中，如果没有%matplotlib inline，也需要plt.show()来触发渲染。我建议在交互式环境（如Jupyter）中用inline，在写独立脚本时用show()。

3. 从零开始：绘制你的第一个函数图像

理论说再多不如动手做一遍。我们从一个完整的、可复现的例子开始，我会详细解释每一行代码的意图和可能的变化。

3.1 环境准备与库安装

首先，确保你的Python环境已经就绪。从热搜词python安装、vscode python环境配置能看出，环境是很多人的第一道坎。我个人推荐使用Anaconda发行版来管理Python科学计算环境，它集成了NumPy、Matplotlib等几百个常用库，省去了手动安装的麻烦。

如果你已经安装了标准的Python，那么通过pip安装这两个库也非常简单：

pip install numpy matplotlib

安装完成后，可以在Python中导入测试：

import numpy as np import matplotlib.pyplot as plt print(np.__version__, plt.__version__) # 查看版本

没有报错，就说明环境OK了。

3.2 基础绘图四步法

我们以绘制一个衰减的正弦波（常用于表示阻尼振动）为例：y = e^(-x/5) * sin(x)。

第一步：准备数据这是最关键的一步，决定了你画的是什么。

import numpy as np import matplotlib.pyplot as plt # 生成x数据：从0到20，取200个点。点数越多，曲线越光滑，但计算量也越大。200是个不错的平衡点。 x = np.linspace(0, 20, 200) # 计算对应的y值。注意NumPy的运算是元素级的（element-wise）。 # np.exp()是指数函数，np.sin()是正弦函数。 y = np.exp(-x / 5) * np.sin(x)

这里np.linspace(0, 20, 200)创建了一个包含200个元素的数组，这些数均匀分布在0到20之间。用这个数组作为自变量x，再通过函数关系计算出因变量y。整个过程是向量化的，高效且简洁。

第二步：创建图形与坐标轴虽然直接plt.plot(x, y)也能画，但更规范、更灵活的做法是使用“面向对象”的接口。这在你需要绘制多个子图时尤其有用。

# fig代表整个图形窗口，ax代表图形中的一个坐标轴（子图） fig, ax = plt.subplots(figsize=(8, 5)) # figsize设置图形宽高，单位是英寸

plt.subplots()是一个非常实用的函数，它一次性创建了一个图形（Figure）和一个或多个坐标轴（Axes）。figsize=(8,5)指定了图形窗口的尺寸，8英寸宽，5英寸高，你可以根据显示或出版需求调整。

第三步：绘制并美化现在，在创建好的坐标轴ax上作画。

# 绘制曲线，并设置线条样式。‘b-’代表蓝色实线，linewidth设置线宽，label用于图例。 ax.plot(x, y, ‘b-’, linewidth=2, label=‘y = e^(-x/5) * sin(x)’) # 设置标题和坐标轴标签 ax.set_title(‘衰减正弦波示例’, fontsize=14) ax.set_xlabel(‘时间 (s)’, fontsize=12) ax.set_ylabel(‘振幅’, fontsize=12) # 显示网格，使用浅灰色虚线，透明度0.7 ax.grid(True, linestyle=‘--’, alpha=0.7) # 显示图例，loc=‘upper right’表示放在右上角 ax.legend(loc=‘upper right’) # 设置坐标轴显示范围，让图形更美观 ax.set_xlim([0, 20]) ax.set_ylim([-1.2, 1.2])

这一步是美学的核心。linewidth改变线条粗细；label为曲线命名，供图例使用；set_title、set_xlabel、set_ylabel让图表信息完整；grid增加可读性；set_xlim/ylim可以手动聚焦到关键区域，避免自动缩放导致图形留白过多或细节被压缩。

第四步：显示与保存

# 自动调整子图参数，使标签、标题等不重叠 plt.tight_layout() # 显示图形 plt.show() # 如果需要保存为图片文件（如用于报告），使用fig.savefig # fig.savefig(‘damped_sine_wave.png’, dpi=300, bbox_inches=‘tight’)

plt.tight_layout()是一个小技巧，它能自动调整子图、标签、标题之间的间距，避免它们相互重叠，让排版更紧凑美观。plt.show()则在屏幕上渲染出最终结果。

保存图片时，dpi参数控制分辨率（ dots per inch，每英寸点数），300是印刷品的常用标准，网络分享用150左右即可。bbox_inches=‘tight’会裁剪掉图形周围多余的空白区域。

运行以上所有代码，你就能得到一个清晰、专业的衰减正弦波图像。这四步法是绘制几乎所有函数图像的基础模板。

4. 进阶技巧：让函数图像更具表现力

画出一条线只是开始。在实际工作中，我们经常需要对比多个函数、处理不连续点、填充区域，或者进行更复杂的定制。

4.1 绘制多个函数与样式控制

对比是分析的核心。比如，我们想同时画出sin(x)、cos(x)和sin(x)*cos(x)。

x = np.linspace(-2*np.pi, 2*np.pi, 400) y1 = np.sin(x) y2 = np.cos(x) y3 = np.sin(x) * np.cos(x) fig, ax = plt.subplots(figsize=(10, 6)) # 绘制三条曲线，分别指定颜色、线型和标签 # ‘r-’ 红色实线，‘g--’ 绿色虚线，‘b:’ 蓝色点线 ax.plot(x, y1, ‘r-’, linewidth=1.5, label=‘sin(x)’) ax.plot(x, y2, ‘g--’, linewidth=2, label=‘cos(x)’) ax.plot(x, y3, ‘b:’, linewidth=2.5, label=‘sin(x)*cos(x)’) ax.set_title(‘三角函数对比’, fontsize=16) ax.set_xlabel(‘x’, fontsize=14) ax.set_ylabel(‘y’, fontsize=14) ax.grid(True, alpha=0.3) ax.legend(loc=‘best’) # ‘best’自动选择最佳位置 ax.axhline(y=0, color=‘k’, linestyle=‘-’, linewidth=0.5) # 绘制黑色水平基准线 ax.axvline(x=0, color=‘k’, linestyle=‘-’, linewidth=0.5) # 绘制黑色垂直基准线 plt.tight_layout() plt.show()

这里的关键点：

样式字符串：如‘r-’，是Matplotlib的快捷语法。第一个字符是颜色（r红，g绿，b蓝，k黑，y黄等），第二个字符是线型（-实线，--虚线，:点线，-.点划线）。你也可以用更明确的参数color=‘red’, linestyle=‘solid’。
loc=‘best’：让Matplotlib自动寻找图例放置的最佳位置，避免遮挡关键数据。
axhline/axvline：用于绘制平行于坐标轴的直线，常用于绘制基准线（如y=0），让零点位置一目了然。

4.2 处理特殊函数与不连续点

不是所有函数都像正弦波那么“友好”。比如分段函数、有垂直渐近线的函数（如tan(x)），或者在某些点无定义的函数，直接画可能会出问题。

示例：绘制分段函数

def piecewise_func(x): “”“定义一个分段函数：当x<0时，y=x^2；当x>=0时，y=sin(x)”“” # 使用np.where进行条件判断和赋值，这是向量化操作的关键 return np.where(x < 0, x**2, np.sin(x)) x = np.linspace(-5, 5, 1000) y = piecewise_func(x) fig, ax = plt.subplots() ax.plot(x, y, ‘b-’, linewidth=2) ax.scatter([0], [0], color=‘red’, s=50, zorder=5) # 用散点标出分段点(0,0)，zorder控制绘制层级 ax.grid(True) ax.set_title(‘分段函数示例’) plt.show()

np.where(condition, x, y)是处理分段函数的利器。它检查condition，为True时取x的值，为False时取y的值。整个操作依然是向量化的，效率极高。

示例：绘制正切函数（处理渐近线）直接绘制tan(x)在奇点（如π/2）附近会因值趋于无穷大而导致图形变形。

x = np.linspace(-1.5*np.pi, 1.5*np.pi, 2000) y = np.tan(x) # 方法：将y值过大的点屏蔽掉（设为NaN），这样Matplotlib就不会绘制它们 y_filtered = y.copy() y_filtered[np.abs(y) > 20] = np.nan # 当|y|>20时，认为接近无穷大，设为NaN fig, ax = plt.subplots(figsize=(10, 6)) ax.plot(x, y_filtered, ‘b-’, linewidth=1.5, label=‘tan(x)’) # 用虚线标出渐近线位置 asymptotes = [ -np.pi/2, np.pi/2] # -90度和90度位置 for asym in asymptotes: ax.axvline(x=asym, color=‘red’, linestyle=‘:’, linewidth=1, alpha=0.7) ax.set_ylim([-10, 10]) # 手动限制y轴范围，避免因NaN点导致的自动缩放问题 ax.set_title(‘正切函数（屏蔽无穷大点）’) ax.grid(True, alpha=0.3) ax.legend() plt.tight_layout() plt.show()

这里的技巧是数据清洗。通过将过大的值设置为np.nan（Not a Number），plot函数在遇到NaN时会自动断开线条，从而避免了从正无穷“连线”到负无穷的难看直线。同时，手动设置set_ylim可以确保图形在合理的范围内显示。

4.3 填充区域与子图绘制

有时我们需要突出函数与坐标轴之间的面积，或者比较多个相关图形。这时就需要填充和子图功能。

填充函数与坐标轴之间的区域

x = np.linspace(0, 4*np.pi, 500) y = np.sin(x) fig, ax = plt.subplots() ax.plot(x, y, ‘b-’, linewidth=2) # 填充y>0的区域，颜色为浅蓝色，透明度0.3 ax.fill_between(x, y, where=(y > 0), color=‘lightblue’, alpha=0.3, label=‘y>0区域’) # 填充y<0的区域，颜色为浅红色，透明度0.3 ax.fill_between(x, y, where=(y < 0), color=‘lightcoral’, alpha=0.3, label=‘y<0区域’) ax.set_title(‘正弦函数区域填充’) ax.legend() ax.grid(True, alpha=0.3) plt.show()

ax.fill_between(x, y1, y2, where=condition)是一个非常强大的函数。它填充y1和y2之间的区域（默认y2=0，即x轴）。where参数接受一个布尔数组，只填充条件为True的区域。alpha参数控制透明度，让被填充区域不会完全遮盖后面的网格或曲线。

创建多子图对比子图（Subplot）允许你在一个图形窗口中并排显示多个坐标轴，非常适合对比分析。

# 定义四个不同的函数 funcs = [np.sin, np.cos, np.tan, lambda x: np.exp(-x)*np.sin(x)] titles = [‘正弦函数 sin(x)’, ‘余弦函数 cos(x)’, ‘正切函数 tan(x)’, ‘衰减正弦波’] x_shared = np.linspace(-np.pi, np.pi, 300) fig, axes = plt.subplots(2, 2, figsize=(12, 8)) # 创建2行2列，共4个子图 axes = axes.flatten() # 将2x2的axes数组展平为1维，方便循环 for i, (ax, func, title) in enumerate(zip(axes, funcs, titles)): y = func(x_shared) if i == 2: # 对正切函数做特殊处理 y_filtered = y.copy() y_filtered[np.abs(y) > 5] = np.nan y = y_filtered ax.plot(x_shared, y, ‘b-’, linewidth=1.5) ax.set_title(title, fontsize=12) ax.grid(True, alpha=0.3) ax.set_xlim([-np.pi, np.pi]) if i != 2: # 正切函数不限制y轴，其他限制在[-1.2, 1.2] ax.set_ylim([-1.2, 1.2]) plt.suptitle(‘常见三角函数与衰减波对比’, fontsize=16) # 为整个图形添加总标题 plt.tight_layout() plt.show()

关键点：

plt.subplots(2, 2)返回一个图形对象fig和一个2x2的坐标轴数组axes。
axes.flatten()将二维数组转换为一维列表，这样可以用for i, ax in enumerate(axes)来遍历每一个子图。
在每个子图（ax）上独立进行绘图和设置，就像操作单个图一样。
plt.suptitle()用于设置整个图形的总标题。
plt.tight_layout()在这里尤为重要，它能自动调整多个子图之间的间距，防止标题、标签互相重叠。

5. 实战：复杂函数可视化与3D曲面图

当我们掌握了基础，就可以挑战更复杂的可视化任务，比如参数方程、极坐标图，甚至是三维曲面。

5.1 参数方程与极坐标绘图

有些曲线用直角坐标（x,y）表示很复杂，但用参数方程或极坐标表示却很简单。比如，绘制一个心形线。

参数方程绘制心形线心形线的参数方程为：x = 16 sin³(t), y = 13 cos(t) - 5 cos(2t) - 2 cos(3t) - cos(4t)

t = np.linspace(0, 2*np.pi, 1000) # 参数t x = 16 * (np.sin(t) ** 3) y = 13 * np.cos(t) - 5 * np.cos(2*t) - 2 * np.cos(3*t) - np.cos(4*t) fig, ax = plt.subplots(figsize=(7, 7)) ax.plot(x, y, ‘r-’, linewidth=3) ax.fill(x, y, ‘pink’, alpha=0.6) # 填充心形内部 ax.set_title(‘心形线 (参数方程)’, fontsize=15) ax.set_aspect(‘equal’) # 关键！设置纵横比为相等，否则图形会被拉伸变形 ax.grid(True, alpha=0.3) plt.show()

这里的关键是ax.set_aspect(‘equal’)。对于参数方程或任何希望保持图形原始比例的情况，这个命令强制x轴和y轴的刻度单位长度相等，防止圆被画成椭圆，心形被压扁。

极坐标绘图对于像玫瑰线（r = a * cos(kθ)）这样的图形，极坐标系更直观。Matplotlib提供了极坐标子图。

# 创建极坐标子图 fig, ax = plt.subplots(subplot_kw={‘projection’: ‘polar’}, figsize=(7, 7)) theta = np.linspace(0, 2*np.pi, 500) k = 5 # 花瓣数量 r = np.cos(k * theta) # 四叶玫瑰线 ax.plot(theta, r, ‘m-’, linewidth=2.5) ax.set_title(‘极坐标下的玫瑰线 r = cos(5θ)’, fontsize=14, pad=20) ax.grid(True) plt.show()

通过subplot_kw={‘projection’: ‘polar’}参数，我们创建了一个极坐标系的坐标轴。绘图时，第一个参数是角度theta（弧度制），第二个参数是半径r。

5.2 绘制3D函数曲面

对于二元函数 z = f(x, y)，我们需要三维曲面图。这需要用到Matplotlib的3D工具包。

from mpl_toolkits.mplot3d import Axes3D # 导入3D绘图工具 # 定义二元函数，例如一个鞍面：z = x^2 - y^2 def saddle_surface(x, y): return x**2 - y**2 # 生成网格数据 x = np.linspace(-2, 2, 50) y = np.linspace(-2, 2, 50) X, Y = np.meshgrid(x, y) # 关键！将一维数组转换为二维网格 Z = saddle_surface(X, Y) # 创建3D图形 fig = plt.figure(figsize=(10, 8)) ax = fig.add_subplot(111, projection=‘3d’) # 添加一个3D子图 # 绘制曲面图 # cmap指定颜色映射，‘viridis’是一种感知均匀的色图，适合表示高度 surf = ax.plot_surface(X, Y, Z, cmap=‘viridis’, edgecolor=‘none’, alpha=0.9) # 添加颜色条，表示Z值的大小 fig.colorbar(surf, ax=ax, shrink=0.5, aspect=10, label=‘Z value’) ax.set_title(‘3D曲面：鞍面 z = x^2 - y^2’, fontsize=14) ax.set_xlabel(‘X轴’) ax.set_ylabel(‘Y轴’) ax.set_zlabel(‘Z轴’) # 调整视角 ax.view_init(elev=25, azim=45) # elev是仰角，azim是方位角 plt.tight_layout() plt.show()

核心难点与解释：

np.meshgrid：这是3D绘图中最容易出错的一步。np.linspace生成的是两个一维数组x和y。np.meshgrid(x, y)会返回两个二维数组X和Y，它们共同定义了整个x-y平面上的网格点。X的每一行都是x的副本，Y的每一列都是y的副本。这样，对于网格上的每一个点(X[i,j], Y[i,j])，我们都能计算出一个对应的Z[i,j]。
plot_surface：用于绘制3D曲面。cmap参数非常重要，它通过颜色变化来直观展示Z值的高低。edgecolor=‘none’可以去掉网格线，让曲面看起来更光滑。
fig.colorbar：为曲面添加一个颜色条，将颜色映射回具体的Z值。
view_init：控制3D图形的观察角度。elev是仰角（从水平面向上看的角度），azim是方位角（绕z轴旋转的角度）。多调整这两个参数，可以找到最能展示曲面特征的角度。

实操心得：3D绘图对计算资源要求稍高，网格点太多（比如linspace的第三个参数太大）会导致绘图缓慢甚至卡顿。通常50-100个点已经能获得不错的效果。如果函数计算本身很耗时，可以考虑先用较粗的网格预览，再用细网格生成最终图。

6. 常见问题与排查技巧实录

即使按照步骤操作，你也可能会遇到一些“坑”。下面是我在多年使用中总结的一些典型问题及其解决方法。

6.1 图形不显示或显示异常

问题1：代码运行了，但没弹出图形窗口。

原因A：你可能在脚本中运行，但忘记了plt.show()。在非交互环境（如.py脚本）中，必须调用plt.show()来阻塞程序并显示窗口。
原因B：你可能在使用Jupyter Notebook，但没有配置正确的后端。
- 解决：在Notebook的第一单元格运行%matplotlib inline（静态内嵌）或%matplotlib notebook（交互式内嵌）。或者在代码开头添加：
```
import matplotlib matplotlib.use(‘TkAgg’) # 或 ‘Qt5Agg’, ‘MacOSX’ 等，指定一个GUI后端 import matplotlib.pyplot as plt
```
原因C：某些IDE（如PyCharm）的科学模式会自动渲染图形，但有时需要手动开启。检查IDE的设置。

问题2：中文显示为方框（乱码）。Matplotlib默认字体不包含中文字符。

解决：添加以下代码设置中文字体。

import matplotlib.pyplot as plt plt.rcParams[‘font.sans-serif’] = [‘SimHei’, ‘Microsoft YaHei’, ‘DejaVu Sans’] # 指定默认字体 plt.rcParams[‘axes.unicode_minus’] = False # 解决负号‘-’显示为方块的问题

你需要确保系统中有这些字体（SimHei是黑体，Windows通常自带）。Linux系统可能需要额外安装中文字体包。

问题3：图形窗口一闪而过。

原因：在脚本中，plt.show()是阻塞的，但脚本运行结束后进程终止，窗口也随之关闭。
解决：如果你希望窗口保持打开，可以在脚本末尾添加input(“按回车键退出...”)，或者使用plt.show(block=True)（这是默认行为）。更常见的是，将绘图和展示代码放在脚本最后，确保plt.show()是最后执行的命令之一。

6.2 图形美化与输出问题

问题4：保存的图片分辨率低，或者有白边。

原因：默认的保存DPI（分辨率）是100，可能不够。图形周围可能存在多余的空白区域。
解决：使用fig.savefig时指定参数。
```
fig.savefig(‘my_plot.png’, dpi=300, bbox_inches=‘tight’, pad_inches=0.1)
```
- dpi=300：提高输出分辨率。
- bbox_inches=‘tight’：自动计算并裁剪掉图形周围的空白。
- pad_inches=0.1：在裁剪后，保留0.1英寸的内边距，防止标签被裁掉。

问题5：线条太细、颜色太淡，打印出来不清晰。

原因：屏幕显示和打印对对比度的要求不同。
解决：为打印或出版优化样式。
1. 使用更粗的线宽：plt.plot(x, y, linewidth=2.5)。
2. 使用对比度高的颜色组合，避免使用浅黄、浅绿等。可以使用Matplotlib的“tableau”色彩循环或手动指定深色。
3. 考虑使用灰度模式：plt.plot(x, y, color=‘black’, linestyle=‘-’)和plt.plot(x, y2, color=‘0.5’, linestyle=‘--’)（0.5代表中灰色）。
4. 增大字体：plt.xlabel(‘X轴’, fontsize=14)。

6.3 性能与数据问题

问题6：绘制大量数据点时（如10万个点），图形卡顿，保存慢。

原因：plt.plot会为每一个数据点创建图形元素，数量巨大时内存和渲染压力大。
解决：
1. 降采样：如果数据是来自传感器或模拟的密集采样，可以每隔N个点取一个来画图。
```
x_dense = np.linspace(0, 10, 100000) y_dense = np.sin(x_dense) stride = 100 # 每隔100个点取一个 x_plot = x_dense[::stride] y_plot = y_dense[::stride] plt.plot(x_plot, y_plot)
```
2. 使用更高效的方法：对于简单的散点图，plt.scatter在大数据量下很慢，可以考虑用plt.plot并设置标记样式，或者使用ax.scatter的alpha参数并降低透明度。
3. 考虑其他库：对于超大规模数据可视化，可以探索Datashader（用于渲染亿级点阵）或Plotly（交互式，性能较好）。

问题7：绘制含NaN或Inf值的数据时，图形出现断裂或异常。

原因：Matplotlib在绘制时遇到非有限数（NaN, Inf）会中断线条。
解决：这正是我们之前用到的技巧。在绘图前清洗数据。
```
y_clean = np.array(y_raw) # y_raw是你的原始数据 y_clean[~np.isfinite(y_clean)] = np.nan # 将所有非有限数替换为NaN plt.plot(x, y_clean)
```
np.isfinite()函数会返回一个布尔数组，对应位置如果是有限数（即不是NaN, Inf, -Inf）则为True。~是取反操作。这行代码的意思是将所有非有限数替换为NaN，plot函数会自动在NaN处断开。

问题8：自定义函数太复杂，向量化操作写不出来怎么办？

场景：你的函数内部有复杂的逻辑判断、循环，无法直接用NumPy的向量化函数表示。
解决：使用np.vectorize函数。它可以将一个接受标量输入、返回标量输出的Python函数，“伪向量化”。注意，它底层还是用循环，并没有提升性能，但让代码写法上更简洁。
```
def my_complex_func(x): if x < 0: return x**2 elif 0 <= x < 10: return np.sin(x) + np.log(x+1) # 假设log(x+1)在x>=0时安全 else: return np.exp(-x) # 向量化版本 vfunc = np.vectorize(my_complex_func) x = np.linspace(-5, 15, 200) y = vfunc(x) # 现在可以传入数组了 plt.plot(x, y)
```
对于真正追求性能的场景，还是应该尽量用NumPy的原生函数和np.where等重写你的逻辑。

绘图本身是一个探索和调试的过程。最好的学习方式就是不断尝试，修改参数，观察图形的变化。把上面这些代码示例复制到你的环境中，逐个运行、修改，你很快就能掌握用Python绘制函数图像的方方面面，并把它变成你数据分析和科学计算中的得力工具。