paperplotter 0.1.3

一个为科研论文设计的声明式 Matplotlib 封装库，让复杂图表的创建变得简单直观。

PaperPlot

一个为科研论文设计的声明式 Matplotlib 封装库，让复杂图表的创建变得简单直观。

PaperPlot 的诞生是为了解决在准备学术论文时，使用 Matplotlib 创建高质量、布局复杂的图表所面临的繁琐问题。它通过引入声明式的链式 API 和基于标签（tag）的对象管理，让你能够用更少的代码，更清晰的逻辑，构建从简单网格到复杂组合的各类图表。

核心理念与特性

• 🎨 声明式链式调用: 像写句子一样构建你的图表，例如 plotter.add_line(...).set_title(...).set_xlabel(...)。
• 🏷️ 基于标签的控制: 给每个子图一个独一无二的 tag，之后就可以随时通过 tag 对其进行任何修改，告别混乱的 axes[i][j] 索引。
• 🧩 强大的布局系统: 无论是简单的 (行, 列) 网格，还是使用 mosaic 实现的跨行跨列复杂布局，都能轻松定义。
• 📐 灵活的尺寸控制: 除了传统的 figsize，还可以通过 subplot_aspect 指定子图单元格的宽高比，让 PaperPlot 自动计算最合适的画布尺寸。
• ✨ 内置科研主题: 提供多种专业美观的内置样式，如 publication, presentation 等，一键切换图表风格。
• 🌐 全局图层级标注: 提供了在整个画布（Figure）上添加文本、线条、方框和标签的 API，非常适合添加全局注释或高亮一组图表。
• 🔬 丰富的领域专用图表: 内置了科研中常用的图表类型，如光谱图、混淆矩阵、ROC 曲线、学习曲线、分岔图、相量图等。
• 🔧 智能美化工具: cleanup() 方法可以智能地共享坐标轴、对齐标签；cleanup_heatmaps() 可以为多个热图创建共享的颜色条。

安装

pip install paperplotter

快速开始

只需几行代码，就可以创建一个包含两个子图的 1x2 网格图。

import paperplot as pp
import pandas as pd
import numpy as np

# 1. 准备数据
df_line = pd.DataFrame({
    'time': np.linspace(0, 10, 50),
    'signal': np.cos(np.linspace(0, 10, 50))
})
df_scatter = pd.DataFrame({
    'x': np.random.rand(50) * 10,
    'y': np.random.rand(50) * 10
})

# 2. 初始化 Plotter 并绘图
plotter = pp.Plotter(layout=(1, 2), figsize=(10, 4))

# 3. 添加图表并使用 tag 标记
plotter.add_line(data=df_line, x='time', y='signal', tag='time_series')
plotter.add_scatter(data=df_scatter, x='x', y='y', tag='scatter_plot')

# 4. 通过 tag 设置标题和标签
plotter.set_title('time_series', 'Time Series Data')
plotter.set_xlabel('time_series', 'Time (s)')
plotter.set_ylabel('time_series', 'Signal')

plotter.set_title('scatter_plot', 'Scatter Plot')
plotter.set_xlabel('scatter_plot', 'X Value')
plotter.set_ylabel('scatter_plot', 'Y Value')

# 5. 保存图像
plotter.save("quick_start_figure.png")

通过示例学习 (Learn from Examples)

掌握 PaperPlot 最好的方法就是探索我们提供的丰富示例。每个示例都专注于一个核心功能，并附有详细的代码和注释。

布局 (Layout)

示例	描述	关键功能
高级布局 Layout/advanced_layout_example.py	展示如何使用列表定义一个跨列的复杂布局。	layout=[['A', 'B', 'B'], ...] get_ax_by_name()
行跨越 Layout/row_span_example.py	创建一个图表，其中某个子图跨越多行。	layout=[['A', 'B'], ['A', 'C']]
块跨越 Layout/block_span_example.py	创建一个图表，其中某个子图同时跨越多行和多列。	layout=[['A', 'A', 'B'], ['A', 'A', 'C']]
固定子图宽高比 Layout/aspect_ratio_example.py	在不指定 figsize 的情况下，通过 subplot_aspect 保证每个子图单元格的宽高比，Plotter 会自动计算画布大小。	subplot_aspect=(16, 9)

功能与定制化 (Features & Customization)

示例	描述	关键功能
多图网格 Features_Customization/multi_plot_grid.py	在一个网格中混合绘制不同类型的图表（线图、柱状图、散点图、热图）。	add_line(), add_bar(), add_scatter(), add_heatmap()
高级定制 Features_Customization/advanced_customization.py	演示如何使用 get_ax() "逃生舱口" 来获取原生的 Matplotlib Axes 对象，并添加任意 Patch（如椭圆）。	get_ax(), ax.add_patch()
全局控制 Features_Customization/global_controls_example.py	展示如何设置全局标题 (suptitle) 和创建全局图例。	set_suptitle(), add_global_legend()
共享颜色条 Features_Customization/heatmap_colorbar_example.py	为多个热图创建一个共享的、能反映全局数据范围的颜色条。	add_heatmap(cbar=False), cleanup_heatmaps()
智能清理 Features_Customization/cleanup_demonstration.py	演示 cleanup() 函数如何动态地为指定行/列的子图共享 X/Y 轴，并自动隐藏多余的刻度标签。	cleanup(auto_share=True)
组合图与内嵌图 Features_Customization/composite_figure_example.py	创建一个 L 型的复杂图表，并在其中一个子图内部嵌入一张图片。	layout=[['A', 'A'], ['B', '.']], add_inset_image()
功能扩展 Features_Customization/feature_expansion_example.py	演示双Y轴 (add_twinx)、回归图 (add_regplot)、参考线 (add_hline) 和文本标注 (add_text) 等高级功能。	add_twinx(), add_regplot(), add_hline(), add_text()
错误处理 Features_Customization/error_handling_test.py	展示 PaperPlot 的自定义异常，如 DuplicateTagError, TagNotFoundError, PlottingSpaceError。	try...except pp.PaperPlotError

标注与高亮 (Annotation & Highlighting)

示例	描述	关键功能
图层级标注 Features_Customization/fig_annotation_example.py	演示添加跨越多个子图的画布级注解，如方框、标签和线条。	fig_add_box(), fig_add_label(), fig_add_line(), fig_add_text()
区域高亮 Features_Customization/highlighting_example.py	展示如何在子图内部高亮特定的数据区域，并为整个图表添加边框。	add_highlight_box(), fig_add_boundary_box()

风格与美化 (Styles & Aesthetics)

示例	描述	关键功能
风格画廊 Styles_Aesthetics/style_gallery_example.py	循环遍历所有内置的绘图风格，并为每种风格生成一个示例图。	Plotter(style='...')
统计标注 Styles_Aesthetics/statistical_annotation_example.py	在箱线图上自动进行多组成对统计检验（如 t-test），并智能堆叠显著性标记。	add_box(), utils.add_pairwise_tests()
美学与处理 Styles_Aesthetics/aesthetic_and_processing_example.py	使用 utils 模块中的函数对数据进行平滑处理或根据条件高亮特定数据点。	utils.moving_average(), utils.highlight_points()

领域专用图 (Domain-Specific Plots)

示例	描述	关键功能
领域专用图合集 Domain_Specific_Plots/domain_specific_plots_example.py	一站式展示多种领域专用图，包括 SERS 光谱图、混淆矩阵、ROC 曲线和 PCA 散点图。	add_spectra(), add_confusion_matrix(), add_roc_curve(), add_pca_scatter()
学习曲线 Domain_Specific_Plots/learning_curve_example.py	绘制机器学习模型的学习曲线，帮助诊断过拟合或欠拟合问题。	utils.plot_learning_curve()
SERS 浓度图 Domain_Specific_Plots/concentration_map_example.py	绘制 SERS Mapping 浓度图，本质上是带有专业美化的热图。	add_concentration_map()
电力系统时间序列 Domain_Specific_Plots/power_timeseries_example.py	绘制电力系统动态仿真结果，并自动标记故障、切除等事件。	add_power_timeseries()
相量图 Domain_Specific_Plots/phasor_diagram_example.py	在极坐标上绘制电气工程中的相量图。	add_phasor_diagram()
分岔图 Domain_Specific_Plots/bifurcation_diagram_example.py	绘制常用于非线性系统和稳定性分析的分岔图。	add_scatter(rasterized=True)

数据分析工具 (Data Analysis Utils)

示例	描述	关键功能
数据分析工具集 Data_Analysis_Utils/data_analysis_utils_example.py	演示如何对数据进行分布拟合 (fit_and_plot_distribution) 和数据分箱 (bin_data)。	utils.fit_and_plot_distribution(), utils.bin_data()
通用工具函数 Data_Analysis_Utils/utility_functions_example.py	展示更多通用的 utils 函数，如在高光谱上高亮特征峰 (highlight_peaks) 和在时间序列上标记事件 (add_event_markers)。	utils.highlight_peaks(), utils.add_event_markers()

---

贡献

欢迎任何形式的贡献！如果你有好的想法、发现了 bug，或者想要添加新的功能，请随时提交 Pull Request 或创建 Issue。

许可证

本项目采用 MIT License授权。