pythonimport matplotlib.pyplot as pltimport seaborn as snsimport pandas as pdimport numpy as np# 解决中文显示问题plt.rcParams["font.sans-serif"] = ["SimHei", "Arial"]plt.rcParams["axes.unicode_minus"] = False# 设置论文级别的默认样式sns.set_theme(style="whitegrid", font_scale=1.2)# 设置默认分辨率和图片大小plt.rcParams["figure.dpi"] = 300plt.rcParams["figure.figsize"] = (8, 5)

💡小提示：SCI论文一般要求图片分辨率至少300DPI，线条图建议600DPI以上，提前设置好省得后期返工。

论文五大常用图表实战

论文里90%的图表都逃不出这五种，把它们吃透，你的实验结果展示就够用了。

2.1 折线图：展示趋势变化

适用场景：训练损失曲线、准确率随迭代变化、时间序列数据、消融实验对比。

这是深度学习论文里出镜率最高的图，没有之一。

python# 模拟数据：三个模型在训练集上的准确率变化epochs = np.arange(1, 51)model_a = 0.85 + 0.1 * (1 - np.exp(-epochs/10)) + np.random.normal(0, 0.01, 50)model_b = 0.80 + 0.12 * (1 - np.exp(-epochs/8)) + np.random.normal(0, 0.01, 50)model_c = 0.78 + 0.08 * (1 - np.exp(-epochs/12)) + np.random.normal(0, 0.01, 50)# 创建画布 - 面向对象方式更可控fig, ax = plt.subplots(figsize=(8, 5))# 绘制三条折线ax.plot(epochs, model_a, label="Ours", linewidth=2.5, color="#2E86AB")ax.plot(epochs, model_b, label="Baseline A", linewidth=2, color="#A23B72", linestyle="--")ax.plot(epochs, model_c, label="Baseline B", linewidth=2, color="#F18F01", linestyle="-.")# 设置坐标轴和标题ax.set_xlabel("Epoch", fontsize=12, fontweight="bold")ax.set_ylabel("Accuracy", fontsize=12, fontweight="bold")ax.set_title("Model Performance Comparison", fontsize=14, fontweight="bold", pad=15)# 添加图例和网格ax.legend(frameon=True, loc="lower right", fontsize=10)ax.grid(True, alpha=0.3)# 去掉上右边框，更简洁ax.spines["top"].set_visible(False)ax.spines["right"].set_visible(False)plt.tight_layout()plt.show()

图1：模型性能对比折线图

论文级技巧：

自己的方法用实线+亮色，对比方法用虚线+暗色，突出重点

去掉上右边框（spines），视觉上更清爽

线条宽度设为2-2.5，打印出来也清晰

2.2 柱状图：多组实验对比

适用场景：不同方法在多个数据集上的性能对比、消融实验结果、各模块贡献度分析。

python# 模拟数据：四种方法在三个数据集上的F1分数data = {"Dataset": ["Dataset A", "Dataset A", "Dataset A", "Dataset A","Dataset B", "Dataset B", "Dataset B", "Dataset B","Dataset C", "Dataset C", "Dataset C", "Dataset C"],"Method": ["Method 1", "Method 2", "Method 3", "Ours"] * 3,"F1-Score": [0.78, 0.82, 0.85, 0.91,0.75, 0.79, 0.83, 0.89,0.72, 0.76, 0.80, 0.87]}df = pd.DataFrame(data)fig, ax = plt.subplots(figsize=(10, 6))# 用Seaborn画分组柱状图sns.barplot(data=df, x="Dataset", y="F1-Score", hue="Method", palette="viridis", edgecolor="black", linewidth=0.8, ax=ax)# 添加数值标签for container in ax.containers:ax.bar_label(container, fmt="%.2f", padding=3, fontsize=9)ax.set_ylim(0.6, 1.0)ax.set_xlabel("", fontsize=12)ax.set_ylabel("F1-Score", fontsize=12, fontweight="bold")ax.set_title("Performance Comparison Across Datasets", fontsize=14, fontweight="bold", pad=15)ax.legend(title="", frameon=True, loc="upper right")ax.spines["top"].set_visible(False)ax.spines["right"].set_visible(False)plt.tight_layout()plt.show()

图2：多组实验对比柱状图

论文级技巧：

每个柱子上方标注具体数值，审稿人不用对着Y轴猜

Y轴不要从0开始（除非有特殊要求），让差异更明显

配色选viridis、plasma这类科学配色，既专业又色盲友好

2.3 散点图：相关性与分布

适用场景：两个变量的相关性分析、聚类结果可视化、异常点检测。

python# 模拟数据：特征X与预测值Y的关系np.random.seed(42)x = np.random.normal(0, 1, 200)y = 2 * x + np.random.normal(0, 0.5, 200)category = np.random.choice(["Class A", "Class B"], 200, p=[0.6, 0.4])df_scatter = pd.DataFrame({"Feature X": x, "Prediction Y": y, "Category": category})fig, ax = plt.subplots(figsize=(8, 6))sns.scatterplot(data=df_scatter, x="Feature X", y="Prediction Y", hue="Category", style="Category", s=80, alpha=0.8,palette=["#2E86AB", "#A23B72"], ax=ax)# 添加拟合线sns.regplot(data=df_scatter, x="Feature X", y="Prediction Y", scatter=False, color="gray", line_kws={"linestyle": "--"}, ax=ax)ax.set_xlabel("Feature X", fontsize=12, fontweight="bold")ax.set_ylabel("Prediction Y", fontsize=12, fontweight="bold")ax.set_title("Correlation Between Feature X and Prediction Y", fontsize=14, fontweight="bold", pad=15)ax.legend(frameon=True)ax.spines["top"].set_visible(False)ax.spines["right"].set_visible(False)plt.tight_layout()plt.show()

图3：相关性分析散点图

2.4 热力图：相关性矩阵

适用场景：特征相关性分析、混淆矩阵、注意力权重可视化。

python# 模拟数据：10个特征之间的相关性矩阵np.random.seed(42)features = [f"Feature {chr(65+i)}" for i in range(8)]corr_matrix = np.random.randn(8, 8)corr_matrix = (corr_matrix + corr_matrix.T) / 2 # 对称化np.fill_diagonal(corr_matrix, 1.0) # 对角线设为1df_corr = pd.DataFrame(corr_matrix, index=features, columns=features)fig, ax = plt.subplots(figsize=(9, 7))sns.heatmap(df_corr, annot=True, fmt=".2f", cmap="RdBu_r", center=0, square=True, linewidths=0.5,cbar_kws={"shrink": 0.8}, ax=ax)ax.set_title("Feature Correlation Matrix", fontsize=14, fontweight="bold", pad=15)plt.xticks(rotation=45, ha="right")plt.yticks(rotation=0)plt.tight_layout()plt.show()

图4：特征相关性矩阵热力图

论文级技巧：

相关性矩阵用RdBu_r配色，红蓝对比清晰，中心设为0

每个格子标注数值，方便读者精确读取

设置square=True让格子变成正方形，更美观

2.5 箱线图：数据分布与离群点

适用场景：多组数据分布对比、异常值检测、实验结果稳定性分析。

python# 模拟数据：四种算法的运行时间分布np.random.seed(42)data_box = {"Algorithm": ["Alg A"]*50 + ["Alg B"]*50 + ["Alg C"]*50 + ["Ours"]*50,"Time (s)": np.concatenate([np.random.normal(10, 2, 50),np.random.normal(8, 1.5, 50),np.random.normal(12, 3, 50),np.random.normal(5, 1, 50)])}df_box = pd.DataFrame(data_box)fig, ax = plt.subplots(figsize=(8, 5))sns.boxplot(data=df_box, x="Algorithm", y="Time (s)", palette="Set2", width=0.5, ax=ax)# 在箱线图上叠加散点，展示原始数据分布sns.stripplot(data=df_box, x="Algorithm", y="Time (s)", size=4, color="gray", alpha=0.5, ax=ax)ax.set_xlabel("", fontsize=12)ax.set_ylabel("Running Time (seconds)", fontsize=12, fontweight="bold")ax.set_title("Running Time Comparison of Different Algorithms", fontsize=14, fontweight="bold", pad=15)ax.spines["top"].set_visible(False)ax.spines["right"].set_visible(False)plt.tight_layout()plt.show()

图5：算法运行时间箱线图

论文级技巧：

箱线图+散点图叠加，既能看统计量又能看原始数据分布

自己的方法用最醒目的颜色突出

异常点（离群值）要在论文中解释原因，别让审稿人疑惑

论文级图表美化：从"能用"到"惊艳"

会画图只是基础，画得专业才是关键。这几个技巧，能让你的图表质感直接上一个台阶。

3.1 导出高清图片

画完图别直接截图，用savefig导出高清版本：

python# 导出为PNG（300DPI，适合大多数期刊）plt.savefig("figure1.png", dpi=300, bbox_inches="tight", facecolor="white")# 导出为PDF（矢量图，无限放大不模糊，顶级期刊首选）plt.savefig("figure1.pdf", bbox_inches="tight")# 导出为SVG（矢量图，可在Illustrator中编辑）plt.savefig("figure1.svg", bbox_inches="tight")