用matplotlib绘图关键在于掌握控制权：一、基础设置用样式切换与rcparams统一字体、防乱码；二、坐标轴用set_xlim/ylim、multiplelocator及spines调整；三、图例用bbox_to_anchor定位，标题分层，annotate加注释；四、进阶用linewidth、alpha、fill_between及twinx优化细节，savefig设dpi和tight。
用Matplotlib画出专业、清晰又好看的图，关键不在堆代码，而在理解“控制权在哪”——颜色、字体、布局、刻度、标签，每一处都可定制，但得知道从哪下手、改什么参数最有效。
一、基础设置：让图表不再“默认丑”
Matplotlib默认样式偏保守，字号小、线条细、配色灰。三步快速提升观感：
- 用 plt.style.use('seaborn-v0_8') 或 'ggplot' 切换更现代的内置主题（注意：新版中 'seaborn' 已改为 'seaborn-v0_8'）
- 统一调整全局字体和尺寸：plt.rcParams.update({'font.size': 12, 'font.family': 'sans-serif', 'axes.titlesize': 14, 'axes.labelsize': 13})
- 避免中文乱码：加一句 plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']，并设 plt.rcParams['axes.unicode_minus'] = False
二、坐标轴与刻度：清晰传达数据关系
坐标轴不是摆设，它直接影响读者对趋势和量级的判断。
- 用 ax.set_xlim()/set_ylim() 手动限定范围，避免数据被“挤”在角落或留大片空白
- 刻度线太密？用 plt.MultipleLocator(5) 控制主刻度间隔；需要更精细控制，搭配 plt.MinorLocator()
- 隐藏顶部/右侧边框：ax.spines['top'].set_visible(False); ax.spines['right'].set_visible(False)，让视觉更聚焦
- 刻度标签旋转防重叠：plt.xticks(rotation=30) 或 ax.tick_params(axis='x', rotation=25)
三、图例、标题与注释：让信息一目了然
好图表自己会说话，前提是文字够准、位置够巧、重点够突出。
立即学习“Python免费学习笔记（深入）”；
- 图例别塞右上角默认位：用 ax.legend(loc='upper left', bbox_to_anchor=(0.02, 0.98)) 锚定到空白区，避免遮挡数据
- 标题分层写：ax.set_title('销售趋势', fontsize=15, pad=20) + ax.set_xlabel('月份', fontsize=12) + ax.set_ylabel('销售额（万元）', fontsize=12)
- 关键点加注释：ax.annotate('峰值', xy=(3, 120), xytext=(4, 135), arrowprops=dict(arrowstyle='->'))，箭头指向+文字说明更直观
四、进阶美化：细节决定专业感
真正拉开差距的，往往是那些“多做一步”的细节处理。
- 线条粗细与透明度：ax.plot(x, y, linewidth=2.2, alpha=0.85)，比默认更稳重、不刺眼
- 填充区域强调区间：ax.fill_between(x, y_lower, y_upper, alpha=0.2, color='skyblue')
- 双Y轴要谨慎但可用：ax2 = ax.twinx() 后，记得分别设置 ax2.set_ylabel() 和 ax2.tick_params() 避免标签打架
- 保存高清图：plt.savefig('chart.png', dpi=300, bbox_inches='tight')，“tight”自动裁掉边缘白边
基本上就这些。Matplotlib不复杂，但容易忽略控制粒度——你不需要记住所有参数，只要清楚“我想改哪块？对应哪个对象？用什么方法？”就能随时调出一张拿得出手的图。
