图表报告与交付

本章目标

1. 掌握专业报告图的样式统一、布局设计和输出规范
2. 学会使用 GridSpec 构建复杂多面板可视化版式
3. 理解导出参数与配色体系对交付质量的影响

重点方法与概念速览

名称	类型	作用
plt.style.use(style)	函数	统一图表风格模板
fig.add_gridspec(nrows, ncols)	方法	创建复杂网格布局
fig.add_subplot(gs[...])	方法	在布局中添加子图
plt.savefig(fname, dpi)	函数	导出高分辨率图像
plt.cm.get_cmap(name)	函数	使用内置色图管理配色

1. 专业样式设置

plt.style.use + 标题层级

作用

报告图首要目标是可读性一致，而非单图视觉炫技。style.use 可统一网格线、字体、背景等全局风格。标题、轴标签、图例应形成固定层级规范。

重点方法

plt.style.use(style)                              # 设置全局样式
ax.set_title(label, *, fontsize=None, fontweight=None)
fig.savefig(fname, *, dpi=None, bbox_inches=None)

参数

参数名	类型	说明	示例取值
style	str	全局样式模板："seaborn-v0_8-whitegrid" / "ggplot" / "fivethirtyeight" 等	"seaborn-v0_8-whitegrid"
label	str	标题文本	"Professional Style Chart"
fontsize	int	标题字号	14
fontweight	str	标题字重："normal" / "bold"	"bold"
fname	str	输出文件路径	"output.png"
dpi	int	分辨率，默认为 None	150
bbox_inches	str	边界控制："tight" 紧凑裁切，默认为 None	"tight"

示例代码

import numpy as np
import matplotlib.pyplot as plt

plt.style.use("seaborn-v0_8-whitegrid")
x = np.linspace(0, 10, 100)

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, np.sin(x), linewidth=2, label="sin(x)")
ax.plot(x, np.cos(x), linewidth=2, label="cos(x)")
ax.set_title("Professional Style Chart", fontsize=14, fontweight="bold")
ax.set_xlabel("x")
ax.set_ylabel("y")
ax.legend(frameon=True, fancybox=True, shadow=True)
plt.close()

输出

控制台提示: 图表已保存到 outputs/visualization/10_professional.png
统一网格风格、标题层级和图例外观

理解重点

• 风格一致性比单图复杂度更能提升报告专业感
• 建议把常用样式配置固化为团队模板
• plt.style.available 可查看所有内置样式名称

2. 多面板布局

GridSpec 不规则布局

作用

GridSpec 支持不规则布局，适合仪表盘和报告页组合图。一个主图配多个辅助图是最常见的讲故事结构。布局阶段就应确定主次关系与读图顺序。

重点方法

fig.add_gridspec(nrows, ncols, *, hspace=None, wspace=None)
fig.add_subplot(gs[row_slice, col_slice])

参数

参数名	类型	说明	示例取值
nrows	int	GridSpec 行数	2
ncols	int	GridSpec 列数	3
hspace	float	行间距（相对高度）	0.3
wspace	float	列间距（相对宽度）	0.3

示例代码

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(42)
fig = plt.figure(figsize=(14, 10))
gs = fig.add_gridspec(2, 3, hspace=0.3, wspace=0.3)

ax1 = fig.add_subplot(gs[0, :2])    # 上方主图（跨2列）
ax2 = fig.add_subplot(gs[0, 2])     # 右上辅助图
ax3 = fig.add_subplot(gs[1, 0])     # 左下
ax4 = fig.add_subplot(gs[1, 1])     # 中下
ax5 = fig.add_subplot(gs[1, 2])     # 右下

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x)); ax1.set_title("Main: sin(x)")
ax2.hist(np.random.randn(500), bins=20); ax2.set_title("Distribution")
ax3.plot(x, np.cos(x)); ax3.set_title("cos(x)")
ax4.scatter(np.random.randn(50), np.random.randn(50)); ax4.set_title("Scatter")
ax5.plot(x, np.exp(-x/3) * np.sin(x)); ax5.set_title("Damped")
plt.close()

输出

控制台提示: 图表已保存到 outputs/visualization/10_multipanel.png
上方主图 + 右上分布图 + 下方三图组合布局

理解重点

• 复杂布局先画草图再编码，效率更高
• 主图面积通常应大于辅助图，避免重点分散
• gs[row, col] 支持切片——gs[0, :2] 表示第0行占前两列

3. 导出选项

plt.savefig 格式与参数

作用

不同交付场景需要不同导出格式和分辨率策略。PNG 适合网页，PDF/SVG 适合矢量打印与论文。bbox_inches='tight' 能有效减少多余留白。

重点方法

plt.savefig(fname, *, dpi=None, bbox_inches=None, transparent=False,
            facecolor='auto')

参数

参数名	类型	说明	示例取值
fname	str	输出路径，扩展名决定格式	"fig.png" / "fig.pdf" / "fig.svg"
dpi	int	分辨率（位图格式有效），默认为 None	300
bbox_inches	str	边界控制："tight" 紧凑裁切	"tight"
transparent	bool	是否透明背景，默认为 False	True
facecolor	str	背景色，默认为 "auto"	"white"

示例代码

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([1, 2, 3], [1, 4, 9])

plt.savefig("fig.png", dpi=300, bbox_inches="tight")
plt.savefig("fig.pdf", bbox_inches="tight")
plt.savefig("fig.svg", transparent=True)
print("已导出: fig.png / fig.pdf / fig.svg")

输出

已导出: fig.png / fig.pdf / fig.svg
推荐策略: 报告预览用 PNG，正式发布优先 PDF 或 SVG

理解重点

• 导出前先确认下游使用场景，避免重复返工
• 位图格式（PNG）适合屏幕阅读，矢量格式（PDF/SVG）适合印刷
• dpi=300 适合打印，dpi=150 适合屏幕

4. 配色方案

色图类型与选择

作用

配色应服务信息层级，而不是追求"颜色多"。连续变量、发散变量、类别变量应使用不同色图类别。团队报告建议固定主色板与强调色，保证视觉一致。

重点方法

plt.cm.get_cmap(name, lut=None)          # 获取色图对象
plt.cm.Set1(np.linspace(0, 1, n))        # 抽样 n 种离散色

速查表

色图类型	用途	典型色图
顺序色图	数值大小编码	viridis plasma magma cividis
发散色图	正负/偏离编码	coolwarm RdBu seismic
定性色图	类别区分	Set1 Set2 tab10 Pastel1

示例代码

import numpy as np
import matplotlib.pyplot as plt

print("顺序色图: viridis, plasma, magma, cividis, inferno")
print("发散色图: coolwarm, RdBu, seismic, bwr")
print("定性色图: Set1, Set2, tab10, Pastel1")

colors = plt.cm.Set1(np.linspace(0, 1, 5))
print(f"Set1 抽样 5 色: {colors}")

输出

顺序色图: viridis, plasma, magma, cividis, inferno
发散色图: coolwarm, RdBu, seismic, bwr
定性色图: Set1, Set2, tab10, Pastel1
Set1 抽样 5 色: [[0.894 0.102 0.110 1.   ] ...]

理解重点

• 颜色体系应与业务语义绑定——例如红色表示风险、绿色表示健康
• 建议做色盲友好检查，避免关键信息仅靠颜色传达
• viridis 是 matplotlib 默认色图——色盲友好且在灰度打印中可区分

常见坑

1. plt.style.use 会影响整个脚本后续所有图——应在文件开头调用
2. bbox_inches='tight' 可能裁掉部分图例——需检查最终输出
3. SVG 文件可能包含多余白边——配合 fig.subplots_adjust 微调
4. 顺序色图用于类别数据——导致无意义颜色梯度误导读者

小结

• 报告图的核心是统一风格 + 合理布局 + 精准配色
• plt.style.use 设置全局样式，GridSpec 构建复杂版面
• 导出前明确目标格式和分辨率——不同场景不同策略
• 配色遵循"连续用顺序、类别用定性、偏离用发散"的选图规则