1.4 常用参数设置

1.4 常用参数设置

本节摘要：绘图函数画出来的图只是"毛坯"，真正让它好读、美观的，是一组控制外观的参数——color 定颜色、linestyle 定线型、marker 定标记、xticks 和 yticks 定刻度、legend 定图例。这些参数本质上都是在给 1.2 节讲过的 Artist 对象设置属性。本节按"颜色、线型标记、刻度、图例"四组拆开，讲清每个参数怎么传值、什么时候该调，最后用一张速查表收口，让你把"让图更好看"这件事从碰运气变成有章法。

阅读收获

阅读完本节，你应当能够：

1. 用颜色名称、十六进制码、RGB 元组等多种方式给图形指定颜色
2. 用 linestyle 和 marker 区分同一条坐标系里的多条线
3. 设置刻度位置和刻度标签，让坐标轴表达更贴合数据含义
4. 用 label 和 legend 生成图例，并调整图例位置
5. 判断哪些参数是"必调"、哪些是"锦上添花"，避免过度装饰

一、参数都作用在"元素"上

讲参数之前，先回到 1.2 节那个关键心智：Matplotlib 里你看见的一切，底层都是一个 Artist 对象。 一条线是一个 Artist，一个刻度标签是一个 Artist，一个图例也是一个 Artist。所谓"设置参数"，本质就是找到那个 Artist，改它的某个属性。

color 改的是线条或标记这个 Artist 的颜色属性，linestyle 改的是线条的样式属性，xticks 改的是横轴刻度 Artist 的位置和文字。把这个"按图索骥"的视角立起来，你就不会觉得参数多到记不住——它们只是同一套逻辑在不同元素上的体现。

下面这张图把本节要讲的参数按"作用对象"分了组：

💡 关键直觉：记参数别靠背清单，靠"它改的是哪个元素"。想调线的颜色，就找线相关的 color；想调轴的刻度，就找轴相关的 xticks。分类记住了，名字自然记得住。

二、颜色：最直接也最容易被忽视的表达

颜色是让图"会说话"的第一件武器，也是最容易被滥用的。颜色选得好，几组数据一眼分清；颜色乱配，图再准也读不下去。

Matplotlib 里给颜色有几种写法，效果一样，看哪个顺手：

• 颜色名称：color="red"、color="royalblue"，直白，适合快速写。
• 十六进制码：color="#FF5733"，精确，适合从设计稿里取色。
• RGB 元组：color=(0.1, 0.4, 0.8)，每个分量取值 0 到 1，适合程序算出来的颜色。

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([1, 2, 3], [1, 2, 3], color="red")           # 名称
ax.plot([1, 2, 3], [2, 3, 4], color="#2b6cb0")       # 十六进制
ax.plot([1, 2, 3], [3, 4, 5], color=(0.2, 0.7, 0.3)) # RGB 元组
​

我的建议是：普通图用颜色名称就够，正式报告里需要统一品牌色时再用十六进制。 没必要为了显得专业把所有颜色都写成十六进制——那反而降低可读性。

颜色之外，还有一个 alpha 参数值得一提。它控制透明度，取值 0 到 1。当好几条线叠在一起、或者散点密密麻麻时，把 alpha 调到 0.5 左右，重叠的部分就透出层次，不至于糊成一片。

⚠️ 常见坑：别在一张图里塞太多高饱和颜色。红黄蓝绿紫挤在一起，读者根本分不清谁是谁，还会觉得刺眼。区分数据系列，颜色是辅助，线型和标记同样重要，三样配合着用才稳。

三、线型和标记：区分多线的两件武器

单靠颜色区分多条线，遇到黑白打印或色弱读者就会失效。所以 Matplotlib 给了另外两件武器：线型（linestyle）和标记（marker）。

线型决定线条是实线、虚线还是点线，常用取值：

标记决定数据点上画什么符号，常用有 o（圆）、s（方）、^（三角）、*（星）、x（叉）。数据点稀疏时加标记，能让读者看清每个点落在哪。

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4], [2, 4, 3, 5], linestyle="-", marker="o", label="实线圆点")
ax.plot([1, 2, 3, 4], [3, 1, 4, 2], linestyle="--", marker="s", label="虚线方块")
ax.legend()
​

这里有个很实用的细节：线型、标记、颜色可以压缩成一个字符串一起传。"o--" 表示"圆点标记加虚线"，"s-" 表示"方块标记加实线"，颜色也能塞进去，比如 "ro-" 是"红色圆点实线"。顺序是"标记—线型—颜色"或"颜色—标记—线型"，Matplotlib 都能识别。这个快捷写法适合快速探索时用，正式代码里我更倾向把 color、linestyle、marker 分开写——分开写一眼能看清每个值是什么。

💡 关键直觉：颜色、线型、标记是"区分多线"的三件套，别只靠颜色。三种维度叠加，哪怕打印成黑白、或者有读者色弱，数据系列也照样分得清。

四、刻度：让轴"说出人话"

默认情况下，Matplotlib 会自动帮你选刻度位置和刻度文字。但自动不代表合适——你的数据是月份，它给你标 0、1、2、3；你的数据是"低中高"，它给你标 -1、0、1。这时候就得自己动手设刻度。

刻度的设置分两层：位置和标签。位置决定刻度画在哪，标签决定刻度上写什么。用 xticks（或 yticks）可以一次把两者都设了。

import matplotlib.pyplot as plt

months = ["1月", "2月", "3月", "4月", "5月", "6月"]
sales = [120, 180, 150, 210, 190, 240]

fig, ax = plt.subplots()
ax.plot(sales)
ax.set_xticks(range(6))       # 刻度位置：0 到 5
ax.set_xticklabels(months)    # 刻度标签：换成月份
ax.set_xlabel("月份")
ax.set_ylabel("销售额")
​

这段代码里，set_xticks(range(6)) 把刻度定在 0、1、2、3、4、5 六个位置，set_xticklabels(months) 再把这些位置上的文字换成"1月"到"6月"。两句话配合，横轴就从一串抽象数字变成了能读懂的月份。

刻度之外，还有个范围参数 xlim 和 ylim，控制轴显示的最小值和最大值。默认 Matplotlib 会自动把范围收得刚好包住数据，但有时你希望留点余量，或者特意放大某个区间，就手动设：

ax.set_ylim(0, 300)   # 纵轴从 0 到 300，别从 120 开始，否则差异被夸大
​

⚠️ 常见坑：柱状图和折线图的纵轴要不要从 0 开始，是个需要想清楚的问题。从 0 开始能如实反映柱子的高度差异，是柱状图的标准做法；折线图有时为了看清微小波动会截掉底部，但会放大视觉差异，容易误导。取舍的关键是"你想强调差异还是如实呈现"。

五、图例：多线图的"说明书"

图例（legend）是解释每条线、每个颜色代表什么的标注。没有图例，一张画了三条线的图就是三条无名线；有了图例，读者才知道哪条是"实际值"、哪条是"预测值"。

图例的生成分两步：先起名，再显示。 画线时用 label 参数给这条线起名，最后调一次 legend 把所有名字汇总显示出来。

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4], [2, 4, 3, 5], label="实际值")
ax.plot([1, 2, 3, 4], [3, 1, 4, 2], label="预测值")
ax.legend()               # 把 label 汇总成图例
​

legend 还有个 loc 参数控制图例位置，常用的有 "upper right"（右上，默认）、"upper left"（左上）、"lower right"（右下）等。默认位置偶尔会压在数据上，这时候手动指定 loc 挪开就好。

还有一个很容易漏的点：图例本身也是 Artist，它的字号、边框、透明度也都能调。ax.legend(fontsize=9) 就能缩小图例文字。这些小调整累积起来，就是"专业感"的来源。

六、参数速查：什么时候调什么

把本节讲的参数压成一张速查表，方便用时对照：

这张表不是让你背的，是让你在"想调某处却不知道参数名"时有个索引。真正记住它们的办法，还是那句老话——动手画，改一个参数看一次变化，比读十遍表管用。

💡 关键直觉：参数是"锦上添花"还是"必须加"，看一件事——没有它，读者会不会误解图？ 会误解，就是必调（比如多线图没有图例）；不会误解，只是好看，就量力而行。别为了"装饰"把图堆成一锅粥。

七、标题、标签、网格：让图"自我说明"

前面重点讲了颜色、线型、标记、刻度、图例，但还有一组"文字类"参数同样基础——标题、轴标签、网格。它们不花哨，却决定了一张图能不能被"独立读懂"：没有标题和轴标签的图，离开上下文就是一堆形状，别人根本不知道它画的是什么。

• 标题：ax.set_title 给整张图一个名字，说明"这张图在说什么"。
• 轴标签：ax.set_xlabel、ax.set_ylabel 说明横纵轴各代表什么量、单位是什么。
• 网格：ax.grid 打开背景网格线，帮读者把数据点对到坐标值上。

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4], [2, 4, 3, 5])

ax.set_title("月度销售趋势")
ax.set_xlabel("月份")
ax.set_ylabel("销售额（万元）")
ax.grid(True, linestyle=":", alpha=0.5)
​

这三样里，网格最容易被忽略，但它对"精确读数"的帮助很大：一条数据线从 3 月的哪个高度经过，有网格线做参照，一眼就能估出数值；没网格，只能靠猜。折线图、散点图加淡色网格，几乎是性价比最高的可读性提升。

还有 fontsize 这个通用参数，几乎所有文字类元素都能设它，控制字号——标题、标签、图例的字号都可以单独调。字号统一且大小合适，是"专业感"里很不起眼但很加分的一环。

八、别让"装饰"喧宾夺主

参数多了，最大的风险不是记不住，而是忍不住全用上。颜色涂满、标记塞满、网格加粗、图例加框，最后图变成一锅粥。真正成熟的图，往往是克制的。

判断一个参数该不该加，回到前面那句标准：没有它，读者会不会误解或读不懂？ 会，就加；不会，只是"看起来更花哨"，就三思。这不是说要把图画得素，而是说每个修饰都要有理由——颜色用来区分系列，网格用来辅助读数，图例用来解释系列，标记用来标出关键点。如果某样东西说不出"为什么要它"，那它多半可以删掉。

一个实用的检查方法是：把图缩小到缩略图大小，还能不能一眼看出重点？ 能，说明层次清楚；不能，说明信息过载，需要做减法。这个"缩略图测试"比任何美学理论都管用。

⚠️ 别本末倒置：参数是给"已经正确的图"锦上添花的，它救不了一张选错了图形、或数据本身混乱的图。先把图形选对、把数据想清楚，再来谈颜色和线型，顺序不能反。

九、两个关于参数的高频疑问

参数写在 plot 里，和用 set 方法设，有区别吗？

大多数情况下没有本质区别，只是入口不同。ax.plot(x, y, color="red") 是画的同时一并指定颜色；ax.set_title 这类方法是画完之后再改某个元素的属性。前者适合"画的同时定死外观"，后者适合"画完再逐项调整"。用哪个看习惯，效果一样。

为什么我设了颜色，图还是默认色？

最常见的原因是参数名写错，或写错了位置。比如把 color 写成了 colour（Matplotlib 用的是美式拼写 color），或者把它当成了某个 set 方法去调。颜色是写在绘图函数里的关键字参数。遇到"设了没反应"，先检查参数名拼写和它该出现的位置。

本节速览

• 参数本质是给 Artist 对象设属性，按"改哪个元素"来归类，比背清单好记。
• 颜色三种写法：名称、十六进制、RGB 元组；普通图用名称，正式报告用十六进制。
• 区分多线靠三件套：颜色、线型、标记，别只靠颜色，要兼顾黑白打印和色弱读者。
• 线型标记颜色可压缩成字符串（如 "ro-"），快速探索时方便，正式代码建议分开写。
• 刻度分位置和标签两层，set_xticks 定位置，set_xticklabels 定文字。
• 纵轴是否从 0 开始要想清楚，柱状图宜从 0，折线图截底会夸大差异。
• 图例先 label 起名、再 legend 显示，多线图没有图例就是无名线。

下一节我们把画好的图"交付"出去——怎么用 savefig 把图存成文件，格式怎么选、DPI 怎么定、透明背景和裁剪空白这些细节各有什么门道。