数据处理与画图

图表是画给“没读过你报告的人”看的。 老师、审稿人、面试官看你的图，通常只有几秒钟——所以一张图只讲一件事，比一张图塞进所有数据重要得多。

工具选择的原则也一样简单：数据规模小、只做一次，用 Excel；要重复跑、要精确控制样式，就换脚本。

为什么现在就该学

场景	具体会发生什么
实验课报告	数据处理和作图占分不少。用默认样式的彩色柱状图，和有坐标轴单位、误差棒的图，观感差别极大。
专业大作业	数据往往有几千行甚至更多，还要做多组对比——Excel 会开始卡。
科研	论文里的图要求矢量格式、字号统一、配色规范，而且改一次数据要能一键重画。
实习与汇报	把一份原始数据整理成三张能说明问题的图，是最容易被看见的能力。

马上能做的

拿一份你手头的数据（实验数据、问卷、任何真实的表），用 Excel 画一张折线图和一张散点图，比较它们各自适合说明什么。
把这份数据存成 CSV，用一段十行的 Python 脚本重新画出同一张图（下面有模板）。
检查你上次交的实验报告：坐标轴有没有写量和单位？有没有图注？
给图建一个固定目录，原图统一导出成矢量格式（PDF 或 SVG）另存一份。
定一条规矩：报告里的每个数字都必须能追到源数据和脚本，不允许手敲。

Excel 什么时候够用

不要因为“感觉不够专业”就上脚本，也不要因为“我一直用 Excel”就硬撑。

情况	用什么
数据量不大，人工检查得过来	Excel 足够
只做一次性探索、画完就结束	Excel 更快
要给别人直接打开看、还要能改	Excel（表格本身就是交付物）
同一套处理要重复跑很多次（每周更新的数据、多个实验组）	换脚本
要在论文里放图，需要精确控制尺寸、字号、线宽	换脚本
要多组数据对比、要画误差棒、要批量出十几张图	换脚本
数据要合并、清洗、做统计检验	换脚本

Python 和 MATLAB 怎么分工

两个都能做数值计算和画图。不要陷入工具之争，按场景选。

	Python（NumPy + Matplotlib）	MATLAB
费用	免费、开源	商业软件。学校是否提供校园授权、怎么获取，以信息化服务的说明为准（具体入口链接待补）
常见于	数据处理、机器学习、科研里的通用计算	信号处理、控制系统、数值方法等课程与教材配套
生态	第三方库极多，和爬虫、深度学习、Web 都能接上	工具箱成熟，同领域内的函数命名和文档统一
典型优势	与其它工具协作方便，脚本容易部署	矩阵运算写起来直接，很多课程作业默认用它

三条实用建议：

课程要求什么就用什么。 有的课明确用 MATLAB 交作业，这时候换工具是给自己找麻烦。
科研跟着组里的代码走。 师兄师姐的代码是什么语言，你就用什么语言——你需要的是能跑通，不是重新造一套。
只学一个的话，学 Python。 免费、通用、找工作也用得上；CS 自学指南里有成体系的入门路线。

最小可用路径（Python）

第 1 步：装一个能跑起来的环境

不要在这一步纠结太久。装一个 Python 环境（发行版或虚拟环境都可以，具体方式以官方文档为准），然后确认三件事：能打开交互环境、能 import numpy、能 import matplotlib。

第 2 步：会读数据

先学会把 CSV 读进来，这一步是后面所有事情的前提。中文数据要注意编码问题——从 Excel 导出的 CSV 有时不是 UTF-8，读进来会乱码，这时候需要指定编码。

第 3 步：画第一张能交出去的图

把下面这段改造成你自己的数据，跑一遍，看看每一步在做什么：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 200)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(4, 3))   # 尺寸按最终排版要求设
ax.plot(x, y, label='sin x')
ax.set_xlabel('x')                        # 轴上一定要写量和单位
ax.set_ylabel('y')
ax.legend()                               # 有两条以上曲线必须有图例
fig.savefig('sin.pdf', bbox_inches='tight')  # 论文用矢量格式

第 4 步：把脚本存下来

不要在交互环境里点着鼠标算完就关掉。 把处理步骤写成 .py 文件，从读数据到出图一条龙。这样数据更新了，重跑一遍就行。

MATLAB 的入门路径是一样的：读数据 → 画图 → 存脚本。它的绘图函数和参数在官方文档里写得很细，按“我要画什么图”去搜就行。

实验报告画图规范

实验报告的图有固定的要求，少一项就可能被扣分：

坐标轴必须写清楚量和单位。写“时间 t / s”比写“时间”规范。
图题写在图的下方，表题写在表的上方（表格用三线表更符合学术习惯）。
图例要能区分每条曲线，并且和正文里的说法一致。
有测量误差就要画误差棒，并在图注里说明这是标准差、标准误还是别的。
有效数字要和测量精度一致，不要把计算器上的所有小数位都抄上去。
同一份报告里所有图风格统一：字号、线宽、配色、标记形状都保持一致。
图注要能独立读懂。读者只看图也应该知道这是哪组数据、什么条件。

图表可读性的硬规则

这几条几乎是通用的，违反了就会被认为“不专业”：

一图一结论。 图题写结论（“温度升高后反应速率趋于饱和”），而不是写“图 3”。
柱状图的纵轴从 0 开始。 截断纵轴会放大差距，属于误导性呈现；折线图在确有必要时可以不用从 0 开始，但要慎重。
不用 3D。 除非你真的有三个维度，否则 3D 只会让人读不准。
类别多于三类时不要用饼图。 人眼比较角度的能力很差，换成条形图。
颜色控制在五种以内，并尽量选对色觉障碍友好的配色；黑白打印后还能区分是最好的。
字号要按最终尺寸定。 图会被缩放到论文里的宽度，缩放后轴标签不能比正文小。
矢量优先。 论文和报告里的图导出成 PDF 或 SVG；只能用位图时把分辨率设得足够高（常见要求是 300 dpi 以上，具体以规定为准）。
慎用双纵轴。 两个刻度很容易让人误读相关性，能分成两张图就分开。
不要用截图。 从别的软件截图再贴进文档，是图表变糊的头号原因。

常见坑

改了数据没重画图。 正文里的数字和图上的数字对不上，是审阅时最先被发现的错误。数据一改，图全部重新生成。
图的原始数据丢了。 只留了一张导出后的图片，之后想改线宽、改配色、补一个数据点，全部要重来。
CSV 乱码。 从 Excel 导出的 CSV 编码不一定是 UTF-8，脚本读进来会乱码。存的时候就统一编码。
把平均值当原始数据。 先算完平均值就把原始数据删了，之后想画误差棒、想做检验都没有依据。
Excel 把长数字当成科学计数法。 学号、编号、身份证号一类的字段要按文本处理。
配色凭喜好。 红绿搭配对色觉障碍者不友好，深浅相近的蓝色也很难区分。
图越多越好。 一份报告里十张图，通常说明作者没想清楚哪张最重要。
只学工具不学统计。 画图和算数不难，难的是知道该用哪种图、该不该做显著性检验。后者才是真正需要花时间的地方。