Matplotlib出版级散点图绘制全指南：从规范到导出

做科研图表复现存续两年的习惯里，我收到最多的问题不是“怎么画线”，而是：为什么同样是散点图，别人的图放在期刊里毫无违和感，我自己的图一贴进 Word 就露馅？这期“Nature图表复现”系列，我们专门拆散点图。我会用一条完整案例，从视觉规范建立、数据清洗、坐标轴整形、拟合线、组合图到导出投稿，带你走完一张出版级散点图的全程。适合准备 SCI 论文配图的研究生、动手做性能分析报告的数据工程师，也包括所有想摆脱 matplotlib 默认样式的人。

散点图本身是最简单的二维图形，但这恰恰意味着细节决定成败。因为简单，任何审美缺陷都无法被复杂的表现手法掩盖。下面内容不涉及晦涩的理论，全部是可复制的参数和思路。

1. 先拆解目标：Nature散点图的“高级感”从哪里来

1.1 高级感来自“视觉规范”，不是某一笔好画

我拆过不少发表在 Nature 正刊和子刊上的散点图。放大看，每个元素都不复杂：一条细坐标轴线、四五个点群、少量误差线、一句标注。但组合起来就是干净。关键在两点：第一，全图用的字体、线宽、字号、颜色数量都严格控制，没有多余装饰；第二，所有子图共用同一套样式配置，而不是每张图临时调。这两点落到操作上，就是把你常用的绘图参数抽成一个全局样式文件，所有图统一调用。

对 matplotlib 来说，最直接的做法是修改 matplotlib.rcParams。下面这套参数是我日常做复现类图表时存档的，核心思路是“白底、无装饰、刻度朝外、线宽统一”。

python复制import matplotlib as mpl

mpl.rcParams.update({
    'font.family': 'sans-serif',
    'font.sans-serif': ['Arial', 'Helvetica', 'DejaVu Sans'],
    'font.size': 8,
    'axes.linewidth': 0.8,
    'axes.edgecolor': 'black',
    'axes.labelcolor': 'black',
    'text.color': 'black',
    'xtick.color': 'black',
    'ytick.color': 'black',
    'xtick.direction': 'out',
    'ytick.direction': 'out',
    'xtick.major.size': 4,
    'ytick.major.size': 4,
    'xtick.major.width': 0.8,
    'ytick.major.width': 0.8,
    'xtick.labelsize': 7,
    'ytick.labelsize': 7,
    'axes.grid': False,
    'figure.dpi': 150,
    'savefig.dpi': 600,
    'savefig.bbox': 'tight',
})

这套配置单独看没什么，但它能避免我反复踩的坑：忘改字体导致中文字体乱入、刻度方向一会儿朝内一会儿朝外、导出分辨率不够导致线条发虚。你不需要完全照搬，重要的是先建立起“一套规范走到底”的意识。

1.2 默认样式是“探测工具”，复现样式是“出版工具”

很多人没意识到 matplotlib 默认风格的定位：灰色背景、白网格、四边都闭合的边框，这是为了方便快速发现数据问题，不是为了放到论文里给人读。印刷阅读场景要求相反：白底、无网格或极淡网格、只保留左和下两条轴线、刻度朝外。

我常用一个类比解释这两者的区别：默认样式像外科手术的无影灯，越亮越好，目的是看清所有细节；出版样式像博物馆的射灯，只照亮展品，背景尽量安静。理解了“探索”和“出版”这两套目标的分野，就不会再纠结为什么默认参数画出来“总觉得差点意思”。

表格里的每一项看起来都是小细节，但组合在一起就是“期刊感”和“代码跑通感”的分水岭。

2. 数据清洗先行：散点图的“好看”是清理出来的

2.1 不处理异常值，后面所有参数都白调

散点图和数据质量的关系，比很多人想象中紧密。如果数据里混进几个异常点，坐标轴范围会被拉得很大，主体数据全挤在图的一角，透明度再调也没用。这不是绘图问题，是数据问题。

我通常会在绘图前做三步：

1. 删除缺失关键字段的行，比如 x 或 y 为 NaN。
2. 用四分位距（IQR）定位异常值，但不一定直接删除，而是先看业务含义。
3. 对重复点做去重处理，或者叠加抖动让分布可见。

python复制import pandas as pd

df = pd.read_csv('lock_throughput.csv')
df = df.dropna(subset=['lock_wait_ms', 'throughput_tps'])

q1 = df['lock_wait_ms'].quantile(0.25)
q3 = df['lock_wait_ms'].quantile(0.75)
iqr = q3 - q1
lower, upper = q1 - 1.5 * iqr, q3 + 1.5 * iqr

df['is_outlier'] = (df['lock_wait_ms'] < lower) | (df['lock_wait_ms'] > upper)
df_clean = df[~df['is_outlier']]

对科研绘图，我的建议是：异常值不要静默删除，最好单独标记，或者用截断显示的方式处理。所谓截断显示，就是设定坐标轴范围后，在范围外标注箭头，告诉读者“此处还有更极端的点”。很多期刊图里那条坐标轴上的截断符号，就是这个作用。

2.2 分类变量用离散色，连续变量用渐变色

散点图里除了 (x, y) 坐标，第三维信息通常来自颜色、大小或形状。这里有个经验法则：分类变量用离散色，连续变量用渐变色，不要混用。“viridis”这类感知均匀的色带更适合连续值，而点的大小通常用来表达第三维数量，不适合表达分类。

以热词里提到的“锁等待时长 系统吞吐量 关系散点图”为例，我习惯把锁等待时长映射为颜色，用颜色深浅暗示压力水平，这样一张图可以同时表达三个维度：横轴是响应延迟的伴随指标，纵轴是吞吐量，颜色是锁等待时长。比单纯一张黑白散点图信息量多一个层级，又不会像 3D 图那样难读。

这里有一个关键点：颜色映射最好做归一化，否则极端值会把颜色范围拽偏。matplotlib 里可以用 norm=plt.Normalize(vmin, vmax) 控制，或者直接给 c= 传归一化后的数值。很多人在这一步偷懒，结果就是图的颜色深一片浅一片，图例没法解释。

3. 从 plt.scatter 到 Nature 质感：核心参数逐个调校

3.1 透明度：散点密度控制的第一要素

热词里有人搜“matplotlib 散点图 透明度 网格”，说明大部分人都知道要调透明度，但不知道调到多少。透明度本质上是在模拟墨水的叠加：点多了，重叠区域颜色会加深。如果数据量几百个点，alpha 取 0.7 比较合适；几千个点时降到 0.3~0.5；上万个点时可能需要 0.05~0.2。

怎么判断是否合适？一个很土但有效的标准：把图缩到预览的 50% 大小，如果最密集的区域完全变成一团黑，说明 alpha 太大。真正到位的密度显示，最深色区域应该还能看出分布层次，而不是一个墨块。

python复制import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(3.5, 2.5))
scatter = ax.scatter(
    df['lock_wait_ms'],
    df['throughput_tps'],
    s=18,
    c=df['lock_wait_ms'],
    cmap='viridis',
    alpha=0.6,
    edgecolors='none',
)

这里 s=18 不是半径，而是点的面积，单位是平方像素。很多教程不强调这一点，导致点大小总比想象中夸张。想表达半径比例关系的数据，记得先把半径平方再传入。

3.2 颜色、尺寸和边框的配合

散点图里点与点之间要有“呼吸感”，靠的是三个参数的协同：s 控制面积、alpha 控制透明度、edgecolors 控制描边。

当数据量中等（几百到一千）且重叠较多时，我会给点加一圈很细的白色描边，宽度 0.3 左右。这个白色描边能让重叠的点之间出现微弱的间隔，提升颗粒感。但点特别小（s 小于 15）时不要用描边，因为白边会喧宾夺主，让点看起来是空心圈。

python复制scatter = ax.scatter(
    x, y,
    s=24,
    c=color,
    alpha=0.65,
    edgecolors='white',
    linewidths=0.3,
)

如果是分类数据，同一类点共用一个颜色时，不同类别之间要保证色相有明显差异。我最常用的分类配色是 tab10 里挑了又调过的版本，避免默认的亮红色和亮蓝色直接怼在一起。出版级图表通常饱和度偏低，颜色像兑了一点白，看起来更温和。

3.3 点太多时怎么办：抽稀比调透明度更有效

前面说到上万点时 alpha 调到 0.1 以下，但更推荐的做法是抽稀（downsample）。随机抽取一部分点绘制，同时保留全样本绘制出的趋势，这在数据量极大时能大幅度提升渲染速度和文件体积，对视觉品质反而更友好。

抽稀不是在数据层面暴力取前 N 行，而是用随机种子保证可复现：

python复制sample = df.sample(n=8000, random_state=42)

注意，抽稀仅适用于探索性分析或示意图。如果是为期刊提供原始统计结论，还是要用全量数据计算相关系数和回归，绘图时再做抽样展示，并在方法部分说明抽样方式。

4. 坐标系的“整形手术”：刻度、网格与边框的取舍

4.1 刻度和字体：图表的“字形”

坐标轴的刻度是图表最容易被忽略的“字形”。Nature 类期刊普遍使用刻度朝外，刻度的短线长度在 3~4 pt，宽度与坐标轴线一致，刻度标签用 7~8 pt 无衬线字体。这样整体观感非常轻盈。

这些细节可以通过 ax.tick_params() 批量控制：

python复制ax.tick_params(
    axis='both',
    direction='out',
    length=3.5,
    width=0.8,
    labelsize=7,
    pad=3,
)

pad=3 控制刻度标签与刻度线的距离，默认值有时候会让标签贴到刻度线上，在印刷时显得局促。调完这个，整张图会立刻松弛下来。

还有一个很实用的习惯：坐标轴标签务必带上单位，比如“Lock wait time (ms)”“Throughput (tps)”。很多图被审稿人打回就是因为坐标轴只有变量名没有单位，读者要翻原文才知道量纲。

4.2 网格线要“存在但不出声”

散点图的网格历来有争议。Nature 正刊里的散点图大多没有网格，靠坐标轴数值本身定位就够。但如果数据分布没有明显规律、读者需要做粗略估读，极淡的网格反而有用。

我的方案是：需要网格时，用虚线、细线、低透明度，颜色用灰色而不是纯黑：

python复制ax.grid(True, linestyle='--', linewidth=0.5, alpha=0.3, color='gray')

判断标准很简单：网格线存在，但不应该抢在数据点之前进入视线。如果你在扫视图表时第一眼看的是网格而不是数据，说明网格太重了，继续降低 alpha 或者直接关掉。

4.3 坐标轴范围与极端值的截断策略

坐标轴范围设多少，直接决定散点图的信息量。matplotlib 默认会留出 5% 左右的边距，但出版图通常希望数据点尽量占满画布，减少浪费的空白。

我用一个函数做轴范围裁剪，简单实用：

python复制def set_axis_limits(ax, x, y, pad_ratio=0.03):
    ax.set_xlim(x.min() - (x.max() - x.min()) * pad_ratio,
                x.max() + (x.max() - x.min()) * pad_ratio)
    ax.set_ylim(y.min() - (y.max() - y.min()) * pad_ratio,
                y.max() + (y.max() - y.min()) * pad_ratio)

如果数据里存在少数极大值，不删数据但又要保住主体的分布形态，我会把坐标轴上限设为主体的 98 分位附近，然后用一个箭头标注“截断方向”，让读者知道图外还有数据。这种处理方式比直接删点更诚实，也更符合科研制图规范。

5. 信息密度提升：拟合线、置信带和柱点组合图

5.1 散点图加上拟合线和置信带，才有“结论感”

只有裸散点，读者看到的是“一堆点”；加上拟合线和置信带，读者看到的才是“趋势和置信程度”。这一步对数据分析报告尤其重要。

我一般用 SciPy 做线性回归，然后手算置信带，而不是直接调 seaborn 的 regplot。因为这样得到的回归系数、p 值、置信区间都可以写到图注里：

python复制import numpy as np
from scipy import stats

res = stats.linregress(x, y)
slope, intercept, rvalue, pvalue = res.slope, res.intercept, res.rvalue, res.pvalue

x_fit = np.linspace(x.min(), x.max(), 100)
y_fit = slope * x_fit + intercept

# 95% 置信带
n = len(x)
t_val = stats.t.ppf(0.975, n - 2)
y_pred = slope * x + intercept
residual_std = np.sqrt(np.sum((y - y_pred) ** 2) / (n - 2))
se_fit = residual_std * np.sqrt(1 / n + (x_fit - x.mean()) ** 2 / np.sum((x - x.mean()) ** 2))
upper = y_fit + t_val * se_fit
lower = y_fit - t_val * se_fit

绘制时，拟合线用实线，置信带用浅色填充：

python复制ax.plot(x_fit, y_fit, color='#d62728', linewidth=1.0, label='Linear fit')
ax.fill_between(x_fit, lower, upper, color='#d62728', alpha=0.15, edgecolor='none')

注意，置信带不是给你画着好看的，它直接说明趋势的稳定性。如果置信带非常宽，哪怕 p 值小于 0.05，也要谨慎解读。

5.2 柱形图与散点图“折叠”在同一张图里的正确姿势

热词里有一条“word 如何让柱形图和散点图折叠在一起”，这说明很多人在 Word 里折腾组合图失败过。先给个结论：Word 自带图表功能不适合做这类组合图，正确做法是先用 Python、Origin 或 GraphPad 生成好图，再插入 Word。

在 matplotlib 里，“柱形图 + 散点图”的组合通常用于展示“分组统计量 + 所有原始样本”。柱表达均数或中位数，散点表达每个样本的分布。这种图在论文里还有个专门名字：Dot plot with bar，或者 bar + strip plot。

python复制fig, ax = plt.subplots(figsize=(3.5, 2.5))

groups = ['A', 'B', 'C']
means = [12.3, 18.7, 15.2]
errors = [1.2, 1.5, 1.1]

# 柱子表示均值 + 误差线
bars = ax.bar(groups, means, yerr=errors,
              color='#cccccc', edgecolor='black',
              linewidth=0.8, width=0.5, capsize=3)

# 散点表示所有原始样本，加一点 x 方向的抖动
for i, (g, xvals) in enumerate(zip(groups, sample_groups)):
    jittered = np.full_like(xvals, i) + np.random.uniform(-0.15, 0.15, size=len(xvals))
    ax.scatter(jittered, xvals, s=10, alpha=0.6,
               color='#1f77b4', edgecolors='white', linewidths=0.2)

这里有两个坑。第一，柱宽不要太大，0.5 左右留出空间给散点；第二，散点的 x 坐标必须做抖动，否则同组的点会全部叠在柱子中心线上，变成一根“火柴棍”。抖动幅度控制在柱宽的 30% 以内，太大会混到其他组里去。

如果你要加右侧次坐标轴，用 ax.twinx()。但有个原则：次坐标轴必须有明确的量纲和刻度，不要只是为了“多加一条折线”而滥用。一张图同时出现两根 y 轴时，读者的阅读成本会显著上升，能不用就不用。

6. 实际案例复盘：用散点图揭示锁等待时长与系统吞吐量的关系

6.1 数据场景与采集口径

这类散点图在数据库性能分析里非常常见，比如定位锁竞争对系统吞吐量的影响。数据来源通常是压测期间的监控日志：每次采样记录一个锁等待时长和一个吞吐量值。采集时要注意口径统一，比如都在同样的并发线程数下采样，否则不同并发背景的数据混在一起，散点图会呈现多条“趋势簇”，解释起来非常困难。

实际分析中，我先把数据按并发档位分组，先画总览图，再画分档图。如果总览图呈现明显负相关但分档图没有，说明相关关系很可能被并发参数混淆了。这是统计上的混淆变量问题，不是画图能解决的。

6.2 完整绘图代码与输出解读

下面是这个案例的一份完整绘图代码，组合了前面所有技术点：

python复制import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

# 全局出版样式
mpl.rcParams.update({
    'font.family': 'sans-serif',
    'font.sans-serif': ['Arial', 'Helvetica', 'DejaVu Sans'],
    'font.size': 8,
    'axes.linewidth': 0.8,
    'xtick.direction': 'out',
    'ytick.direction': 'out',
    'xtick.major.size': 3.5,
    'ytick.major.size': 3.5,
    'axes.grid': False,
})

df = pd.read_csv('lock_throughput.csv')
df = df.dropna(subset=['lock_wait_ms', 'throughput_tps'])

# 用颜色映射锁等待时长
fig, ax = plt.subplots(figsize=(3.5, 2.5))

sc = ax.scatter(
    df['throughput_tps'],
    df['lock_wait_ms'],
    s=20,
    c=df['lock_wait_ms'],
    cmap='viridis',
    alpha=0.55,
    edgecolors='none',
)

# 拟合线
res = stats.linregress(df['throughput_tps'], df['lock_wait_ms'])
x_fit = np.linspace(df['throughput_tps'].min(), df['throughput_tps'].max(), 100)
y_fit = res.slope * x_fit + res.intercept
ax.plot(x_fit, y_fit, color='#d62728', linewidth=1.0)

ax.set_xlabel('Throughput (tps)')
ax.set_ylabel('Lock wait time (ms)')
ax.tick_params(labelsize=7)

cbar = fig.colorbar(sc, ax=ax, pad=0.02)
cbar.set_label('Lock wait time (ms)', fontsize=7)
cbar.ax.tick_params(labelsize=6)

plt.savefig('lock_throughput_scatter.pdf')

图绘出来后，我会先看三点：趋势方向是否符合业务预期、置信带宽度是否可接受、颜色映射是否有清晰的梯度。如果颜色梯度从深到浅在图上没有自然过渡，而是碎片化乱跳，通常说明锁等待时长和吞吐量之外，还有其他变量在起作用，值得进一步下钻分析。

6.3 投稿前的导出细节：尺寸、DPI 和字体

复现类文章最后一步是把图导出为期刊能用的文件。这步出错最多的原因是混淆“屏幕图”和“印刷图”。屏幕看图 72~150 DPI 够用，印刷至少 300 DPI，期刊图通常要求 600 DPI。

具体到尺寸，Nature 的栏宽要求是：单栏图 89 mm，双栏图 183 mm。换算成英寸分别是 3.5 和 7.2。所以我在 figsize 里习惯直接写英寸：

• 单栏散点图：figsize=(3.5, 2.5) 或 (3.5, 3)
• 双栏大图：figsize=(7.2, 5)

导出格式优先 PDF 或 EPS 矢量格式，不要只导 PNG。矢量格式在期刊缩放时不会产生锯齿，审稿人放大看细节也更清晰。如果期刊必须收位图，再导出 600 DPI 的 TIFF。

字体嵌入是另一个容易被忽略的点。matplotlib 保存 PDF 时会嵌入字体，但有时会变成 Type 3 字体，个别期刊不接受。稳妥做法是把 pdf.fonttype 和 ps.fonttype 设为 42，这样输出 TrueType 字体，兼容性更好。

python复制mpl.rcParams['pdf.fonttype'] = 42
mpl.rcParams['ps.fonttype'] = 42

最后，给所有图做一个统一的“导出前检查列表”：坐标轴标签是否带单位、图例是否与数据点重叠、刻度字号是否小于可读下限、字体是否全部嵌入。检查列表可以帮你避免 90% 的投稿退修问题。

做图表复现这件事，我个人的体会是：技巧都是次要的，真正拉开差距的是“对细节的偏执”和“统一的规范”。今天这套散点图流程你可以直接抄去用，但最好还是根据你所在期刊的排版风格，把 rcParams 里的参数微调成自己的固定模板。下回再做同类图，十分钟就能出一张不露怯的出版级散点图。