matplotlib

matplotlib 概览

matplotlib 是用来做什么的

matplotlib skill 适合需要对图表进行精确控制的 Python 用户，而不只是做出“一张看起来还行的图”。它可以帮助你创建静态、动画或交互式可视化，并且对坐标轴、标签、图例、颜色、布局以及导出格式拥有完整控制权。

最适合的场景与真实任务

当你的目标是把数据变成一张可以信赖、复用并发布的图时，就该用 matplotlib skill：比如科研图表、嵌入 Python 工作流的 dashboard、多面板分析，或自定义图表类型。它在 matplotlib for Data Analysis 场景下尤其有用，因为这类任务往往需要精确格式和可复现输出。

为什么选 matplotlib，而不是泛用提示词

和泛用绘图提示词相比，matplotlib skill 更适合你在意 Figure/Axes 模型、subplot 结构、保存为 PNG/PDF/SVG，以及避免那种“一次性写出来、换个数据集就坏掉”的代码。它比 seaborn 更少预设，比 plotly 更手动；当你重视定制能力时，这种取舍正是优势所在。

如何使用 matplotlib skill

安装并找到核心说明

使用下面的命令安装 matplotlib skill：

npx skills add K-Dense-AI/claude-scientific-skills --skill matplotlib

然后先阅读 SKILL.md。这个 repo 里没有配套的 rules/、resources/ 或辅助脚本，所以它的主要价值都集中在 skill 正文和其中嵌入的示例里。

给 skill 提供正确输入

高质量的提示词要明确说明图表目标、数据形态、受众和输出约束。比如：“Create a 2-panel matplotlib figure for a paper: line plot of temperature over time and a scatter plot of error vs. prediction, using a clean serif style, shared x-axis, legend outside the axes, and export as SVG.”

先从工作流入手，不要先写代码

最好的 matplotlib 使用方式通常是：先定义图表目的，再选择合适的 API（pyplot 适合快速出图，OO API 更适合可复用代码），然后把每条数据序列映射到对应的 axis，最后再细调标签、刻度、间距和导出设置。如果你只说“画个图”，往往会得到一份默认值很多、后续还得大量清理的结果。

先看 repo 里的哪些内容

先读 SKILL.md，然后重点看“什么时候使用这个 skill”“核心概念”和“对象层级”相关部分。这些内容最重要，因为它们会告诉你如何组织提示词，以及如何避免把 figure 级操作和 axis 级操作混在一起。

matplotlib skill 常见问题

matplotlib 适合所有图表吗？

不适合。需要的是控制力和兼容性时，用 matplotlib；如果你只是想最快做出一张好看的图，它并不是最佳选择。做快速统计可视化时，偏向 seaborn 的工作流通常更省事。做交互式探索时，plotly 往往更合适。

使用它一定要很懂 Python 吗？

基础 Python 会有帮助，但即使是初学者，只要能把数据和想要的输出说清楚，也可以用 matplotlib skill。真正的门槛通常不是语法，而是没有把布局、标签和导出要求说明白。

matplotlib 和普通提示词有什么区别？

普通提示词可能也能生成一段可运行代码，但 matplotlib skill 更能减少你在图表结构、自定义和出版输出上的试错。它在多层叠加、子图、或格式限制很多的场景里最有价值，因为这类任务用泛泛的回答很容易不稳。

什么时候不该用 matplotlib skill？

如果你需要浏览器里的交互、快速探索式 dashboard，或者想用尽量少的代码做出高度风格化的统计图，就不要默认选 matplotlib。如果任务主要是审美调校而且比较简单，别的可视化工具可能更快。

如何改进 matplotlib skill

先说清图表目标，再谈样式

最好的结果来自明确说明图表任务：图类型、面板数量、目标受众和最终格式。“Make it pretty” 太弱；“Make a 3-panel matplotlib figure for a report, with shared legend, compact spacing, and PDF export” 就清楚得多。

提供数据形态和失败约束

说明你的数据是 DataFrame、数组、分组类别、时间序列，还是不规则测量值。也要补充约束，比如 “must work with missing values”、“no seaborn”、“use dark background”、“fit on one page”。这些信息能避免生成看起来对、实际却不能用的结果。

直接要求会影响质量的关键决策

如果你想要更好的 matplotlib usage，就要求那些会真正改变图表质量的选择：刻度密度、配色方案、坐标轴范围、注释策略、网格线是否显示，以及使用 tight_layout 还是 constrained_layout。这些才是区分草稿图和可用图的关键。

先校正图表，再打磨观感

先确认数据映射是否正确，再提升可读性，最后调整导出设置。常见失败点包括坐标轴标错、图例过于拥挤，以及多面板图里的布局冲突。如果第一次输出已经接近目标，就只要求一次有针对性的修改，不要把整个提示词推倒重来。