Matplotlib 基础：画出 C 程序的输出 (Matplotlib Basics)
章节概述
从 C 程序的 printf 输出到 Python 的可视化图表——这是数据可视化的第一步。Matplotlib 是 Python 最基础的绑图库，也是 Seaborn、Pandas 绑图的底层引擎。对于 C 程序员而言，matplotlib.pyplot 的 API 设计相当于 C 标准库中的 printf——简单直接，所见即所得。本章将从最简单的折线图开始，教会你如何将 C 程序的输出（从文件或标准输入）转化为有意义的图表。
核心理念：C 程序产生数据，Python 绑图展示数据——两者各司其职。Matplotlib 的
pyplot接口模仿了 MATLAB 的命令式绑图风格，但更推荐你用fig, ax = plt.subplots()的对象式风格，因为它让你精确控制图表的每一个像素，就像 C 语言中你控制内存的每一个字节。
第一节：pyplot 基础 API —— 十分钟入门四种图表
1.1 折线图：plot()
折线图是数据可视化中最基础的图表，等价于把一组数据点用线段连起来：
import matplotlib.pyplot as plt
x = [0, 1, 2, 3, 4, 5]
y = [0, 1, 4, 9, 16, 25]
plt.plot(x, y)
plt.savefig('line.png')
plt.plot(x, y)不需要像 C 语言那样声明数组长度或类型。Python 的 list 是动态的，matplotlib自动推断范围。与 C 中手写for循环遍历数组相比，这省去了大量样板代码。
常见参数：
plt.plot(x, y, 'ro--', linewidth=2, markersize=8, label='y=x²')
# 'ro--' 是格式字符串：r=红色, o=圆形标记, --=虚线1.2 散点图：scatter()
散点图适合展示离散数据点的分布，比如 C 程序输出的基准测试结果：
import matplotlib.pyplot as plt
import random
n = 100
x = [random.uniform(0, 10) for _ in range(n)]
y = [xi + random.gauss(0, 1) for xi in x]
plt.scatter(x, y, alpha=0.5, c='blue', edgecolors='none')
plt.savefig('scatter.png')
alpha控制透明度，当数据点重叠时效果显著——这相当于 C 中你用 OpenGL 或 SDL2 绑图时需要手动实现的混合算法。
1.3 柱状图：bar()
柱状图用于对比分类数据，比如对比不同 C 编译优化级别的运行时间：
import matplotlib.pyplot as plt
levels = ['-O0', '-O1', '-O2', '-O3', '-Os']
times = [12.3, 8.7, 5.2, 4.9, 6.1]
plt.bar(levels, times, color=['red', 'orange', 'green', 'blue', 'purple'])
plt.ylabel('Execution Time (ms)')
plt.savefig('bar.png')1.4 直方图：hist()
直方图展示数据的分布密度，适合分析 C 程序生成的随机数质量：
import matplotlib.pyplot as plt
import random
data = [random.gauss(0, 1) for _ in range(10000)]
plt.hist(data, bins=50, alpha=0.7, edgecolor='black')
plt.axvline(x=0, color='red', linestyle='--', label='mean')
plt.legend()
plt.savefig('hist.png')
hist()自动完成分桶和计数——相当于 C 中你手动写的一个int bins[N]数组和遍历统计代码。
第二节：读取 C 程序输出 —— 文件与标准输入
2.1 从文件读取数据
典型的 C 程序工作流：C 程序将计算结果写入文件，Python 读取并绑图。
C 程序（benchmark.c）：
#include <stdio.h>
int main() {
for (int n = 1000; n <= 1000000; n *= 2) {
// 模拟排序耗时
printf("%d %f\n", n, n * log(n) / 1e6);
}
return 0;
}编译运行：gcc -o benchmark benchmark.c -lm && ./benchmark > results.txt
Python 读取并绑图：
import matplotlib.pyplot as plt
with open('results.txt') as f:
lines = f.readlines()
n = []
t = []
for line in lines:
if line.strip():
parts = line.split()
n.append(int(parts[0]))
t.append(float(parts[1]))
plt.plot(n, t, 'o-')
plt.xlabel('Input Size (n)')
plt.ylabel('Time (ms)')
plt.savefig('benchmark.png')2.2 从标准输入（stdin）读取
最经典的模式——管道（pipe）：
./benchmark | python3 plot_stdin.pyplot_stdin.py：
import sys
import matplotlib.pyplot as plt
x, y = [], []
for line in sys.stdin:
if line.strip():
a, b = line.split()
x.append(float(a))
y.append(float(b))
plt.plot(x, y, 'o-')
plt.savefig('piped_result.png')这等价于 C 语言的
fgets(buf, size, stdin)+sscanf组合，但 Python 的sys.stdin迭代器自动处理 EOF，不需要检查 NULL 返回值。
2.3 使用 numpy 加速数据读取
当 C 程序输出大量数据时，numpy 的 loadtxt 比手写循环快数十倍：
import numpy as np
import matplotlib.pyplot as plt
data = np.loadtxt('results.txt')
plt.plot(data[:, 0], data[:, 1], 'o-')
plt.savefig('fast_plot.png')# 从管道读取
./benchmark | python3 -c "
import sys, numpy as np, matplotlib.pyplot as plt
data = np.loadtxt(sys.stdin)
plt.plot(data[:, 0], data[:, 1])
plt.savefig('out.png')
"
np.loadtxt内部用 C 语言实现数据解析，性能接近纯 C，远快于 Python 的逐行循环。
第三节：非交互式绑图 —— savefig vs show
3.1 两种绑图输出模式
| 模式 | 函数 | 适用场景 |
|---|---|---|
| 交互式 | plt.show() | 本地开发，GUI 环境中实时查看 |
| 非交互式 | plt.savefig('file.png') | 无 GUI 的服务器，自动化脚本，管道作业 |
C 程序员通常工作在终端或远程服务器上，非交互式 savefig 是最常见的选择。
3.2 savefig 的完整参数
plt.savefig(
'output.png',
dpi=150, # 分辨率（默认 100）
bbox_inches='tight', # 自动裁剪空白边距
transparent=False, # 是否透明背景
format='png' # png/jpg/svg/pdf
)输出矢量格式（SVG/PDF）时，图表可以无限放大而不失真——适合用于文档和论文。这类似于 C 语言用 Cairo 或 libplot 绑矢量图。
3.3 在无 GUI 的服务器上使用 Matplotlib
import matplotlib
matplotlib.use('Agg') # 使用非交互式后端（Anti-Grain Geometry）
import matplotlib.pyplot as plt
# ... 正常绑图 ...
plt.savefig('output.png')
matplotlib.use('Agg')必须在import matplotlib.pyplot之前调用。Agg 后端完全基于内存绑制，不需要 X11/Display 连接，是服务器环境的标准选择。
3.4 python -c 一行流绑图
# 从命令行直接生成图表
python -c "
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
x = list(range(10))
y = [i**2 for i in x]
plt.plot(x, y, 'ro-')
plt.title('Quick Plot')
plt.savefig('quick.png')
"# 从 C 程序的管道输出直接绑图
./my_c_program | python -c "
import sys, matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
data = [line.split() for line in sys.stdin if line.strip()]
x, y = zip(*[(float(a), float(b)) for a, b in data])
plt.plot(x, y)
plt.savefig('pipe_plot.png')
"第四节：面向对象式绑图 —— fig, ax = plt.subplots()
4.1 pyplot 命令式 vs subplots 对象式
命令式（MATLAB 风格）：
plt.plot(x, y)
plt.title('My Plot')
plt.xlabel('X axis')
plt.savefig('plot.png')对象式（推荐）：
fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_title('My Plot')
ax.set_xlabel('X axis')
fig.savefig('plot.png')命令式 API 操作的是一个隐式的”当前 figure”，就像 C 的
printf写入隐式的stdout。对象式 API 显式操作fig和ax对象，就像 C 中你用fprintf(fp, ...)指定FILE*。当你有多个子图时，对象式是唯一清晰的选择。
4.2 Figure 和 Axes 的概念
graph TB FIG["Figure (画布)"] FIG --> AX1["Axes (坐标系 1)<br/>绘图区域，包含 x/y 轴、刻度、标题"] FIG --> AX2["Axes (坐标系 2)<br/>一个 Figure 可包含多个 Axes（子图）"] FIG --> AXN["..."]
fig, ax = plt.subplots(figsize=(8, 5)) # 指定尺寸（英寸）
ax.plot([1, 2, 3], [1, 4, 9], 'go-', label='data')
ax.set_title('Figure with a single Axes', fontsize=14)
ax.set_xlabel('x', fontsize=12)
ax.set_ylabel('y', fontsize=12)
ax.legend()
ax.grid(True, linestyle='--', alpha=0.5)
fig.tight_layout()
fig.savefig('oo_plot.png')4.3 从 C 程序的矩阵输出绑热力图
C 程序输出矩阵：
// matrix_gen.c
#include <stdio.h>
#include <stdlib.h>
#include <math.h>
int main() {
for (int i = 0; i < 10; i++) {
for (int j = 0; j < 10; j++) {
printf("%.3f ", sin(i * 0.5) * cos(j * 0.5));
}
printf("\n");
}
return 0;
}Python 读取并绑热力图：
import sys
import numpy as np
import matplotlib.pyplot as plt
data = np.loadtxt(sys.stdin)
fig, ax = plt.subplots(figsize=(6, 5))
im = ax.imshow(data, cmap='viridis', aspect='auto')
fig.colorbar(im, ax=ax, label='Value')
ax.set_title('Matrix from C Program')
fig.savefig('matrix_heatmap.png')gcc -o matrix_gen matrix_gen.c -lm && ./matrix_gen | python3 matrix_plot.py练习
以下题目用于验证本章所学内容：
| 题号 | 题目 | 链接 | 涉及知识点 |
|---|---|---|---|
| — | 本章无对应力扣题 | — | 请用动手练习题自检 |