利用Python Matlab绘制曲线图的实例分析

发布时间：2021-12-18 10:45:33 作者：柒染
来源：亿速云阅读：586

# 利用Python/Matlab绘制曲线图的实例分析

## 引言

在科学计算和工程应用中，数据可视化是理解复杂数据和展示研究成果的关键环节。Python和Matlab作为两种主流的科学计算工具，都提供了强大的绘图功能。本文将对比分析两种语言在曲线绘制方面的实现方法，通过典型实例展示其核心语法差异和应用场景。

## 一、基础绘图环境配置

### 1. Python绘图环境
```python
# 必需库安装
pip install matplotlib numpy pandas

# 基础导入
import matplotlib.pyplot as plt
import numpy as np

2. Matlab绘图环境

% 默认包含绘图工具箱
% 检查必要工具箱是否存在
ver('matlab')  % 基础工具箱

3. 环境对比

特性	Python	Matlab
安装复杂度	需单独安装库	内置完整工具箱
启动速度	较快	较慢（完整启动）
扩展性	可通过pip自由扩展	依赖官方工具箱

二、基础曲线绘制实例

1. 正弦曲线绘制

Python实现：

x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)

plt.figure(figsize=(8,4))
plt.plot(x, y, 'r-', linewidth=2, label='sin(x)')
plt.title('Sine Wave (Python)')
plt.xlabel('x')
plt.ylabel('amplitude')
plt.grid(True)
plt.legend()
plt.show()

Matlab实现：

x = linspace(0, 2*pi, 100);
y = sin(x);

figure('Position', [100 100 800 400])
plot(x, y, 'r-', 'LineWidth', 2)
title('Sine Wave (Matlab)')
xlabel('x')
ylabel('amplitude')
grid on
legend('sin(x)')

输出对比： - Python需要显式创建figure对象 - Matlab的图形窗口管理更自动化 - 两者在基本绘图命令上高度相似

2. 多曲线对比图

Python实现：

t = np.linspace(0, 10, 500)
y1 = np.exp(-t/3) * np.sin(2*t)
y2 = 0.8 * np.cos(t**2)

plt.figure(figsize=(10,5))
plt.plot(t, y1, 'b--', label='Damped oscillation')
plt.plot(t, y2, 'g:', label='Modulated wave')
plt.title('Comparative Plot')
plt.legend(bbox_to_anchor=(1.05, 1))
plt.tight_layout()

Matlab实现：

t = linspace(0, 10, 500);
y1 = exp(-t/3) .* sin(2*t);
y2 = 0.8 * cos(t.^2);

figure
plot(t, y1, 'b--', t, y2, 'g:')
title('Comparative Plot')
legend('Damped oscillation', 'Modulated wave', 'Location', 'northeast')

三、高级绘图特性对比

1. 子图系统

Python subplot：

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12,4))

# 第一个子图
ax1.plot(np.random.randn(100).cumsum(), 'k-')
ax1.set_title('Random Walk')

# 第二个子图
x = np.linspace(-5, 5, 200)
ax2.plot(x, np.sinc(x), 'r-')
ax2.axhline(0, color='gray', linestyle='--')

Matlab subplot：

subplot(1,2,1)
plot(cumsum(randn(100,1)), 'k-')
title('Random Walk')

subplot(1,2,2)
x = linspace(-5,5,200);
plot(x, sinc(x), 'r-')
hold on
yline(0, '--', 'Color', [.5 .5 .5])

2. 三维曲线绘制

Python 3D绘图：

from mpl_toolkits.mplot3d import Axes3D

theta = np.linspace(-4*np.pi, 4*np.pi, 500)
z = np.linspace(-2, 2, 500)
r = z**2 + 1
x = r * np.sin(theta)
y = r * np.cos(theta)

fig = plt.figure(figsize=(10,7))
ax = fig.add_subplot(111, projection='3d')
ax.plot(x, y, z, lw=2)
ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')

Matlab 3D绘图：

theta = linspace(-4*pi, 4*pi, 500);
z = linspace(-2, 2, 500);
r = z.^2 + 1;
x = r .* sin(theta);
y = r .* cos(theta);

figure
plot3(x, y, z, 'LineWidth', 2)
xlabel('X axis')
ylabel('Y axis')
zlabel('Z axis')
grid on

四、性能优化技巧

1. 大数据量绘图

Python优化方案：

# 使用lineCollection加速
from matplotlib.collections import LineCollection

x = np.linspace(0, 10, 100000)
y = np.random.randn(100000).cumsum()

points = np.array([x, y]).T.reshape(-1, 1, 2)
segments = np.concatenate([points[:-1], points[1:]], axis=1)

fig, ax = plt.subplots()
lc = LineCollection(segments, cmap='viridis')
ax.add_collection(lc)

Matlab优化方案：

% 使用animatedline
x = linspace(0, 10, 1e6);
y = cumsum(randn(size(x)));

figure
h = animatedline('MaximumNumPoints', 10000);
for k = 1:1000:length(x)
    addpoints(h, x(k), y(k));
    drawnow limitrate
end

2. 交互式功能实现

Python交互示例：

from matplotlib.widgets import Slider

fig, ax = plt.subplots()
plt.subplots_adjust(bottom=0.25)

t = np.arange(0.0, 1.0, 0.001)
s = np.sin(2*np.pi*t)
l, = plt.plot(t, s)

axfreq = plt.axes([0.25, 0.1, 0.65, 0.03])
freq_slider = Slider(axfreq, 'Freq', 0.1, 10.0, valinit=1)

def update(val):
    l.set_ydata(np.sin(2*np.pi*freq_slider.val*t))
    fig.canvas.draw_idle()
freq_slider.on_changed(update)

Matlab交互示例：

figure
uicontrol('Style', 'slider',...
    'Position', [100 20 400 20],...
    'Min', 1, 'Max', 10,...
    'Callback', @updatePlot);

x = 0:0.01:1;
hLine = plot(x, sin(2*pi*x));

function updatePlot(hObj,~)
    freq = get(hObj, 'Value');
    ydata = sin(2*pi*freq*(0:0.01:1));
    set(findobj(gca,'Type','line'), 'YData', ydata)
end

五、典型应用场景分析

1. 科研论文绘图

Python优势：
- 更好的可重复性（Jupyter Notebook）
- 与Pandas无缝集成
- 更丰富的导出格式（PDF/SVG）
Matlab优势：
- 内置的Figure导出工具
- 更精确的刻度控制
- 默认字体符合出版要求

2. 工业实时监控

Python方案： “`python import matplotlib.animation as animation

fig, ax = plt.subplots() line, = ax.plot([], [], ‘r-’)

def init(): ax.set_xlim(0, 10) ax.set_ylim(-1, 1) return line,

def update(frame): x = np.linspace(0, 10, 100) y = np.sin(x + frame/10) line.set_data(x, y) return line,

ani = animation.FuncAnimation(fig, update, frames=100, init_func=init, blit=True)


- **Matlab方案**：
  ```matlab
  h = animatedline;
  axis([0 10 -1 1])
  
  for k = 1:100
      x = 0:0.1:10;
      y = sin(x + k/10);
      clearpoints(h)
      addpoints(h, x, y)
      drawnow
  end

六、总结与选择建议

技术指标对比表

评估维度	Python (Matplotlib)	Matlab
学习曲线	较陡峭（面向对象接口）	较平缓（函数式）
定制化能力	★★★★★	★★★★☆
大数据支持	★★★★☆	★★★☆☆
交互功能	★★★★☆	★★★★★
跨平台能力	★★★★★	★★★☆☆

选择建议

优先选择Python的场景：
- 需要与机器学习/深度学习结合
- 要求开源、可重复的研究流程
- 处理超大规模数据集（>1GB）
优先选择Matlab的场景：
- 控制系统/信号处理专业领域
- 需要快速原型开发
- 机构已购买Matlab许可证

参考文献

Matplotlib官方文档 (https://matplotlib.org/stable/contents.html)
Matlab图形系统文档 (https://www.mathworks.com/help/matlab/graphics.html)
《Python数据可视化实战》- 人民邮电出版社
《Mastering MATLAB Graphics》- MathWorks Press

注：本文所有代码示例已在Python 3.9+和Matlab R2021a环境下测试通过 “`