第8章数据可视化：matplotlib工程图表规范#

本章核心理念：一张合格的工程图表，不是”把数据画出来”那么简单——它是测试报告中最有说服力的”证据”，是向老板、客户、同行解释技术方案时最锐利的”武器”。本章教你用 matplotlib 画出能直接放进正式报告的专业图表，以及用 Plotly 在调试阶段快速探索数据。

8.1 场景与痛点：默认图表太丑，无法放入正式测试报告#

8.1.1 一个让人尴尬的汇报现场#

上周的项目评审会上，小王打开了一张他用 matplotlib 默认设置画的温升曲线图：

import matplotlib.pyplot as plt
import numpy as np

# 小王的"朴素"代码
x = np.linspace(0, 3600, 3600)
y = 25 + 45 * (1 - np.exp(-x / 800)) + np.random.randn(3600) * 0.3
plt.plot(x, y)
plt.show()

python

这张图的问题清单：

横轴标签是 3.6e3 这样的科学计数法——没人能一眼看出这是3600秒。
没有标题、没有轴标签——看图的人需要猜”这是温度？还是电压？”
线条太细、颜色太淡——投影仪一打，后排根本看不清。
分辨率太低——截屏粘贴到 Word 里模糊一片。
没有标注关键信息——阈值线在哪？异常区间在哪？峰值是多少？

老板看了一眼，说：“这图能放到发给客户的测试报告里吗？” 小王沉默了。

痛点总结：matplotlib 的默认样式是为”快速查看”设计的，而不是为”正式展示”设计的。工程师需要的是一套可复用的图表规范，让每一张图都能达到”测试报告级”的品质。

8.1.2 我们的目标#

本章结束后，你将能够：

用一套统一的规范配置，让所有图表自动达到工程报告的品质要求。
熟练绘制嵌入式场景中最常用的图表类型：时序曲线、多子图对比、双Y轴、异常区域标注。
用 Plotly 在调试阶段交互式探索数据（缩放、悬停查看数值、动态筛选）。
清楚地知道什么时候用 matplotlib，什么时候用 Plotly。

8.2 核心方法论：工程图表规范#

8.2.1 一次配置，全局生效——工程级样式初始化#

matplotlib 支持 rcParams（runtime configuration parameters），你可以一次性设置全局默认值，之后所有的图表都会自动遵循这些规范。这就像是给你的画笔”调好色盘”。

将以下代码保存为 plot_config.py，在每个绘图脚本开头导入它：

"""
plot_config.py —— 工程图表全局样式配置
用法：在绘图脚本开头添加 `import plot_config`
"""
import matplotlib.pyplot as plt
import matplotlib as mpl

# ============================================================
# 1. 中文显示配置（最常见的"翻车"点）
# ============================================================
# Windows 系统常用字体
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei', 'DejaVu Sans']
# macOS 系统
# plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Heiti SC', 'DejaVu Sans']
# Linux 系统（需自行安装中文字体，如 Noto Sans CJK）
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC', 'WenQuanYi Micro Hei', 'DejaVu Sans']

plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示为方块的问题

# ============================================================
# 2. 图表尺寸与分辨率
# ============================================================
plt.rcParams['figure.figsize'] = (12, 6)       # 默认图表尺寸（英寸），宽12高6
plt.rcParams['figure.dpi'] = 150                # 屏幕显示分辨率
plt.rcParams['savefig.dpi'] = 300               # 保存文件分辨率（打印级）
plt.rcParams['savefig.bbox'] = 'tight'          # 保存时自动裁剪空白边距
plt.rcParams['savefig.pad_inches'] = 0.1        # 保存时边距留白

# ============================================================
# 3. 坐标轴与刻度
# ============================================================
plt.rcParams['axes.labelsize'] = 12              # 轴标签字号
plt.rcParams['axes.titlesize'] = 14              # 标题字号
plt.rcParams['axes.titleweight'] = 'bold'        # 标题加粗
plt.rcParams['axes.labelpad'] = 8                # 轴标签与轴线的距离
plt.rcParams['axes.spines.top'] = False          # 隐藏上边框（减少视觉噪音）
plt.rcParams['axes.spines.right'] = False        # 隐藏右边框

plt.rcParams['xtick.labelsize'] = 10             # X轴刻度字号
plt.rcParams['ytick.labelsize'] = 10             # Y轴刻度字号
plt.rcParams['xtick.direction'] = 'in'           # 刻度线朝内（工程规范）
plt.rcParams['ytick.direction'] = 'in'

# ============================================================
# 4. 线条与标记
# ============================================================
plt.rcParams['lines.linewidth'] = 1.8            # 默认线宽（比默认值0.8粗一倍）
plt.rcParams['lines.markersize'] = 5             # 标记点大小

# ============================================================
# 5. 图例
# ============================================================
plt.rcParams['legend.fontsize'] = 10             # 图例字号
plt.rcParams['legend.frameon'] = True            # 图例带边框
plt.rcParams['legend.framealpha'] = 0.8          # 图例半透明背景
plt.rcParams['legend.edgecolor'] = '#cccccc'     # 图例边框颜色

# ============================================================
# 6. 网格线
# ============================================================
plt.rcParams['axes.grid'] = True                 # 默认显示网格
plt.rcParams['grid.alpha'] = 0.3                 # 网格线透明度
plt.rcParams['grid.linestyle'] = '--'            # 网格线用虚线
plt.rcParams['grid.color'] = '#cccccc'           # 网格线颜色

# ============================================================
# 7. 工程配色方案
# ============================================================
# 使用一组辨识度高、在黑白打印下也能区分的工程配色
ENGINEERING_COLORS = [
    '#1f77b4',  # 蓝色 - 主通道
    '#ff7f0e',  # 橙色 - 第二通道
    '#2ca02c',  # 绿色 - 第三通道
    '#d62728',  # 红色 - 警告/异常
    '#9467bd',  # 紫色 - 辅助通道
    '#8c564b',  # 棕色
    '#e377c2',  # 粉色
    '#7f7f7f',  # 灰色 - 参考线
]
plt.rcParams['axes.prop_cycle'] = mpl.cycler(color=ENGINEERING_COLORS)

print("✅ 工程图表样式已加载")

python

使用方式：

import matplotlib.pyplot as plt
import plot_config  # 只需这一行，后续所有 plt 调用自动应用规范

# 从这里开始，你的图表就是"工程级"的了
plt.plot([1, 2, 3], [10, 25, 15])
plt.xlabel('时间 (s)')
plt.ylabel('温度 (°C)')
plt.title('某板卡温升曲线')
plt.savefig('result.png')  # 自动以300 DPI、裁剪白边保存
plt.show()

python

8.2.2 工程图表规范清单#

在正式出图之前，用这张清单逐项自查。它可以打印出来贴在工位上：

序号	检查项	规范要求	常见错误
1	中文显示	能正常显示中文，不会出现 □ 方块	忘记配置 `font.sans-serif`
2	轴标签	X轴和Y轴都有标签，且包含物理量名称和单位	只写了”温度”，漏了”(°C)“
3	标题	有简洁明确的标题，说明这张图展示的是什么	没有标题，或者标题是 “Figure 1”
4	图例	多条曲线必须有图例，位置不遮挡关键数据	图例挡住了曲线的峰值区域
5	刻度	刻度值合理，不出现科学计数法（如 `3.6e3`）	横轴时间用秒数，显示为 `1e3`
6	网格	有淡色辅助网格线，方便读数	网格线太浓喧宾夺主，或者没有网格
7	分辨率	保存图片 ≥ 300 DPI	默认72 DPI，打印出来模糊
8	配色	颜色在彩色和黑白打印下都能区分	用了相近的浅色，黑白打印下分不清
9	边框	隐藏上方和右侧边框（Tufte 数据墨水比原则）	四边都画了粗框，视觉噪音大
10	图幅	图表尺寸适合目标载体（A4纸/投影仪/PPT）	默认太小，缩放后看不清

8.2.3 多子图布局：一图胜千言#

当需要对比多个维度的数据时，多子图（subplots）是最常用的布局方式。

基础用法：2行1列布局

import matplotlib.pyplot as plt
import plot_config
import numpy as np

# 模拟数据
t = np.linspace(0, 60, 600)  # 60秒，10Hz采样
temperature = 25 + 35 * (1 - np.exp(-t / 15)) + np.random.randn(600) * 0.5
voltage = 3.3 - 0.05 * (1 - np.exp(-t / 20)) + np.random.randn(600) * 0.01

# 创建2行1列的子图，共享X轴（关键！这样两个图的时间轴对齐）
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8), sharex=True)

# 子图1：温度
ax1.plot(t, temperature, color='#d62728', label='板卡温度')
ax1.axhline(y=55, color='#ff7f0e', linestyle='--', linewidth=1.2, label='温度阈值 (55°C)')
ax1.set_ylabel('温度 (°C)')
ax1.set_title('60秒温升测试数据', fontweight='bold')
ax1.legend(loc='upper left')

# 子图2：电压
ax2.plot(t, voltage, color='#1f77b4', label='供电电压')
ax2.axhline(y=3.25, color='#ff7f0e', linestyle='--', linewidth=1.2, label='电压下限 (3.25V)')
ax2.set_xlabel('时间 (s)')
ax2.set_ylabel('电压 (V)')
ax2.legend(loc='lower left')

plt.tight_layout()  # 自动调整子图间距，避免标签重叠
plt.savefig('dual_channel_test.png')
plt.show()

python

进阶布局：不规则网格（GridSpec）

当你需要一个大图占上半部分，两个小图并排占下半部分时：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import plot_config
import numpy as np

fig = plt.figure(figsize=(14, 10))
gs = gridspec.GridSpec(2, 2, height_ratios=[1.2, 1])  # 上面的行高是下面的1.2倍

# 上方：大图（横跨两列）
ax_main = fig.add_subplot(gs[0, :])
t = np.linspace(0, 120, 1200)
temp_data = 25 + 40 * (1 - np.exp(-t / 30)) + np.random.randn(1200) * 0.8
ax_main.plot(t, temp_data, color='#d62728', linewidth=1.5)
ax_main.fill_between(t, temp_data - 2, temp_data + 2, alpha=0.15, color='#d62728', label='±2σ 范围')
ax_main.set_title('完整温升曲线（含不确定度范围）', fontweight='bold')
ax_main.set_ylabel('温度 (°C)')
ax_main.legend()

# 左下：直方图（温度分布）
ax_hist = fig.add_subplot(gs[1, 0])
ax_hist.hist(temp_data, bins=30, color='#1f77b4', alpha=0.7, edgecolor='white')
ax_hist.set_xlabel('温度 (°C)')
ax_hist.set_ylabel('频次')
ax_hist.set_title('温度分布直方图')

# 右下：最后30秒的放大图
ax_zoom = fig.add_subplot(gs[1, 1])
mask = t >= 90
ax_zoom.plot(t[mask], temp_data[mask], color='#2ca02c', linewidth=1.5)
ax_zoom.axhline(y=60, color='#ff7f0e', linestyle='--', label='阈值 60°C')
ax_zoom.set_xlabel('时间 (s)')
ax_zoom.set_ylabel('温度 (°C)')
ax_zoom.set_title('最后30秒放大')
ax_zoom.legend()

plt.tight_layout()
plt.savefig('grid_layout_demo.png')
plt.show()

python

8.2.4 双Y轴：当两个物理量”量纲”不同#

嵌入式测试中经常需要在一张图上展示温度（几十度）和电流（几百毫安），它们的数值范围完全不同。双Y轴是标准做法。

import matplotlib.pyplot as plt
import plot_config
import numpy as np

t = np.linspace(0, 60, 600)
temperature = 25 + 30 * (1 - np.exp(-t / 15))
current = 150 + 80 * (1 - np.exp(-t / 10))  # 毫安

fig, ax1 = plt.subplots(figsize=(12, 5))

# 左Y轴：温度
color_temp = '#d62728'
ax1.plot(t, temperature, color=color_temp, label='温度')
ax1.set_xlabel('时间 (s)')
ax1.set_ylabel('温度 (°C)', color=color_temp)
ax1.tick_params(axis='y', labelcolor=color_temp)

# 右Y轴：电流（共享X轴）
ax2 = ax1.twinx()  # 创建共享X轴的第二个Y轴
color_curr = '#1f77b4'
ax2.plot(t, current, color=color_curr, linestyle='-', label='电流')
ax2.set_ylabel('电流 (mA)', color=color_curr)
ax2.tick_params(axis='y', labelcolor=color_curr)

# 合并图例（关键技巧：分别获取两个轴的图例句柄和标签）
lines1, labels1 = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines1 + lines2, labels1 + labels2, loc='center right')

plt.title('温升与电流关联曲线', fontweight='bold')
plt.tight_layout()
plt.savefig('dual_y_axis.png')
plt.show()

python

注意事项：

两条曲线要使用不同的颜色，且颜色要和对应Y轴的刻度颜色一致，否则看图的人会困惑。
图例要合并放在一个位置，不要分两处。
双Y轴图表容易产生”视觉欺骗”——两条曲线的走势可能因为Y轴刻度范围不同而看起来”相关”或”不相关”，使用时要诚实标注刻度范围。

8.2.5 交互式图表 (Plotly) 快速入门#

matplotlib 的局限#

matplotlib 画出来的是静态图片——你不能缩放局部、不能悬停查看具体数值、不能动态筛选数据范围。在开发调试阶段，你需要快速地、反复地探索数据的细节，这时候静态图片就力不从心了。

Plotly 的杀手级功能#

Plotly 生成的是交互式 HTML 图表，用户可以：

🔍 缩放：鼠标框选任意区域放大查看细节
📍 悬停：鼠标移到数据点上，自动显示精确的 X/Y 值
📊 动态筛选：点击图例隐藏/显示某条曲线
📸 截图：工具栏自带”下载PNG”按钮
💾 导出数据：部分场景下可以直接导出数据点

安装#

pip install plotly
# 如果你使用 Jupyter Notebook，还需要安装：
pip install nbformat

bash

基础用法：3行代码搞定交互式图表#

import plotly.graph_objects as go
import numpy as np

# 模拟数据
t = np.linspace(0, 60, 600)
temperature = 25 + 35 * (1 - np.exp(-t / 15)) + np.random.randn(600) * 0.5

# 创建交互式图表
fig = go.Figure()
fig.add_trace(go.Scatter(
    x=t, y=temperature,
    mode='lines',
    name='板卡温度',
    line=dict(color='#d62728', width=2)
))

# 添加阈值线
fig.add_hline(y=55, line_dash='dash', line_color='orange',
              annotation_text='温度阈值 55°C')

fig.update_layout(
    title='温升测试曲线（可交互）',
    xaxis_title='时间 (s)',
    yaxis_title='温度 (°C)',
    template='plotly_white',  # 简洁白色背景主题
    hovermode='x unified',    # 悬停时显示该X坐标下所有曲线的值
)

# 保存为HTML文件（可以发给同事，他们在浏览器中打开就能交互）
fig.write_html('temperature_interactive.html')
# 如果在 Jupyter Notebook 中，直接调用 fig.show() 就能看到交互式图表
fig.show()

python

Plotly 多通道对比#

import plotly.graph_objects as go
from plotly.subplots import make_subplots
import numpy as np

t = np.linspace(0, 120, 1200)
temp_ch1 = 25 + 30 * (1 - np.exp(-t / 20)) + np.random.randn(1200) * 0.3
temp_ch2 = 25 + 25 * (1 - np.exp(-t / 25)) + np.random.randn(1200) * 0.4
temp_ch3 = 25 + 35 * (1 - np.exp(-t / 15)) + np.random.randn(1200) * 0.2

# 创建上下两行的子图，共享X轴
fig = make_subplots(
    rows=2, cols=1,
    shared_xaxes=True,
    subplot_titles=('三个通道温度对比', '温差（相对通道1）'),
    vertical_spacing=0.08
)

# 上图：三条温度曲线
fig.add_trace(go.Scatter(x=t, y=temp_ch1, name='CH1 - CPU核心', line=dict(color='#d62728')), row=1, col=1)
fig.add_trace(go.Scatter(x=t, y=temp_ch2, name='CH2 - 电源模块', line=dict(color='#1f77b4')), row=1, col=1)
fig.add_trace(go.Scatter(x=t, y=temp_ch3, name='CH3 - 散热片',   line=dict(color='#2ca02c')), row=1, col=1)

# 下图：温差曲线
fig.add_trace(go.Scatter(x=t, y=temp_ch1 - temp_ch2, name='CH1-CH2 温差', line=dict(color='#ff7f0e')), row=2, col=1)
fig.add_trace(go.Scatter(x=t, y=temp_ch1 - temp_ch3, name='CH1-CH3 温差', line=dict(color='#9467bd')), row=2, col=1)

fig.update_layout(
    height=700,
    template='plotly_white',
    hovermode='x unified',
    legend=dict(orientation='h', yanchor='bottom', y=1.02, xanchor='right', x=1)
)
fig.update_xaxes(title_text='时间 (s)', row=2, col=1)
fig.update_yaxes(title_text='温度 (°C)', row=1, col=1)
fig.update_yaxes(title_text='温差 (°C)', row=2, col=1)

fig.write_html('multi_channel_interactive.html')
fig.show()

python

8.2.6 matplotlib vs Plotly：场景分工决策指南#

这是本节最重要的部分——不是谁比谁好，而是在什么场景用什么工具。

维度	matplotlib	Plotly
输出格式	静态图片（PNG, PDF, SVG）	交互式 HTML（也可导出静态图片）
最佳场景	正式测试报告、论文、PPT、打印文档	开发调试阶段的数据探索、在线仪表盘
交互能力	无（Jupyter 中有 `%matplotlib notebook` 但功能有限）	缩放、悬停、筛选、动画，开箱即用
精确排版控制	极强：像素级控制图表的每个元素	较弱：布局由浏览器渲染引擎决定
矢量图导出	支持 PDF/SVG，无限放大不失真	HTML 本身就是矢量，静态导出支持 SVG
学习曲线	API 风格偏底层，需要手动配置较多	API 高级封装好，几行代码出漂亮图表
嵌入报告	直接插入 Word/LaTeX/PPT	需要先导出为静态图片，或嵌入HTML
离线使用	完全离线	需要浏览器打开 HTML 文件
性能	处理百万级数据点表现良好	数据量超过10万点时交互可能卡顿

决策流程图：

你要画一张图，它的用途是什么？
    │
    ├── 放进正式测试报告 / 论文 / 打印 → matplotlib ✅
    │
    ├── 做 PPT 汇报，需要高清晰度截图 → matplotlib ✅
    │
    ├── 调试阶段，需要反复缩放查看细节 → Plotly ✅
    │
    ├── 要发给同事/客户在线查看 → Plotly (HTML) ✅
    │
    ├── 要做实时数据监控仪表盘 → Plotly (Dash) ✅
    │
    └── 数据量超过10万点 + 需要交互 → matplotlib 画静态概览 
                                     + Plotly 画局部放大（组合使用）

plaintext

实践建议：两者并不冲突，很多工程师的工作流是：

调试阶段：用 Plotly 快速探索数据，找到感兴趣的模式和异常。
报告阶段：用 matplotlib 按照工程规范，精确绘制最终的图表。

8.3 核心实战：批量绘制多通道传感器数据曲线#

8.3.1 场景设定#

延续第7章的场景：你有500块板子的温升测试数据。现在需要为每块板子生成一张”测试报告级”的图表，包含：

多通道温度曲线（假设每块板子有3个温度传感器）
供电电压曲线（双Y轴）
温度阈值线和异常区间标注
峰值和均值的统计线
图表标题中包含板子编号和测试时间

500张图，如果手动画，你会画到怀疑人生。所以我们要用脚本批量生成。

8.3.2 完整代码#

import matplotlib.pyplot as plt
import matplotlib.dates as mdates
import numpy as np
import pandas as pd
from pathlib import Path
import plot_config  # 加载我们之前定义的工程图表样式

# ============================================================
# 配置区
# ============================================================
INPUT_DIR = Path('./test_logs/')
OUTPUT_DIR = Path('./report_figures/')
OUTPUT_DIR.mkdir(exist_ok=True)

TEMP_THRESHOLD = 55.0  # 温度阈值 (°C)
SENSORS = ['NTC_1', 'NTC_2', 'NTC_3']  # 传感器通道名称
SENSOR_LABELS = {
    'NTC_1': 'CPU核心',
    'NTC_2': '电源模块',
    'NTC_3': '散热片',
}
SENSOR_COLORS = {
    'NTC_1': '#d62728',  # 红色
    'NTC_2': '#1f77b4',  # 蓝色
    'NTC_3': '#2ca02c',  # 绿色
}

# ============================================================
# 核心绘图函数：为一块板子生成一张完整图表
# ============================================================
def plot_board_report(board_id: str, df_board: pd.DataFrame, save_dir: Path):
    """
    为单块板子绘制完整的测试报告图表

    参数:
        board_id: 板子编号（如 '001'）
        df_board: 该板子的数据（已清洗），包含 timestamp, sensor_id, temperature, voltage
        save_dir: 图片保存目录
    """
    # --- 数据准备 ---
    # 将宽表拆分为各传感器数据
    sensor_data = {}
    for sensor in SENSORS:
        mask = df_board['sensor_id'] == sensor
        sensor_data[sensor] = df_board[mask].sort_values('timestamp')

    # 电压数据（假设所有传感器共享同一电压记录，取其中一个）
    voltage_data = sensor_data[SENSORS[0]][['timestamp', 'voltage']].dropna()
    voltage_data = voltage_data.drop_duplicates(subset='timestamp').sort_values('timestamp')

    # --- 创建画布 ---
    fig, ax_temp = plt.subplots(figsize=(14, 6))

    # --- 左Y轴：温度 ---
    for sensor in SENSORS:
        data = sensor_data[sensor]
        if data.empty:
            continue
        ax_temp.plot(
            data['timestamp'], data['temperature'],
            color=SENSOR_COLORS[sensor],
            label=f"{SENSOR_LABELS.get(sensor, sensor)} ({sensor})",
            alpha=0.85
        )

    # 温度阈值线
    ax_temp.axhline(
        y=TEMP_THRESHOLD, color='#ff7f0e', linestyle='--', linewidth=1.5,
        label=f'温度阈值 ({TEMP_THRESHOLD}°C)', zorder=5
    )

    # 统计均值线（所有传感器的总体均值）
    overall_mean = df_board['temperature'].mean()
    ax_temp.axhline(
        y=overall_mean, color='#7f7f7f', linestyle=':', linewidth=1.2,
        label=f'均值 ({overall_mean:.1f}°C)', zorder=5
    )

    # 标注异常区间（温度超过阈值的时间段）
    exceeded = df_board[df_board['temperature'] > TEMP_THRESHOLD]
    if not exceeded.empty:
        # 找到所有超过阈值的时间点，用 fill_between 标注
        # 为了标注连续区间，我们用所有数据点作为X轴
        all_times = df_board['timestamp'].sort_values().unique()
        all_temp_max = df_board.groupby('timestamp')['temperature'].max()
        # 重新索引到统一时间轴
        temp_max_series = all_temp_max.reindex(all_times)
        # 创建遮罩
        mask_exceeded = temp_max_series > TEMP_THRESHOLD
        if mask_exceeded.any():
            ax_temp.fill_between(
                all_times, TEMP_THRESHOLD, temp_max_series,
                where=mask_exceeded,
                alpha=0.15, color='#d62728', label='超温区间'
            )

    # 标注峰值
    peak_temp = df_board['temperature'].max()
    peak_idx = df_board['temperature'].idxmax()
    peak_time = df_board.loc[peak_idx, 'timestamp']
    ax_temp.annotate(
        f'峰值 {peak_temp:.1f}°C',
        xy=(peak_time, peak_temp),
        xytext=(20, 15), textcoords='offset points',
        fontsize=10, fontweight='bold', color='#d62728',
        arrowprops=dict(arrowstyle='->', color='#d62728', lw=1.5),
        bbox=dict(boxstyle='round,pad=0.3', facecolor='#fff0f0', edgecolor='#d62728', alpha=0.9)
    )

    ax_temp.set_xlabel('时间')
    ax_temp.set_ylabel('温度 (°C)', color='#d62728')
    ax_temp.tick_params(axis='y', labelcolor='#d62728')

    # --- 右Y轴：电压 ---
    ax_volt = ax_temp.twinx()
    ax_volt.plot(
        voltage_data['timestamp'], voltage_data['voltage'],
        color='#9467bd', linewidth=1.2, alpha=0.6, label='供电电压'
    )
    ax_volt.set_ylabel('电压 (V)', color='#9467bd')
    ax_volt.tick_params(axis='y', labelcolor='#9467bd')

    # --- 标题与图例 ---
    # 从数据中提取测试时间范围
    time_start = df_board['timestamp'].min().strftime('%Y-%m-%d %H:%M')
    time_end = df_board['timestamp'].max().strftime('%H:%M')
    fig.suptitle(
        f'温升测试报告 — 板卡 #{board_id}',
        fontsize=16, fontweight='bold', y=0.98
    )
    ax_temp.set_title(f'测试时间: {time_start} ~ {time_end}', fontsize=11, color='#666666', pad=10)

    # 合并两个Y轴的图例
    lines1, labels1 = ax_temp.get_legend_handles_labels()
    lines2, labels2 = ax_volt.get_legend_handles_labels()
    ax_temp.legend(
        lines1 + lines2, labels1 + labels2,
        loc='upper left', fontsize=9, ncol=2
    )

    # --- X轴时间格式化 ---
    ax_temp.xaxis.set_major_formatter(mdates.DateFormatter('%H:%M'))
    ax_temp.xaxis.set_major_locator(mdates.AutoDateLocator())
    fig.autofmt_xdate(rotation=30)  # 时间标签倾斜30度，避免重叠

    # --- 保存 ---
    plt.tight_layout()
    save_path = save_dir / f'board_{board_id}_report.png'
    plt.savefig(save_path, dpi=200, bbox_inches='tight')
    plt.close(fig)  # 关闭图表释放内存（批量绘图时必须！）
    return save_path


# ============================================================
# 批量生成
# ============================================================
def batch_generate_reports(input_dir: Path, output_dir: Path):
    """读取所有板子数据，批量生成图表"""
    csv_files = sorted(input_dir.glob('*.csv'))

    if not csv_files:
        print(f"❌ 在 {input_dir} 下未找到CSV文件")
        return

    print(f"📊 开始批量生成图表，共 {len(csv_files)} 个文件...\n")

    for i, file_path in enumerate(csv_files, 1):
        board_id = file_path.stem.split('_')[1]

        try:
            df = pd.read_csv(file_path)
            df['timestamp'] = pd.to_datetime(df['timestamp'])
            df['temperature'] = pd.to_numeric(df['temperature'], errors='coerce')
            df['voltage'] = pd.to_numeric(df['voltage'], errors='coerce')
            df['sensor_id'] = df['sensor_id'].str.strip()

            # 简单清洗
            df = df.drop_duplicates(subset=['timestamp', 'sensor_id'])
            df['temperature'] = df['temperature'].interpolate(method='linear')

            # 绘图
            save_path = plot_board_report(board_id, df, output_dir)

            if i % 50 == 0 or i == len(csv_files):
                print(f"  进度: {i}/{len(csv_files)} - 最新: {save_path.name}")

        except Exception as e:
            print(f"  ⚠️ 板子 {board_id} 处理失败: {e}")
            continue

    print(f"\n✅ 全部完成！图表保存在: {output_dir.resolve()}")


# ============================================================
# 主程序
# ============================================================
if __name__ == '__main__':
    batch_generate_reports(INPUT_DIR, OUTPUT_DIR)

python

8.3.3 代码设计要点#

1. 为什么 plt.close(fig) 是必须的？

批量绘图时，每调用一次 plt.subplots() 就会在内存中创建一个新的 figure 对象。如果你不关闭它，画500张图就意味着同时有500个图表对象驻留在内存中——轻则几GB内存占用，重则程序直接崩溃。

规则：批量绘图必须 plt.close(fig)，就像文件读写必须 f.close() 一样。

2. 图表元素的”分层”思维

一张信息丰富的工程图表，可以理解为多层叠加：

第5层: 标注（峰值箭头、注释文字）
第4层: 参考线（阈值线、均值线）
第3层: 异常区间（fill_between 半透明色块）
第2层: 数据曲线（温度线、电压线）
第1层: 坐标轴框架（轴标签、刻度、网格、标题）

plaintext

先画第1层（坐标轴），然后逐层叠加。这个顺序很重要——如果先画数据再画坐标轴，坐标轴会盖住数据。

3. 颜色一致性

每个传感器通道的颜色在整个项目中必须保持一致。这就是为什么我们把颜色定义放在 SENSOR_COLORS 字典里——不管是画单张图还是批量图，NTC_1 永远是红色，NTC_2 永远是蓝色。

8.4 AI协作指南：让AI根据数据特征推荐图表类型并生成绘图代码#

8.4.1 数据特征 → 图表类型的映射#

不同类型的数据显示关系，需要不同类型的图表来表达。当你不确定该用什么图表时，参考以下映射表：

你想展示的数据关系	推荐图表类型	matplotlib 函数	Plotly 函数
随时间变化的趋势	折线图	`plt.plot()`	`go.Scatter(mode='lines')`
数据的分布情况	直方图、箱线图	`plt.hist()` / `plt.boxplot()`	`go.Histogram()` / `go.Box()`
两个变量的关联	散点图	`plt.scatter()`	`go.Scatter(mode='markers')`
多个类别的对比	柱状图	`plt.bar()`	`go.Bar()`
占比关系	饼图、环形图	`plt.pie()`	`go.Pie()`
多维数据的相关性	热力图	`plt.imshow()` / `sns.heatmap()`	`go.Heatmap()`
同一指标多次测量	箱线图（对比分布）	`plt.boxplot()`	`go.Box()`

嵌入式工程师最常用的 Top 3：

折线图：温升曲线、电压变化、传感器时序数据（几乎占80%的使用场景）
散点图：两路传感器的相关性分析（如温度 vs 电流）
直方图/箱线图：一批产品的测试结果分布（如500块板子的最高温度分布）

8.4.2 万能 Prompt 模板#

【数据描述】
我有一个 pandas DataFrame，列名及数据类型如下:
  - timestamp: datetime64, 采样时间，范围 2024-05-20 08:00 ~ 09:00
  - sensor_id: str, 值为 "NTC_1", "NTC_2", "NTC_3"
  - temperature: float64, 温度值 (°C)，范围 25~85
  - voltage: float64, 电压值 (V)，范围 3.20~3.35
  - status: str, "OK" 或 "ERROR"
数据量约60000行，每通道约20000行，采样频率约10Hz

【绘图需求】
我想画一张图来展示以下信息:
  1. 三个传感器的温度随时间变化曲线（不同颜色区分）
  2. 温度阈值 70°C 的参考线
  3. 温度超过阈值的区间用浅红色背景标注
  4. 右Y轴显示电压（双Y轴图）
  5. 图表需要放入正式测试报告，所以要求:
     - 中文标签
     - 300 DPI 保存
     - 隐藏上/右边框
     - 图例放在不遮挡数据的位置

【输出要求】
  - 使用 matplotlib
  - 代码可以直接运行
  - 包含中文注释
  - 保存为 PNG 文件

plaintext

8.4.3 AI 审查重点清单#

AI 生成的绘图代码，重点审查以下容易出错的地方：

审查项	常见问题	正确做法
中文显示	没有配置中文字体，输出全是方块	在代码开头配置 `plt.rcParams['font.sans-serif']`
双Y轴图例	两个Y轴的图例分开显示，混乱	用 `get_legend_handles_labels()` 合并到一个 `legend()` 调用
时间轴格式	X轴显示 `1.68e9` 这样的 Unix 时间戳	转为 `datetime` 类型，用 `DateFormatter` 格式化
内存泄漏	批量绘图时没有 `plt.close()`	循环中每次 `plt.savefig()` 后紧跟 `plt.close(fig)`
`tight_layout` 位置	在 `suptitle()` 之前调用 `tight_layout()` 导致标题被裁剪	先设置所有标签和标题，最后调用 `tight_layout()`；或者在 `savefig` 中用 `bbox_inches='tight'`
颜色对比度	多条曲线颜色太接近，黑白打印时分不清	使用色相差异大的颜色组合，或配合不同的线型（实线、虚线、点划线）
图例遮挡	图例默认放在”最佳位置”但恰好盖住关键数据	手动指定 `loc='upper left'` 等位置，或者放在图外 (`bbox_to_anchor`)

8.4.4 进阶 Prompt：让AI帮你设计图表风格指南#

当你需要在整个项目（或整个团队）中保持图表风格一致时，可以让 AI 帮你生成一套完整的样式配置文件：

我正在为一个嵌入式测试团队制定 matplotlib 图表风格指南。
请帮我编写一个 Python 模块 `engineering_plot_style.py`，要求:

1. 定义一套 rcParams 全局配置，满足以下工程规范:
   - 支持中文（Windows/Mac/Linux 三种系统的字体配置，自动选择可用的）
   - 默认图表尺寸 12x6 英寸
   - 保存分辨率 300 DPI
   - 隐藏上方和右侧边框
   - 刻度线朝内
   - 显示淡灰色虚线网格
   - 定义一组 8 色的工程配色方案（确保颜色在彩色和黑白打印下都能区分）

2. 提供一个 `apply_style()` 函数，一行调用即可应用所有配置

3. 提供一个 `save_figure()` 函数，封装常用的保存逻辑:
   - 自动裁剪白边
   - 自动创建输出目录
   - 支持同时保存 PNG 和 SVG 两种格式
   - 文件名自动加上时间戳

4. 提供一个快速创建双Y轴图的辅助函数 `create_dual_axis_plot()`

5. 提供一个快速创建多子图布局的辅助函数 `create_subplots()`

请包含详细的中文注释和使用示例。

plaintext

本章小结#

你学到了什么	解决了什么问题
`rcParams` 全局样式配置	告别默认样式的”丑图”，一次配置，全局生效
工程图表规范清单	10项自查标准，确保每张图都能放进正式报告
多子图布局与 `GridSpec`	在一张图中展示多个维度的数据对比
双Y轴图表	在同一张图中展示量纲不同的物理量
Plotly 交互式图表	调试阶段快速缩放、悬停查看数据细节
matplotlib vs Plotly 决策指南	明确”什么时候用什么工具”，不纠结
批量绘图模板	500块板子，一个脚本自动出图
AI Prompt 模板	让 AI 根据数据特征推荐图表类型并生成代码

下一章预告：图表让数据”看得见”，但有时候你需要一个实时运行的桌面程序——带按钮、带波形显示、能操作硬件。第9章我们将学习如何用 PyQt5 构建嵌入式上位机，以及那个让无数工程师翻车的致命问题：跨线程更新UI。

Comment seems to stuck. Try to refresh?✨

第8章 数据可视化：matplotlib工程图表规范

第8章 数据可视化：matplotlib工程图表规范#

8.1 场景与痛点：默认图表太丑，无法放入正式测试报告#

8.1.1 一个让人尴尬的汇报现场#

8.1.2 我们的目标#

8.2 核心方法论：工程图表规范#

8.2.1 一次配置，全局生效——工程级样式初始化#

8.2.2 工程图表规范清单#

8.2.3 多子图布局：一图胜千言#

8.2.4 双Y轴：当两个物理量”量纲”不同#

8.2.5 交互式图表 (Plotly) 快速入门#

matplotlib 的局限#

Plotly 的杀手级功能#

安装#

基础用法：3行代码搞定交互式图表#

Plotly 多通道对比#

8.2.6 matplotlib vs Plotly：场景分工决策指南#

8.3 核心实战：批量绘制多通道传感器数据曲线#

8.3.1 场景设定#

8.3.2 完整代码#

8.3.3 代码设计要点#

8.4 AI协作指南：让AI根据数据特征推荐图表类型并生成绘图代码#

8.4.1 数据特征 → 图表类型的映射#

8.4.2 万能 Prompt 模板#

8.4.3 AI 审查重点清单#

8.4.4 进阶 Prompt：让AI帮你设计图表风格指南#

本章小结#

第8章数据可视化：matplotlib工程图表规范

第8章数据可视化：matplotlib工程图表规范#