企业官网建设流程全解析

先得把话说清楚：Matplotlib里真正让你“掌控绘图”的，不是plt.plot()这种快捷方式，而是藏在背后的axes API。很多初学者用Matplotlib画图，永远只停留在plt.开头的函数上，画个折线没问题，一旦想画子图、想精细控制坐标轴、想做雷达图，就会卡壳。原因很简单——你没搞清楚figure、axes、axis这三个概念到底谁管谁。这篇文章就是要把axes API彻底讲透，从核心概念到实操代码，让那些“只会plt.plot”的人也能写出结构化、可复用的绘图代码。无论是做数据分析、写论文插图，还是开发可视化组件，这部分能力迟早要用到。

先说结论性的一句话：figure是画板，axes是画纸，axis是画纸上的刻度线。理解这三层关系，Matplotlib的绝大多数坑都能避开，而axes API就是你在“画纸”上精准作画的那支笔。下面我按自己实际使用的路径，一层一层拆开讲。

1. 先把figure、axes、axis三者的关系彻底捋清

1.1 figure：整张画板

figure是Matplotlib绘图的顶层容器，相当于你摊开在桌面上的一张白纸。它管理整个图像窗口的大小、背景色、分辨率，以及所有子图（axes）的布局关系。在代码层面，plt.figure(figsize=(8, 6), dpi=100)创建的就是一个figure对象，你可以理解成“一块8x6英寸、100dpi分辨率的面板”。

figure本身不直接画任何数据图形，它只负责提供舞台。数据画在哪里？画在它内部的axes上。一个figure可以承载一个axes，也可以承载多个axes，就像一块大画板可以贴好几张画纸。

有些人在代码里频繁调用plt.figure()却不保存返回值，这很容易埋坑。比如你写完第一个图，想在同一个figure里再画一个子图，却不知道要去哪里找这个figure对象，最后只能被迫用plt.gcf()去猜当前figure，代码一旦复杂就会失控。

1.2 axes：真正的绘图区

axes才是你画数据的“纸”。每个axes都有一个x轴、一个y轴、还有整个绘图区域。你看到的坐标轴刻度、网格线、数据曲线、散点、图例，全都挂在axes下面。官方文档对axes的定义是“数据坐标系”，我更愿意把它理解为“一块自带坐标系的小画纸”。

在代码中，最常见创建axes的方式是：

fig, ax = plt.subplots()

这里的ax就是axes对象。你在ax.plot()、ax.scatter()、ax.set_xlabel()上做的所有操作，都会精确作用在这张“画纸”上，不会影响其他子图。这也是axes API和pyplot接口最大的区别：pyplot接口依赖“当前axes”的隐式状态，而axes API把每一张画纸清清楚楚地握在你手里。

1.3 axis：坐标轴对象

axis是最容易被忽略的一层。它指的是具体的x轴或y轴对象，包含刻度线、刻度标签、轴标签以及它们的显示范围。当你调用ax.set_xlim(0, 10)时，实际上就是在调整x轴这个对象的显示范围；ax.tick_params(rotation=45)则是在设置x轴或y轴刻度标签的旋转角度。

需要注意，axis在Matplotlib里既可以表示“x轴/y轴”这种抽象概念，也可以指matplotlib.axis.Axis这个具体类。在阅读代码时，看到ax.xaxis、ax.yaxis这样的写法，就是在直接操作axis对象。比如你想隐藏刻度线，可以写ax.xaxis.set_visible(False)；想设置刻度格式，可以写ax.xaxis.set_major_formatter()。

1.4 三者的关系与日常对应的代码模式

关系捋顺了，代码自然就懂了：

• plt.figure()创建画板，返回figure对象。
• fig.add_subplot(row, col, index)在画板上添加一张画纸，返回axes对象。
• ax.xaxis、ax.yaxis是这张画纸上的两条坐标轴，返回axis对象。
• ax.plot()、ax.scatter()把数据画在画纸上。

对比一下两种写法：

# pyplot风格：隐式操作 import matplotlib.pyplot as plt plt.plot([1, 2, 3], [4, 5, 6]) plt.xlabel("x") plt.ylabel("y") plt.title("demo") # axes API风格：显式操作 fig, ax = plt.subplots() ax.plot([1, 2, 3], [4, 5, 6]) ax.set_xlabel("x") ax.set_ylabel("y") ax.set_title("demo")

两种写法在单图场景下结果一样，但一旦涉及多子图、动态更新、函数封装，pyplot风格就非常容易串状态。我自己的习惯是从一开始就只用axes API，省得后面回头重构。想验证自己是否真的理解了这三者的区别，可以试试这个问题：如果fig.add_subplot(2, 2, 3)创建的是哪个位置的子图？答案是2行2列布局中的第3个位置，也就是左下角，因为Matplotlib的子图编号是按行优先从左到右、从上到下排列的。

2. 创建figure和axes的四种方式，选对入口就成功了一半

2.1plt.subplots()：日常首选

fig, ax = plt.subplots()是最推荐的方式，没有之一。它一次性返回figure和axes两个对象，参数丰富到可以覆盖90%的需求：

fig, ax = plt.subplots( nrows=2, ncols=3, figsize=(12, 8), dpi=100, sharex=True, sharey=False, constrained_layout=True )

• nrows和ncols决定子图网格的行列数。
• figsize是画板尺寸，单位是英寸。做论文插图时常见figsize=(8, 4)这种比例，但要结合最终成品尺寸和dpi来定。
• sharex=True会让所有子图共享x轴刻度，时间序列对比图尤其好用，能大幅压缩纵向空间。
• constrained_layout=True是比tight_layout()更现代的布局方案，它会在绘制时自动调整子图间距，避免标签互相遮挡，后面我会专门提到。

当nrows和ncols都大于1时，ax是一个二维数组，比如ax[0, 1]表示第0行第1列的子图。访问时要小心不要和数组索引搞混。

2.2plt.figure()+fig.add_subplot()：灵活拼接

如果你不是规整的矩形网格布局，而是想要“左边一个大图，右边两个小图”这种不规则布局，subplots()就不那么顺手了。这时可以用plt.figure()先创建画板，再用fig.add_subplot()自由指定子图位置：

fig = plt.figure(figsize=(10, 6)) ax_left = fig.add_subplot(1, 2, 1) # 左侧大图 ax_right_top = fig.add_subplot(2, 2, 2) # 右上小图 ax_right_bottom = fig.add_subplot(2, 2, 4) # 右下小图

思路很简单：先把画板想象成网格，然后用add_subplot在不同网格位置放置不同大小的画纸。注意，add_subplot(1, 2, 1)和add_subplot(2, 2, 2)可以混用，Matplotlib会自动协调位置。如果你需要更复杂的比例控制，比如左图占1/3、右图占2/3，那就得上GridSpec了，那是进阶话题，这里先不展开。

2.3plt.subplot_mosaic()：复杂布局的懒人方案

Matplotlib 3.3之后提供了subplot_mosaic，我用过一次就离不开了。它用类似ASCII画图的字符串语法来定义布局，可读性极高：

fig, ax_dict = plt.subplot_mosaic( [["left", "right_top"], ["left", "right_bottom"]], figsize=(8, 6) )

返回的ax_dict是字典，键是字符串，值是对应的axes对象。比如ax_dict["left"]直接拿到左边大图，不需要记ax[0, 0]这种索引。布局再复杂也不会搞混，强烈推荐需要做仪表盘式图表的场景。

2.4 直接操作plt.axes()：画中画场景

还有一种场景是在已有axes内部再嵌入一个小坐标轴，比如画一个放大的局部图。这时候可以用plt.axes([left, bottom, width, height])，四个参数都是0到1之间的相对坐标：

fig, ax_main = plt.subplots() ax_zoom = fig.add_axes([0.55, 0.55, 0.3, 0.3])

注意这里用的是fig.add_axes，四个位置参数以figure为参考系，[0.55, 0.55, 0.3, 0.3]表示x方向起点在figure宽度55%处，y方向起点在高度55%处，宽和高各占30%。这种画中画技术在做数据对比局部细节时特别实用。

2.5 为什么我只用axes API而不用纯pyplot写法

直接说原因：pyplot的隐式状态在单文件、单图脚本里没问题，但一旦代码超过50行，或者需要把绘图逻辑包装成函数，它的“当前axes”状态就会成为定时炸弹。比如你写了一个自定义绘图函数，函数内部用了plt.xlabel()，它设置的永远是“当前axes”的x轴标签。如果你在另一个地方想画两张独立子图，没有正确切换当前axes，标签就会跑到错误的位置上去。

用axes API则完全不会有这个问题：ax对象是显式传递的，想画哪张纸就碰哪个ax。这种代码天然适合复用和调试。这也是为什么Matplotlib官方文档现在的主线示例几乎全部基于axes API。

3. 在axes API里，核心绘图环节逐个击破

3.1 从ax.plot()到ax.scatter()：数据层的基本功

一切绘图最终还是落在数据层。axes对象提供了大量绘图方法，最常用的几个是：

• ax.plot(x, y)：折线图。
• ax.scatter(x, y, s=, c=, alpha=)：散点图。
• ax.bar(x, height)：柱状图。
• ax.hist(x, bins=)：直方图。
• ax.pcolormesh(X, Y, C)：伪彩色图。

这些方法的共同点在于，它们都直接作用在当前的axes对象上，返回的Line2D、PathCollection等对象可以继续用来做精细控制。比如你想把画出来的折线存下来，后面修改它的颜色：

line, = ax.plot(x, y) line.set_color("red") line.set_linewidth(2)

这里返回的是Line2D对象，解包时要带上逗号，因为ax.plot()返回的是一个列表，即使只有一条线。

3.2 散点图的透明度和网格：alpha和grid是亲兄弟

散点图一多就会叠在一起，这时候透明度是救命稻草。alpha参数范围是0到1，0表示完全透明，1表示完全不透明。实际作图时，我一般先设alpha=0.6试跑一次，看重叠情况再微调。但如果只是想表达密度，更专业的是用c参数配合cmap，把第三个变量的数值映射到颜色上：

sc = ax.scatter( x, y, s=points_size, # 点大小 c=third_variable, # 颜色映射数据 cmap="viridis", # 颜色映射表 alpha=0.6, # 透明度 edgecolors="white", # 点边缘颜色 linewidths=0.5 # 边缘线宽 )

网格线的作用则是给数值定位提供参照系。ax.grid()是控制网格的入口，参数有几个常用组合：

ax.grid(True, which="major", axis="both", linestyle="--", linewidth=0.6, alpha=0.7)

which参数可以选major、minor或both，表示显示主刻度网格线还是次刻度网格线。默认情况下Matplotlib只显示主网格线。如果你要显示次网格线，得先让坐标轴开启次刻度，比如ax.xaxis.set_minor_locator(AutoMinorLocator())。axis参数控制是x轴、y轴还是全部显示。很多新手只写ax.grid(True)，出来的网格线又粗又密，其实调成linestyle="--"和alpha=0.5颜值会立刻提升一个档次。

3.3 颜色设置：不止是color="red"这么简单

Matplotlib的颜色体系分几个层级。最简单的是直接用英文颜色名，比如color="red"、color="blue"。其次是十六进制颜色码，color="#FF5733"这种，自由度更高。还可以用RGB元组，取值范围0到1，比如color=(0.2, 0.4, 0.6)。如果你有HTML颜色背景，可能会更习惯写color=(0.8, 0.4, 0.4)对应#CC6666，注意Matplotlib的RGB分量是0到1的浮点数，不是0到255。

当颜色需要对应连续数据时，用cmap色彩映射表。常见的cmap包括"viridis"、"plasma"、"inferno"，这些都是感知均匀的颜色映射，色盲友好度也高。设置方法：

sc = ax.scatter(x, y, c=z, cmap="viridis") fig.colorbar(sc, ax=ax)

colorbar会自动从散点图对象中提取颜色映射关系，生成一个颜色条，方便读者把颜色对应回数值。要注意，colorbar接收的第一个参数是绘图返回的对象，不是axes对象。很多人写成fig.colorbar(ax)，会报错，这是一个高频错误。

3.4 图例设置：ax.legend()的完整控制力

图例是绘图中最折磨人的环节之一。ax.legend()支持几个关键参数：

• loc：图例位置，可以是字符串如"upper right"、"lower left"，也可以是数字代码如1、2。推荐用字符串，可读性好。
• ncol：图例列数，当图例项目很多时设为2可以节省空间。
• frameon：是否显示图例边框，简洁风格通常设False。
• fontsize：图例字体大小。
• title：给图例加标题，分组的图例尤其有用。

图例的数据来源有两个途径。一是在绘图方法中直接传label参数，二是在ax.legend()里手动传入图例句柄和标签列表。第一种更常见：

ax.plot(x, y, label="series A") ax.plot(x, z, label="series B") ax.legend(loc="upper right", frameon=False)

第二种适合你想修改图例文字、却不希望改动原始绘图代码的场景。比如图例里你想写成中文标签，而绘图代码里用的是英文内部标签，就可以：

line_a, = ax.plot(x, y) line_b, = ax.plot(x, z) ax.legend(handles=[line_a, line_b], labels=["序列A", "序列B"])

还有一个细节：图例会遮挡数据。实际作图时，我常把loc设为"center left"再把bbox_to_anchor=(1.02, 0.5)，这样图例就被挪到坐标轴外面去了，彻底不挡数据。代价是副图的宽度会被压缩，需要配合fig.tight_layout()或constrained_layout=True来调整空白。

3.5 坐标轴范围、刻度和tick_params：从宏观到微观

控制坐标轴范围是ax.set_xlim(left, right)和ax.set_ylim(bottom, top)，这里不做过多解释。更值得关注的是刻度控制，因为刻度决定了读者对数据的感知精细度。

ax.set_xticks([0, 1, 2, 3])手动指定希望显示哪些主刻度位置。ax.set_xticklabels(["零", "一", "二", "三"])则设置刻度标签的内容。两个要成对使用，否则标签数量对不上会报错。

ax.tick_params(axis="x", rotation=45)是控制刻度外观的万能方法。常用参数包括：labelsize（标签字号）、colors（标签颜色）、direction="in"（刻度线向内）、length（刻度线长度）、pad（标签与刻度线的距离）。当坐标轴标题或标签过长时，rotation是第一优先级要调的参数，否则文字叠在一起直接毁掉整张图。

日期坐标轴是另一个常见痛点。如果你用ax.plot(dates, values)，默认刻度可能稀疏或者拥挤。此时需要ax.xaxis.set_major_locator和ax.xaxis.set_major_formatter配合，比如每周一个主刻度、显示为“月-日”格式。Matplotlib提供了dates模块，import matplotlib.dates as mdates，然后：

ax.xaxis.set_major_locator(mdates.WeekdayLocator(interval=1)) ax.xaxis.set_major_formatter(mdates.DateFormatter("%m-%d"))

这是处理时间序列绕不开的组合拳。

3.6 雷达图：极坐标axes的典型应用

雷达图在Matplotlib里不是独立图表类型，而是把axes的坐标系切换成极坐标（polar）之后，再用折线或散点填充来模拟出来的。创建方式很简单：

fig, ax = plt.subplots(subplot_kw={"projection": "polar"})

subplot_kw是关键参数，它把子图创建时的参数透传给add_subplot。也可以写成：

ax = fig.add_subplot(111, projection="polar")

极坐标axes的坐标系和直角坐标完全不同。横方向变成了角度θ，纵方向变成了半径r。默认情况下θ从0度开始逆时针增大，每周360度。雷达图的经典做法是让多个类别均匀分布在360度之内，首尾相连。代码实现通常是：

import numpy as np categories = ["速度", "力量", "耐力", "敏捷", "柔韧"] values = [4, 3.5, 5, 4.2, 3.8] angles = np.linspace(0, 2 * np.pi, len(categories), endpoint=False) # 封闭首尾 angles = np.concatenate((angles, [angles[0]])) values_closed = np.concatenate((values, [values[0]])) ax.plot(angles, values_closed, linewidth=2) ax.fill(angles, values_closed, alpha=0.25) ax.set_xticks(angles[:-1]) ax.set_xticklabels(categories)

这里np.linspace(0, 2 * np.pi, len(categories), endpoint=False)保证了每个分类的角度均分一圈，且最后一个点不与第一个点重合，然后再手动拼接，形成闭环。fill函数用半透明色填充雷达图内部，视觉上更好看。

雷达图有个要命的问题：当不同维度的数值尺度差异过大时，半径轴的范围会自动适应最大值，导致小数值维度“凹陷”得很夸张。解决办法是显式固定半径轴范围，比如ax.set_ylim(0, 5)，让所有类别用同一把尺子衡量。另外，如果分类超过8个，雷达图就会变成一团乱麻，不如直接放弃雷达图改条形图。

4. 完整实战：用axes API从零绘制一张高质量散点图和雷达图

4.1 场景设定

假设我们有这样一份数据：每个城市有“人均GDP”、“幸福感指数”、“环境质量”、“医疗资源”四个维度的评分，同时还有人均GDP和一个外部变量的关系需要观察。我们要在一张图上同时展示两组信息，于是决定做一张2x1布局的子图：上图是带网格、透明度的散点图；下图是四个城市的雷达图对比。

4.2 代码实现

import numpy as np import matplotlib.pyplot as plt # 数据准备 cities = ["北京", "上海", "广州", "深圳"] dimensions = ["人均GDP", "幸福感指数", "环境质量", "医疗资源"] data = np.array([ [9, 7.5, 6.8, 8.9], [9.2, 7.8, 6.5, 9.0], [8.5, 8.0, 7.2, 8.2], [9.1, 7.2, 6.9, 8.7] ]) fig, axes = plt.subplots( nrows=2, ncols=1, figsize=(8, 10), constrained_layout=True ) # 第一个子图：散点图 + 网格 + 透明度 + 颜色映射 sc = axes[0].scatter( data[:, 0], data[:, 2], s=200, # 点大小 c=data[:, 1], # 用幸福感指数做颜色映射 cmap="plasma", alpha=0.7, edgecolors="black", linewidths=0.3 ) axes[0].set_xlabel("人均GDP评分") axes[0].set_ylabel("环境质量评分") axes[0].set_title("城市人均GDP与环境质量关系") axes[0].grid(True, linestyle="--", linewidth=0.6, alpha=0.5) axes[0].set_xlim(7.5, 10) axes[0].set_ylim(6, 8) fig.colorbar(sc, ax=axes[0], label="幸福感指数") # 第二个子图：雷达图（极坐标） ax_radar = fig.add_subplot(2, 1, 2, projection="polar") angles = np.linspace(0, 2 * np.pi, len(dimensions), endpoint=False) angles = np.concatenate((angles, [angles[0]])) colors = ["#e74c3c", "#3498db", "#2ecc71", "#f39c12"] for idx, city in enumerate(cities): values = np.concatenate((data[idx], [data[idx][0]])) ax_radar.plot(angles, values, label=city, color=colors[idx], linewidth=2) ax_radar.fill(angles, values, color=colors[idx], alpha=0.15) ax_radar.set_xticks(angles[:-1]) ax_radar.set_xticklabels(dimensions, fontsize=10) ax_radar.set_ylim(0, 10) ax_radar.set_title("四城市多维度能力雷达图", pad=20) ax_radar.legend(loc="upper right", bbox_to_anchor=(1.3, 1.1), frameon=False) plt.show()

4.3 代码里的几个关键细节

第一个子图用data[:, 0]、data[:, 1]、data[:, 2]做散点图的三个维度，s参数固定点大小，c参数控制颜色映射，edgecolors="black"给散点描了黑边，在浅色背景下能让重叠的点更清晰。grid(True, linestyle="--", linewidth=0.6, alpha=0.5)设置半透明虚线网格，既不干扰散点识别，又提供定位参照。

第二个子图的创建方式要注意：我在subplots()创建好一个2行1列的axes数组之后，又用fig.add_subplot(2, 1, 2, projection="polar")覆盖了第二个位置的axes。这种写法不算最优雅，但可以避免在subplots()里通过subplot_kw统一指定极坐标。如果一开始就用plt.subplots(2, 1, subplot_kw={"projection": "polar"})，会导致所有子图都变成极坐标，所以务实方案是先用普通axes，再单独覆盖。

雷达图填充用alpha=0.15，透明度很低，只是为了给多组数据之间做区域区分，不至于互相遮盖到看不清边界。legend放在坐标轴外部时，用bbox_to_anchor=(1.3, 1.1)把图例从图形右侧“拖”出去，避免图表内容被挤占。

4.4savefig保存图表的几个坑

plt.show()之后如果还要保存图片，应该用fig.savefig()而不是plt.savefig()，虽然两者在单figure场景下等价，但用fig.savefig()显式指定对象更安全。保存参数方面有三点经验：

fig.savefig("output.png", dpi=300, bbox_inches="tight", facecolor="white")

dpi=300是投稿级分辨率，文档插图常用150到200，屏幕阅读用100足够。bbox_inches="tight"会自动裁剪掉多余的空白，保存出来的图片“刚好套住内容”，不会出现大片留白。facecolor="white"很重要，如果你的figure背景是透明的，在某些白底背景上图片会显示灰色网格线条，贴上白色背景层能避免这种问题。

还有一个坑是中文乱码。plt.savefig中文乱码本质上是字体问题，和保存图片没有直接关系，但很多人是保存之后才发现中文变成方框。最简单的处理：在代码开头加上

plt.rcParams["font.sans-serif"] = ["SimHei"] # Windows黑体 plt.rcParams["axes.unicode_minus"] = False # 解决负号显示为方块的问题

macOS上可以把SimHei换成Arial Unicode MS或PingFang SC，Linux上一般用Noto Sans CJK SC。具体字体能不能生效，取决于你的系统里是否安装了这些字体。要是临时不想改全局配置，也可以在ax.set_xlabel()里显式指定fontproperties参数，但那样写起来太啰嗦，日常用rcParams更省事。

5. 常见问题与排查技巧实录

5.1 运行时图形窗口不弹出

很多人用PyCharm跑Matplotlib，代码执行完什么窗口都没看到。这通常不是逻辑错误，而是后端显示方式的问题。解决办法是在代码里加：

import matplotlib matplotlib.use("TkAgg") import matplotlib.pyplot as plt

这行use("TkAgg")要放在import matplotlib.pyplot之前，手动指定后端。不同环境下可用的后端不一样，比较常见的有TkAgg、QtAgg、macOSX。如果你在PyCharm里用科学模式，可以打开“SciView”面板，图形会显示在独立的变量查看器里，这时候plt.show()未必需要，图形会自动展示。

还有一种情况是脚本一次性执行完所有代码，图形窗口闪一下立刻就关闭了。解决方法是执行到plt.show()时让Python保持阻塞状态，或者在脚本末尾加上input("Press Enter to exit...")，这样窗口会一直停着等你操作。

5.2 图例只显示一半或完全不显示

图例不显示最常见的原因是绘图时忘了传label参数。ax.legend()默认收集当前axes里带label的绘图对象，如果所有绘图对象都没有label，图例自然为空。但也别急着把所有label都补上——如果你只想要其中一部分曲线出现在图例里，可以用ax.legend(handles=[line1])手动指定。

我遇到过更隐蔽的坑：画了多条曲线，每条都加了label，但图例只显示了第一条。排查之后发现是某个label字符串里有重复值，被Matplotlib自动去重了。解决办法是确保label唯一，或者手动传入句柄列表。

5.3 坐标轴标签和标题被截断

plt.show()输出的图形里，x轴标签经常会显示不完全，“被切掉一半”。这是布局管理器没调整好导致的。两个方案：

第一种，在代码最后加fig.tight_layout()。它会在绘图完成后自动调整子图间距，让所有标签、标题都完整显示。注意tight_layout()必须在所有绘图操作之后调用，而且不要和constrained_layout=True同时使用，否则会冲突。

第二种，使用constrained_layout=True。我在前面已经推荐过，它会在绘图过程中自动预留空间。如果选择这个方案，就不要再用tight_layout()了，二选一即可。

5.4 散点图颜色条（colorbar）位置错乱

当你用fig.colorbar(sc, ax=ax)在子图上添加颜色条时，默认情况下它会“偷走”当前子图的一部分宽度，导致子图左右不对称。如果存在多个子图，每个子图都有颜色条，布局会非常丑陋。

解决办法是给colorbar指定ax参数：

fig.colorbar(sc, ax=[ax1, ax2], location="right")

ax可以传一个列表，这样颜色条会横跨两个子图的高度，视觉上更整齐。

5.5 雷达图刻度标签重叠或显示不全

极坐标axes的刻度标签位置比较特殊，如果不做调整，类别名称会叠在一起。常用的处理方式：

• 调小字体：ax.tick_params(labelsize=8)。
• 调整刻度标签与圆心的距离：ax.tick_params(pad=10)。
• 手动设置标签位置：ax.set_xticklabels(dimensions, position=(x, y))，但这种方式太麻烦，实际很少用。
• 增加figure尺寸：figsize=(8, 8)，让雷达图占据更大的空间。

如果类别超过6个，我的建议是直接放弃雷达图，改用水平条形图，每个类别一行，方向统一，阅读效率高得多。

5.6 常见问题速查表

这表格里的问题我基本都踩过一遍，尤其是中文乱码和后端问题，几乎在每次换环境、换电脑时都会遇到。提前在代码模板里设置好，能省掉很多重复排查时间。

6. 一些实际操作中的经验体会

写到这里，我想分享几个不太会写在官方文档里的经验。第一个是关于代码结构：只要画的图超过一个，我就一定会把绘图逻辑封装成函数，用fig和ax作为输入输出，而不是让函数内部创建figure。这样测试和复用都会方便很多。

第二个是使用ax.set(… )批量设置参数。ax.set_xlabel()、ax.set_ylabel()、ax.set_title()、ax.set_xlim()这些方法可以一次性合并成ax.set(xlabel="...", ylabel="...", title="...", xlim=(0, 10))，代码精简不少，也让视觉上更整齐。官方也推荐这种写法。

第三个是关于axes命名风格。我发现很多新手会把变量名写成axs而不是ax，这是从plt.subplots(2, 2)返回二维数组的习惯来的。但注意，如果你只有一个子图，变量名用ax；如果有多个子图，变量名用axes或者axs，千万别混用。避免给未来阅读代码的自己挖坑。

第四个经验是关于异常排错的顺序。如果你的绘图代码报错，第一步不是看代码逻辑，而是先看是否在正确的位置创建了axes。大量报错、空白、标签错乱，根源都在于“在没有axes的地方去调用axes方法”。比如直接在figure对象上调用plot()，就会报AttributeError。记住：数据画在axes上，axes由figure管理，figure只是容器。

最后说一个我最近常用的技巧：利用fig.autofmt_xdate()自动旋转日期刻度标签。如果你用ax.plot()画时间序列，调用这个方法会自动把x轴刻度标签旋转30度并调整对齐方式，比手动tick_params省心得多。Matplotlib的axes API真正强大之处就在这里：它把画图的每个环节都变成可控对象，你知道每个部件在哪里，就总能找到相应的控制方法。遇到问题，去翻一下Axes类的文档，比到处搜代码片段高效得多。