Python 数据可视化（二）：多曲线对比、局部放大框（附源码）

Python 数据可视化（二）：多曲线对比、局部放大框（附源码）

在上一篇博客中，我们成功配置了所向披靡的 VS Code + Conda 数据可视化环境。环境有了，画笔就位了，今天我们就来动真格的——手把手写代码，把数据变成能放进报告或论文的高清图！

步骤 0：画图前的准备——什么是 CSV？

很多小白一提到“数据导入”就头疼。其实，无论你用 Python 画什么神仙图表，核心逻辑只有一步：喂给 Python 数据，Python 还你一张图。

最常用的数据格式就是 CSV（逗号分隔值，Comma-Separated Values）。
你可以把它理解为“扒了衣服的 Excel 表格”。它没有任何字体、颜色或边框格式，纯粹用逗号把数据隔开，体积小，读取极快，是所有编程语言的“通用普通话”。
注：除了 CSV，Python 的 pandas 库同样可以轻松秒读 .xlsx (Excel)、.txt 甚至 .json 格式的数据。只要你的数据整理好了，画图就成功了 80%！

步骤 1：背景的魔法——普通白底图 vs 透明背景图

在写论文或做 PPT 的汇报时，我们会面临两种截然不同的场景：

  1. 白纸黑字写论文：此时你需要一张带白色实心背景的常规图表，干干净净，对比度高。
  2. 做精美 PPT 或嵌套流程图：如果你想把折线图无缝嵌到一个有颜色的 PPT 背景里，或者放进一张复杂的 Visio 架构图中，白底图就会像一块难看的“狗皮膏药”。这时候，你需要的就是透明背景图！

看看下面这两张图的区别，你就全明白了：

图 1：透明背景图。无论放在什么颜色的 PPT 模板上，都能完美融入，没有突兀的白边。（注意看图中的灰色棋盘格，代表背景是完全透明的）

图 2：常规白底图。适合直接插入 Word 文档或作为标准配图，干净清爽。

接下来，我们就用实际代码，教你把这两种图都画出来！

步骤 2：实战演练！基础篇 vs 进阶篇代码解析

1. 基础篇：绘制标准白底折线图（以原容量数据为例）

这端代码非常适合刚上手的小白，它的目标很明确：把 CSV 里的单列数据读出来，画成一条学术风的折线。

核心知识点：

  • 使用 header=None 告诉 Python 表格里全是纯数字，没有表头名字。
  • 设置全局字体为 Times New Roman，符合国际学术规范。
  • bbox_inches='tight' 让保存的图片自动裁剪多余空白。

💻 基础版 Python 源码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def plot_full_original_capacity(dataset_name, start_cycle, y_label, color, file_path):
    # 1. 加载无表头的数据 (header=None 是关键，告诉 Pandas 里面全是纯数字)
    try:
        df = pd.read_csv(file_path, header=None)
    except FileNotFoundError:
        print(f"❌ 错误：未找到文件 {file_path}，请检查文件是否在当前文件夹下！")
        return

    # 提取第一列的真实容量值
    actual = df.iloc[:, 0].values
    cycles = np.arange(start_cycle, start_cycle + len(actual))
    
    # 2. 学术论文风格配置
    plt.rcParams['font.family'] = 'serif'
    plt.rcParams['font.serif'] = ['Times New Roman']
    plt.rcParams['axes.linewidth'] = 1.2
    
    fig, ax = plt.subplots(figsize=(10, 5), dpi=300) # dpi=300 保证高清
    
    # 3. 绘制曲线
    ax.plot(cycles, actual, color=color, linewidth=2, label=f'Original Capacity ({dataset_name})')
    
    # 4. 图表修饰 (坐标轴、网格、图例)
    ax.set_xlabel('Cycle Number', fontweight='bold', fontsize=12)
    ax.set_ylabel(y_label, fontweight='bold', fontsize=12)
    ax.set_title(f'Original Battery Capacity Data - {dataset_name}', fontweight='bold', fontsize=14)
    ax.grid(True, linestyle=':', alpha=0.6)
    ax.legend(loc='upper right', frameon=True, edgecolor='black', fontsize=10)
    
    plt.tight_layout()
    output_png = f'{dataset_name}_Full_Original_Capacity.png'
    plt.savefig(output_png, bbox_inches='tight')
    plt.close()
    print(f"🎉 成功生成并保存了图片: {output_png}")

# ======== 运行部分 ========
plot_full_original_capacity('NASA_B0005', 1, 'Capacity (Ah)', '#1f77b4', 'B5.csv')

图 3：基础代码生成的 NASA_B0005 容量数据图，学术感拉满。

2. 进阶篇：多模型对比 + 局部放大框 + 透明背景图

如果你的导师要求“把咱们预测的模型和别人的模型放在一张图里对比，再加个局部放大框看细节”，怎么办？别慌，下面这段进阶代码直接帮你封神！

核心知识点（高能预警）：

  • 背景透明术：使用 fig.patch.set_alpha(0.0) 和 plt.savefig(..., transparent=True) 联合魔法，榨干最后一滴背景色。
  • 局部放大镜：使用 ax.inset_axes 在大图中嵌套一个小图表，用 mark_inset 画出阴影连线，逼格极高！

💻 进阶版 Python 源码（局部）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.axes_grid1.inset_locator import inset_axes, mark_inset

# ... (数据读取部分省略，核心展示画图逻辑) ...

# 1. 学术标准配置
fig, ax = plt.subplots(figsize=(10, 6), dpi=300)

# 【核心修改：背景透明化】
fig.patch.set_alpha(0.0) # 总画布背景透明
ax.patch.set_alpha(0.0)  # 主图背景透明

# 2. 绘制多条曲线 (真实值与多个预测模型对比)
ax.plot(cycles, actual, label='True Capacity', color='black', linewidth=2.5, zorder=10)
# ... (通过循环绘制其他几条预测曲线，并设置不同线型和颜色) ...

# 3. 图例透明背景
legend = ax.legend(loc='upper right', frameon=True, edgecolor='black', fontsize=11)
legend.get_frame().set_alpha(0.0) # 图例框透明

# 4. 【高阶操作】添加局部放大框 (放置在 inset_bbox 指定位置)
axins = ax.inset_axes([0.05, 0.05, 0.4, 0.35])
axins.patch.set_alpha(0.0) # 放大框背景也要透明
# ... (在放大框内再次绘制需要放大的曲线段) ...

# 用阴影线连接主图和放大框 (loc1 和 loc2 控制连线的角)
mark_inset(ax, axins, loc1=3, loc2=4, fc="none", ec="black", lw=1, alpha=0.5)

plt.tight_layout()
# 【关键：保存时设置 transparent=True】
plt.savefig('Prediction_Transparent.png', transparent=True, bbox_inches='tight')
plt.show()

图 4：进阶代码生成的成果！包含了多模型预测曲线对比、精准的局部细节放大框，以及最核心的“透明化”处理（在黑色阅图器下完美显现极客质感）。

结语

从一行简单的 pd.read_csv，到最后用 inset_axes 玩转空间布局，Python 赋予了我们科研绘图无限的自由度。有了这两段代码作为模板，以后再遇到什么新的数据集，你只需要改改文件名、换换颜色，3 秒钟就能出一张神图！

如果你觉得这篇教程对你的论文写作有帮助，别忘了点个赞 👍、点个收藏 ⭐ 支持一下博主哦！如果代码运行遇到任何问题，随时在评论区找我！我们下期再见！