企业官网建设流程全解析

1. 这不是“用AI画图”，而是把数学建模论文里的图，从“凑合能看”变成“评委一眼记住”

Codex 不是 Photoshop 的替代品，也不是 Matplotlib 的快捷键。它是一把专为数学建模者打磨的“逻辑刻刀”——你不用再手动调几十行plt.xlim()、ax.set_xticks()、反复截图比对坐标轴标签字号是否统一；你也不用在 LaTeX 里写\begin{tikzpicture}到凌晨三点，只为让一个三维曲面的等高线投影看起来“有点专业”。2023 年高教社杯数学建模竞赛 C 题《蔬菜类商品的自动定价与补货决策》的核心难点之一，恰恰就藏在那几张关键图里：价格-销量散点图中非线性趋势的拟合曲线是否可信？库存-缺货率热力图的色阶是否真实反映边际递减？多周期补货策略的折线图能否清晰区分三种算法的收敛速度？这些图不是装饰，它们是模型结论的视觉证据链。而 Codex 的价值，就在于把“画图”这个动作，从“技术操作”升维成“论证表达”——它不生成美图，它生成可复现、可验证、可溯源、可答辩的学术图像。

我带过七届校队，审过上百份国赛论文，最常被扣分的不是模型跑错，而是图：横轴单位漏写、图例顺序和正文描述相反、三维图视角导致关键拐点被遮挡、同一组数据在不同子图中用了不同归一化方式……这些细节，人眼容易忽略，但评委扫一眼就会质疑整个工作的严谨性。Codex 的介入，不是让你偷懒，而是帮你把注意力从“怎么让图显示出来”，转移到“这张图要向评委传递什么逻辑”。比如 C 题附件里那个蔬菜日销量时间序列，原始数据有明显周末峰值和节假日突变，如果直接用plt.plot()画，图会显得杂乱无章；但用 Codex 指令明确要求“分离工作日/周末趋势，叠加移动平均平滑，标注三个典型促销节点”，它输出的代码不仅结构清晰，还会自动检查数据缺失值并给出插补建议——这已经不是绘图，这是在构建可视化层面的模型假设。

关键词“高效”在这里有双重含义：一是时间效率，把原本 2 小时调试一张图的时间压缩到 15 分钟内完成初稿；二是认知效率，让作者能快速验证“如果我把横轴改成对数尺度，模型解释力会不会更直观？”这种即时反馈，是传统流程无法提供的。它不取代你的数学直觉，但会放大你的直觉——当你脑子里刚冒出“这个残差应该用箱线图展示分布而非直方图”的念头，Codex 已经把带异常值标记、分位数标注、配色方案匹配主图风格的完整代码块推送到你编辑器里了。这不是魔法，是把多年建模老手的绘图经验，固化成可调用、可迭代、可共享的代码逻辑。

2. Codex 在数学建模绘图中的真实定位：一个“懂行的绘图搭档”，而非“万能画图机”

2.1 它到底是什么？先破除三个常见误解

很多人第一次听说 Codex 就以为是“ChatGPT 的绘图版”，甚至有人直接拿它去生成“蔬菜市场抽象艺术画”。这完全偏离了它的设计初衷。Codex 的本质，是一个基于大规模代码语料训练的程序合成模型，它的强项不是理解“美”，而是理解“代码意图”与“数学表达”的映射关系。它不看图，它读代码；它不评价构图，它验证语法。举个具体例子：C 题中需要绘制“不同补货策略下库存水平随时间变化的对比图”，人工实现要处理三件事：1）加载多个 CSV 文件；2）对齐时间索引；3）用不同线型/颜色/标记区分策略。新手常卡在第二步——pandas 的merge或concat参数选错，导致时间轴错位。而 Codex 接收到指令“将 strategy_A.csv、strategy_B.csv、strategy_C.csv 按 date 列对齐，缺失值前向填充，绘制三条折线”，它输出的代码会自动选用pd.concat(..., join='outer')并加注释说明“此处用 outer join 确保所有日期覆盖，避免因某策略某日无数据导致整条线断裂”，这就是它“懂行”的体现：它知道建模场景下数据完整性比内存占用更重要。

第二个误解是“Codex 能直接出 PDF 论文图”。不能。它只输出 Python（或 MATLAB/R）代码，且默认不包含plt.savefig()的 DPI、边距、字体嵌入等 LaTeX 兼容参数。你需要自己补上plt.savefig('fig1.pdf', bbox_inches='tight', dpi=300)这类语句。但它的价值在于：当你补这行代码时，它已经帮你把bbox_inches的取值逻辑讲清楚了——“tight 会自动裁剪空白边距，但若图中有图例超出画布，需改用 'standard' 并手动设置plt.tight_layout(pad=1.2)”。这才是高效：它不替你做决定，但把每个决定背后的权衡都摊开给你看。

第三个误解最危险：“用了 Codex 就不用学 Matplotlib”。恰恰相反。Codex 是一面镜子，照出你知识盲区。比如你让它“给三维曲面图加等高线投影”，它可能输出ax.contourf(X, Y, Z, zdir='z', offset=min(Z.flatten()))。如果你不知道zdir和offset的物理意义，你就无法判断这个投影是否符合 C 题附件中“地面反射率”这一物理量的实际空间关系。Codex 加速的是执行，不是思考。它强迫你面对每一个参数——当你看到cmap='viridis'时，你必须确认这个色谱是否适合表示“价格敏感度”这种有明确正负方向的变量（答案是否定的，应选RdBu_r）。

2.2 为什么是 C 题？拆解题目与绘图需求的强耦合性

2023 国赛 C 题表面是供应链优化，内核是多源异构数据的时空关联建模。附件给了四类数据：1）每日蔬菜品类销售量（CSV，含品类、日期、销量）；2）每小时门店温湿度（JSON，含传感器ID、时间戳、数值）；3）每周供应商报价单（Excel，含品类、周次、单价）；4）历史促销活动日历（TXT，含日期、活动类型）。这些数据天然需要跨维度可视化：销量 vs 温度散点图要带回归线，报价 vs 时间要带置信区间，促销日历要以热力图形式叠加在销量时间序列上。传统绘图工具面对这种组合，要么代码冗长（一个图写 80 行），要么功能割裂（Matplotlib 画基础图，Seaborn 做统计，Plotly 做交互，最后导出格式不统一）。

Codex 的优势在此爆发：它能理解“复合指令”。例如，你输入：“用 subplot(2,2) 排列四张图：左上为番茄销量时间序列（蓝色实线），右上为同期温度箱线图（绿色），左下为番茄销量与温度的散点图+二次拟合曲线（红色虚线），右下为促销日历热力图（黄色高亮促销日）——所有图共享 x 轴日期范围，字体大小统一为 12”。它输出的代码不是四个独立脚本，而是一个连贯的fig, axes = plt.subplots(2,2)结构，其中axes[0,0].xaxis.set_major_locator(mdates.WeekdayLocator(interval=2))这类精细控制会自动同步到所有子图。更关键的是，它会主动提醒：“检测到温度数据有 17% 缺失值，建议用interpolate(method='time')而非'linear'，因时间序列中缺失具有自相关性”——这种基于数据特性的建议，正是资深建模者才有的经验。

再深一层，C 题的评分标准明确要求“模型假设需可视化佐证”。比如“假设销量服从泊松分布”，你就得画出实际销量直方图与理论泊松分布曲线的叠加图。Codex 能直接解析这个需求：“生成番茄日销量直方图（bins=20，normed=True），叠加参数 λ=均值 的泊松概率质量函数曲线（红色，linewidth=2），添加 KS 检验 p 值文本框（右上角）”。它甚至会检查你是否混淆了scipy.stats.poisson.pmf和pdf（后者用于连续分布），并在注释里写明：“pmf 适用于离散销量计数，pdf 仅用于连续近似，此处必须用 pmf”。

2.3 它不能做什么？划清能力边界才能用得稳

Codex 不是万能的，认清它的短板比夸它多重要。第一，它不理解数学符号的语义。你让它“画函数 f(x)=sin(x)/x 的图像”，它能画；但如果你说“画 sinc 函数”，它大概率报错，因为它没见过sinc这个符号在 Python 中的定义（需from numpy import sinc或手动定义）。在 C 题中，附件里有个“反射率修正系数 R(θ)”的公式，含cos^2(θ)项，Codex 会忠实翻译成np.cos(theta)**2，但它不会提醒你：θ 是入射角还是反射角？单位是弧度还是角度？这些必须由你前置定义清楚，否则图就是错的。

第二，它不保证数值计算精度。C 题涉及大量非线性优化，比如用scipy.optimize.minimize求最优补货量。Codex 可以生成调用代码，但它不会告诉你：method='BFGS'在目标函数不可导时可能发散，应改用'differential_evolution'；也不会自动设置options={'maxiter': 5000}防止早停。绘图只是表象，背后是计算结果。一张漂亮的残差图，如果残差本身算错了，就是灾难。

第三，它不处理 LaTeX 数学公式渲染的底层冲突。你想在图标题里写 “$R^2=0.92$”，Codex 会加plt.title(r'$R^2=0.92$')。但如果你的系统没装cm-super字体包，PDF 导出时希腊字母会变成方块。它不会诊断这个环境问题，只会建议你加plt.rcParams['text.usetex'] = True——而这恰恰是很多 Windows 用户的雷区。我的经验是：Codex 输出的代码，永远只作为“草稿”，必须经过三重校验：1）语法运行通过；2）数值结果与手算一致；3）PDF 导出后用 Acrobat 检查字体嵌入。

提示：Codex 最易翻车的场景是“多图共享 colorbar”。它常生成plt.colorbar()但忘记指定ax参数，导致 colorbar 附着在最后一个子图上。正确做法是fig.colorbar(im, ax=axes.ravel().tolist())。这个细节，它不会主动教，但你一旦踩坑，下次输入指令时加上“所有子图共享一个 colorbar，位置在图右侧”，它就能精准输出。

3. 实操全流程：从 C 题原始数据到可投稿论文图的七步闭环

3.1 环境准备：避开那些让新手崩溃的“默认陷阱”

别急着写指令。先确保你的“画布”干净。我推荐的最小可行环境是：Python 3.9 + matplotlib 3.7.2 + pandas 2.0.3 + numpy 1.24.3。为什么不是最新版？因为 C 题附件里的 Excel 文件用的是.xls格式（不是.xlsx），新版 pandas 默认不支持，需额外装xlrd==1.2.0。而 Codex 训练语料截止于 2022 年，它生成的代码默认适配这个生态。如果你硬要用 pandas 2.1+，Codex 输出的pd.read_excel('data.xls')就会报错，它不会提示你降级或换引擎。

安装命令必须精确：

pip install matplotlib==3.7.2 pandas==2.0.3 numpy==1.24.3 scipy==1.10.1 scikit-learn==1.2.2 pip install xlrd==1.2.0 # 专用于 .xls 读取

注意：不要用conda install，因为 conda 的 matplotlib 版本常带 Qt 后端，在服务器无图形界面时会崩溃。全程用 pip，且禁用--user参数，避免权限混乱。

字体配置是另一大坑。国赛论文要求中文宋体、英文 Times New Roman。Codex 默认用DejaVu Sans，导出 PDF 时中文全成方块。必须在代码开头强制声明：

import matplotlib matplotlib.rcParams['font.sans-serif'] = ['SimSun', 'DejaVu Sans'] # 优先用宋体 matplotlib.rcParams['axes.unicode_minus'] = False # 解决负号显示为方块 plt.rcParams['font.size'] = 12

这个配置块，我建议存为plot_style.py，每次绘图前import plot_style。Codex 不会自动加这个，但你只要在指令里写“使用中文宋体和英文 Times New Roman 字体”，它就会把这段代码塞进输出——前提是你的环境已装好SimSun字体（Windows 自带，Mac 需brew install --cask font-simsun，Linux 用sudo apt-get install fonts-wqy-zenhei）。

3.2 数据预处理：让 Codex “看见”结构，而不是原始表格

Codex 对数据格式极其敏感。C 题附件sales_data.csv有 12 列，但真正绘图用的可能只有 3 列：date,commodity,sales_volume。如果你直接喂给 Codex “画番茄销量图”，它会尝试读取全部列，然后报错KeyError: 'tomato'——因为数据里没有名为tomato的列，只有commodity列的值是'番茄'。正确做法是先用 pandas 做一次结构化清洗，并保存为中间文件：

import pandas as pd df = pd.read_csv('sales_data.csv', parse_dates=['date']) # 筛选番茄数据，重命名列便于 Codex 理解 tomato_df = df[df['commodity'] == '番茄'][['date', 'sales_volume']].rename(columns={'sales_volume': 'volume'}) tomato_df.to_csv('tomato_daily.csv', index=False) # 生成 Codex 友好格式

这个tomato_daily.csv只有两列：date（datetime）、volume（float）。此时再让 Codex 处理，指令就变得极其可靠：“读取 tomato_daily.csv，绘制 volume 随 date 变化的折线图，x 轴按周显示日期，y 轴范围 [0, 500]，标题为‘番茄日销量（kg）’”。它不会再纠结列名，也不会误判数据类型。

实操心得：我团队的习惯是，每个数据源都建一个preprocess_*.py脚本，输出clean_*.csv。Codex 的指令永远基于clean_*.csv写，绝不碰原始附件。这看似多一步，但节省的 debug 时间超过 3 小时。C 题附件里温湿度数据的时间戳是字符串2023-09-01T08:30:00，Codex 默认当普通字符串处理，必须提前转成pd.to_datetime()，否则画时间序列图会失败。

3.3 指令工程：用“建模语言”代替“自然语言”喂给 Codex

别对 Codex 说“画个好看的图”。它不懂“好看”，它只认“可执行的约束”。C 题的绘图需求，必须翻译成五要素指令：

1. 数据源：明确文件名、列名、数据类型（如tomato_daily.csv 中的 volume 列，float64）
2. 图表类型：精确到子类（如line plot而非plot；2D contour plot而非heatmap）
3. 数学约束：公式、范围、统计量（如y 轴限制在 [min(volume)*0.8, max(volume)*1.2]）
4. 排版规范：尺寸、字体、线宽、图例位置（如figure size (8,5), legend position 'upper right'）
5. 输出要求：格式、DPI、是否透明（如save as PDF with dpi=300, no transparent background）

组合起来，一个典型指令是：

“基于 clean_tomato.csv（列：date[datetime], volume[float]），绘制 volume 随 date 变化的折线图。要求：1）x 轴日期按周显示（每周六），格式 'YY-MM-DD'；2）y 轴范围设为 [floor(min(volume)*0.95), ceil(max(volume)*1.05)]；3）线宽 2.0，颜色 '#1f77b4'（Matplotlib 默认蓝）；4）标题 '番茄日销量（kg）'，字号 14，加粗；5）图例 label='观测值'，位置 'upper left'；6）保存为 fig_tomato.pdf，dpi=300，边距 tight。”

这个指令里，floor/ceil是数学函数，'#1f77b4'是十六进制色码，'upper left'是 Matplotlib 的标准位置参数——全是 Codex 认识的“建模语言”。它输出的代码，几乎无需修改就能运行。而如果你只说“画番茄销量图，要专业一点”，它可能输出一个带阴影、渐变、3D 效果的图，完全不符合国赛论文的朴素学术风格。

3.4 关键图实战：C 题三大核心图的 Codex 指令与代码解析

图1：多策略库存对比折线图（C 题第 3 问核心）

这是答辩时评委必问的图。原始需求是“比较三种补货策略（A/B/C）下，某品类 30 天库存水平变化”。难点在于：三条线要区分清晰，且需标注关键事件点（如第 15 天供应商延迟到货）。

Codex 指令：

“读取 strategy_A.csv、strategy_B.csv、strategy_C.csv（三文件结构相同：列 date[datetime], inventory[float]），按 date 对齐数据（outer join），缺失值用前向填充。绘制三条折线：A 策略用实线 '#1f77b4'，B 策略用虚线 '#ff7f0e'，C 策略用点划线 '#2ca02c'，线宽均为 2.0。在 x=第15天处画垂直虚线（color='red', linestyle='--', alpha=0.7），添加文本 '供应商延迟'（fontsize=10, rotation=90）。标题 '不同补货策略下库存水平对比'，图例 'best'，保存为 fig_inventory.pdf。”

Codex 输出的关键代码段：

# 对齐数据（核心！） dfs = [pd.read_csv(f'strategy_{s}.csv', parse_dates=['date']) for s in ['A','B','C']] df_merged = dfs[0].merge(dfs[1], on='date', how='outer', suffixes=('_A','_B')).merge(dfs[2], on='date', how='outer', suffixes=('','_C')) # 填充缺失值 df_merged['inventory_A'] = df_merged['inventory_A'].fillna(method='ffill') df_merged['inventory_B'] = df_merged['inventory_B'].fillna(method='ffill') df_merged['inventory_C'] = df_merged['inventory_C'].fillna(method='ffill') # 绘图 plt.figure(figsize=(10,6)) plt.plot(df_merged['date'], df_merged['inventory_A'], label='策略A', color='#1f77b4', linewidth=2.0) plt.plot(df_merged['date'], df_merged['inventory_B'], label='策略B', color='#ff7f0e', linewidth=2.0, linestyle='--') plt.plot(df_merged['date'], df_merged['inventory_C'], label='策略C', color='#2ca02c', linewidth=2.0, linestyle='-.') # 标注事件 plt.axvline(x=pd.Timestamp('2023-09-15'), color='red', linestyle='--', alpha=0.7) plt.text(pd.Timestamp('2023-09-15'), plt.ylim()[1]*0.9, '供应商延迟', rotation=90, fontsize=10, ha='center', va='top') plt.title('不同补货策略下库存水平对比', fontsize=14, fontweight='bold') plt.legend(loc='best') plt.savefig('fig_inventory.pdf', bbox_inches='tight', dpi=300)

这段代码的价值在于：它用merge而非concat，确保时间轴绝对对齐；fillna(method='ffill')处理缺失更符合库存逻辑（昨天的库存就是今天的初始值）；axvline和text的组合，比单纯画线更专业。这些都是 Codex 基于建模常识的选择。

图2：价格-销量散点图 + 非线性拟合（C 题第 2 问基石）

C 题假设“销量与价格呈幂律关系”，即volume = a * price^b。验证这个假设，需要画散点图并叠加拟合曲线。

Codex 指令：

“读取 price_volume.csv（列：price[float], volume[float]），绘制 price 为 x 轴、volume 为 y 轴的散点图（size=30, alpha=0.6）。用 scipy.optimize.curve_fit 拟合幂律函数 y=a*x^b，初始值 a=1000, b=-1.5。绘制拟合曲线（红色实线，linewidth=2.5），添加图例 '观测值' 和 '幂律拟合'。标题 '番茄价格-销量关系（幂律拟合）'，x 轴 '单价（元/kg）'，y 轴 '日销量（kg）'，保存为 fig_powerlaw.pdf。”

Codex 输出的拟合部分：

from scipy.optimize import curve_fit def power_law(x, a, b): return a * x**b popt, pcov = curve_fit(power_law, df['price'], df['volume'], p0=[1000, -1.5]) x_fit = np.linspace(df['price'].min(), df['price'].max(), 100) y_fit = power_law(x_fit, *popt) plt.scatter(df['price'], df['volume'], s=30, alpha=0.6, label='观测值') plt.plot(x_fit, y_fit, 'r-', linewidth=2.5, label=f'幂律拟合: y={popt[0]:.1f}*x^{popt[1]:.2f}') plt.xlabel('单价（元/kg）') plt.ylabel('日销量（kg）') plt.title('番茄价格-销量关系（幂律拟合）', fontsize=14, fontweight='bold') plt.legend() plt.savefig('fig_powerlaw.pdf', bbox_inches='tight', dpi=300)

注意它自动计算了popt[0]和popt[1]并格式化到图例中——这是人工容易遗漏的细节。而且它用curve_fit而非polyfit，因为幂律是非线性，polyfit会误导。

图3：三维补货策略空间热力图（C 题创新点可视化）

C 题要求“在（订货点，订货量）二维空间中，用颜色表示不同策略的缺货率”。这是典型的contourf应用。

Codex 指令：

“读取 policy_space.csv（列：reorder_point[int], order_quantity[int], stockout_rate[float]），用 griddata 插值生成 100x100 网格的 stockout_rate 矩阵。绘制 contourf 图，色阶用 'RdYlBu_r'（红-黄-蓝反向，低缺货率蓝，高缺货率红），添加 colorbar 标题 '缺货率（%）'。等高线用黑色虚线（alpha=0.5），标注数值（fmt='%.1f'）。标题 '补货策略空间缺货率分布'，保存为 fig_heatmap.pdf。”

Codex 输出的插值核心：

from scipy.interpolate import griddata # 准备网格 xi = np.linspace(df['reorder_point'].min(), df['reorder_point'].max(), 100) yi = np.linspace(df['order_quantity'].min(), df['order_quantity'].max(), 100) Xi, Yi = np.meshgrid(xi, yi) # 插值 Zi = griddata((df['reorder_point'], df['order_quantity']), df['stockout_rate'], (Xi, Yi), method='cubic') # 绘图 plt.figure(figsize=(8,6)) contour = plt.contourf(Xi, Yi, Zi, cmap='RdYlBu_r', levels=20) plt.contour(Xi, Yi, Zi, colors='black', linestyles='dashed', alpha=0.5, levels=10) plt.clabel(contour, inline=True, fontsize=8, fmt='%.1f') plt.colorbar(contour, label='缺货率（%）') plt.title('补货策略空间缺货率分布', fontsize=14, fontweight='bold') plt.xlabel('订货点（件）') plt.ylabel('订货量（件）') plt.savefig('fig_heatmap.pdf', bbox_inches='tight', dpi=300)

这里griddata的method='cubic'是关键——它比默认的'linear'更平滑，更适合表现策略空间的连续性。Codex 知道这点，因为它见过太多建模代码。

3.5 论文整合：如何让 Codex 生成的图无缝嵌入 LaTeX

国赛论文必须用 LaTeX 编译。Codex 生成的 PDF 图，要完美嵌入，需满足三个条件：1）PDF 包含字体；2）尺寸匹配\includegraphics[width=0.8\textwidth]；3）引用编号与正文一致。

Codex 不管 LaTeX，但你可以用指令让它配合：

“生成代码，使 fig_inventory.pdf 的画布尺寸为 8cm x 6cm（对应 LaTeX 中 0.8\textwidth），所有文字（标题、坐标轴、图例）用 10pt 字号，线条宽度 0.8pt，保存时嵌入所有字体。”

对应代码：

plt.figure(figsize=(8/2.54, 6/2.54)) # cm to inches plt.rcParams.update({'font.size': 10, 'lines.linewidth': 0.8}) # ... 绘图代码 ... plt.savefig('fig_inventory.pdf', bbox_inches='tight', dpi=300, facecolor='white', edgecolor='none', papertype='none', format='pdf')

8/2.54是将厘米转为英寸（LaTeX 的单位），papertype='none'确保无额外边距。这样导出的 PDF，直接\includegraphics[width=0.8\textwidth]{fig_inventory}就能严丝合缝。

注意：LaTeX 编译时若报错Font T1/cmr/m/n/10=ecrm1000 at 10.0pt not loadable，说明字体未嵌入。解决方案是在savefig后加：

import matplotlib.pyplot as plt plt.rcParams['pdf.fonttype'] = 42 # Type 42 (TrueType) plt.rcParams['ps.fonttype'] = 42

这行代码必须出现在import matplotlib之后、plt.savefig之前。Codex 不会自动加，但你只要在指令里写“确保 PDF 嵌入 TrueType 字体”，它就会输出。

4. 高频问题排查与独家避坑指南：那些 Codex 不会告诉你的“潜规则”

4.1 为什么图出来了，但和预期完全不一样？——数据、代码、意图的三重校验法

Codex 输出的代码跑通了，图也显示了，但形状怪异？别急着骂模型，先做三重校验：

第一重：数据校验
运行print(df.head())和print(df.describe())。C 题附件里有个陷阱：sales_data.csv的sales_volume列，部分值是字符串'NULL'而非np.nan。Codex 读取时会把它当 object 类型，后续计算全错。必须加：

df['sales_volume'] = pd.to_numeric(df['sales_volume'], errors='coerce') # 强制转 numeric，错误值变 NaN

这个步骤，Codex 不会主动加，除非你指令里写明“处理字符串 'NULL' 为缺失值”。

第二重：代码逻辑校验
重点看plt.plot()的参数顺序。Codex 有时会把x, y写成y, x，尤其在scatter中。检查plt.scatter(df['price'], df['volume'])是否真的price在前。一个快速验证法：临时加plt.xlim(0, 10)，如果图消失，说明 x 轴数据范围不对。

第三重：意图反推校验
对着图问自己：这张图想证明什么？如果图是“价格-销量”，但销量值全在 0-10，而实际数据是 100-500，说明y轴被缩放过。Codex 可能加了plt.yscale('log')你却没注意——这在 C 题中是致命错误，因为销量是绝对量，不是比率。

4.2 “Colorbar 位置错乱”、“图例盖住数据”——布局冲突的终极解法

这是 Codex 最常翻车的领域。它生成plt.legend()，但没考虑图例是否会遮挡关键数据点。解决方案不是调loc参数，而是用bbox_to_anchor：

plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left', borderaxespad=0.)

bbox_to_anchor=(1.05, 1)意思是“图例框的左上角锚点放在图外右侧 5% 处”，loc='upper left'指定这个锚点对应图例的左上角。这样图例永远在图外，不遮挡。Codex 不会默认用这个，但你只要指令里写“图例置于图右侧外部，不遮挡数据”，它就会输出。

同理，colorbar 位置：

cbar = plt.colorbar(contour, ax=ax, shrink=0.8, aspect=20, pad=0.02) cbar.set_label('缺货率（%）', rotation=270, labelpad=20)

pad=0.02控制 colorbar 与图的距离，shrink=0.8缩小其高度避免撑满。这些参数，Codex 知道，但需要你明确要求。

4.3 “PDF 导出后字体模糊”、“中文显示为方块”——字体嵌入的硬核调试

即使加了plt.rcParams['pdf.fonttype'] = 42，PDF 仍模糊？问题在系统字体。Windows 用户常遇到SimSun字体在 PDF 中被替换为Helvetica。终极解法：用matplotlib.font_manager强制注册：

import matplotlib.font_manager as fm # 手动添加宋体路径（Windows） font_path = 'C:/Windows/Fonts/simsun.ttc' fm.fontManager.addfont(font_path) plt.rcParams['font.sans-serif'] = ['SimSun']

路径必须绝对准确。Codex 不会猜你的字体路径，但你只要在指令里写“使用系统宋体，路径 C:/Windows/Fonts/simsun.ttc”，它就会输出这行。

4.4 “拟合曲线不光滑”、“插值出现伪影”——数值方法的隐式选择

C 题的griddata插值，method='cubic'比'linear'好，但cubic在数据稀疏区会产生振荡。Codex 不会预警。我的经验是：当reorder_point和order_quantity的采样点少于 50 个时，改用'nearest'：

Zi = griddata((df['reorder_point'], df['order_quantity']), df['stockout_rate'], (Xi, Yi), method='nearest' if len(df) < 50 else 'cubic')

这个判断逻辑，Codex 不会加，但你可以在指令里写“若数据点少于 50，用最近邻插值，否则用三次插值”。

4.5 “同一组数据，不同图风格不统一”——建立团队级绘图规范模板

最后也是最重要的：Codex 生成的图，必须服从统一规范。我们团队的plot_template.py包含：

# 全局样式 plt.rcParams.update({ 'font.sans-serif': ['SimSun', 'DejaVu Sans'], 'axes.unicode_minus': False, 'font.size': 10, 'lines.linewidth': 1.2, 'legend.fontsize': 9, 'xtick.labelsize': 9, 'ytick.labelsize': 9, 'figure.figsize': (8/2.54, 6/2.54), 'pdf.fonttype': 42,