English

制作适用于 LaTeX 的专业 Matplotlib 图像

1 🔠 字体

在学术论文与技术报告中，图像字体与 LaTeX 正文不一致是一个极其常见、却经常被忽视的问题。 这种不一致虽然不影响实验结果，却会显著降低整体排版的专业度，尤其在 IEEE、ACM 等对排版要求严格的会议与期刊中。 这部分将系统性地说明：

• 如何从根本上解决字体样式与字号不匹配的问题；
• 一套可复用、工程化的最佳实践流程。

核心原则
让 LaTeX 接管字体渲染

要想 100% 保证 Matplotlib 图像中的字体与 LaTeX 正文完全一致，唯一可靠的方法是：

使用 LaTeX 作为最终的字体渲染引擎，而不是依赖 Matplotlib 的内建字体系统。

在实践中，这一原则可以从两个层面落实：

1. 在 Matplotlib 里使用 LaTeX 字体渲染；
2. 将尽可能多的文字推迟到 LaTeX 文档中，通过 overpic 添加。

这两者并不冲突，而是相互补充。

1.1 在 Matplotlib 里使用 LaTeX 字体渲染

📦 安装 TeX Live

要想在 Matplotlib 中使用 LaTeX 引擎，首先要安装完整的 LaTeX 发行版。

• macOS：brew install texlive
• Debian / Ubuntu：apt install texlive-full
• Windows：请参考 官方指南

安装完成后，请确认以下命令可正常执行：pdflatex --version. 若该命令不可用，说明 LaTeX 尚未加入系统 PATH。

🚀 启用 LaTeX 字体渲染

在 Matplotlib 中，只需通过 rcParams 启用 usetex 即可：

import matplotlib.pyplot as plt

plt.rcParams.update({
    "text.usetex": True,
    "font.family": "Computer Modern",
})

此时，所有文本元素（标题、坐标轴、刻度、图例）都会由 LaTeX 渲染，其字体风格将与正文完全一致。

1.2. 用 LaTeX 的 overpic 管理图中文字

❓ 为什么不推荐在 Matplotlib 中写太多文字？

即使启用了 LaTeX 渲染，在 Matplotlib 中硬编码文字仍然存在局限：

• 不便于交叉引用（图号、公式号、文献）
• 后期修改成本高
• 排版语义与正文割裂

因此，一个更稳健的原则是： 除非是坐标轴、刻度等“图形语义”，其余文字尽量交由 LaTeX 处理。

📝 使用 overpic 添加批注

将普通的 figure：

\begin{figure}
  \centering
  \includegraphics[width=1.0\linewidth]{example.pdf}
\end{figure}

替换为：

\begin{figure}
  \centering
  \begin{overpic}[width=1.0\linewidth]{example.pdf}
    \put(X, Y){Example text}
  \end{overpic}
\end{figure}

其中：

• \put(X, Y){...} 用于在图像指定位置放置文字；

• 花括号内可以是 任意 LaTeX 内容：

  • 公式 \ref /, \cref, \cite
  • 数学符号或宏命令

这使得图像真正成为 LaTeX 文档的一部分，而不是一个“外来对象”。

1.3 字体大小

字体大小问题的本质不是“字号”，而是“尺寸”。 许多人在调整字体大小时，习惯直接修改：

• font.size
• axes.labelsize
• legend.fontsize

但这往往治标不治本。 字体看起来太小，往往不是字号设得不够大，而是图像本身设得过大。

Matplotlib 中的字体大小是以 物理尺寸（英寸） 为基准计算的，而 LaTeX 在排版时会对图像进行缩放。 如果图像在生成时尺寸过大，那么即使字体是 10pt，插入文档后也会被整体缩小，从而显得“字体偏小”。

✔️ 正确的控制顺序

字体大小控制必须遵循以下顺序：

1. 先确定图像在 LaTeX 中的最终显示宽度；
2. 在 Matplotlib 中使用相同的物理宽度设置figure 宽度；
3. 再设置与正文一致的字体大小。

以 IEEE 双栏论文为例的标准做法，在 IEEE 双栏排版中单栏宽度 ≈ 3.5 英寸。

对于单栏图像，应直接在 Matplotlib 中设置宽度为 3.5 英寸：

fig = plt.figure(figsize=(3.5, HEIGHT))

在设置好宽度之后，设置与正文一致的字体大小

import matplotlib as mpl

mpl.rcParams.update({
    "font.size": 10,
    "axes.labelsize": 10,
    "axes.titlesize": 10,
    "figure.titlesize": 10,
    "legend.fontsize": 9,
    "xtick.labelsize": 9,
    "ytick.labelsize": 9,
})

至此，不需要任何“微调技巧”， 图像中的文字会自然地与 LaTeX 正文对齐。

1.3 总结：一套可复用的工作流

可以将全文的方法总结为以下三条准则：

1. 字体渲染统一交给 LaTeX
2. 图中文字能放在 LaTeX 就不要放在 Matplotlib
3. 图像尺寸必须等于最终显示尺寸

遵循这三点，你将获得：

• 字体样式 100% 一致
• 字号自然匹配，无需反复试错
• 图像与正文在排版语义上的高度统一

这不仅是“调好看”，而是符合学术排版工程化思维的解决方案。

2. 最佳工程实践

2.1. 将绘图代码与数据纳入论文项目，避免手工流程

建议将所有绘图相关内容统一放入论文项目的 figures/ 子目录中：

• figures/：绘图代码（Matplotlib / Seaborn / Plotly 等）
• figures/data/：绘图所需的数据（如曲线点坐标、统计结果等）

这种组织方式可以实现论文素材的 self-contained：

• 论文所需的所有图像、代码和数据都位于同一项目中；
• 图像由代码自动生成，而不是手动拷贝；
• 避免“在 A 处画图、复制到 B 处”的不可追踪流程。

核心原则：

能自动化的，就不要手动操作。

下面是一个典型的论文项目目录结构示例：

├── cvpr.cls
├── cvpr.sty
├── cvpr.tex
├── eg.bib
└── figures
    ├── data
    │   └── pr-curve.npy
    ├── figures.ipynb
    ├── figures.pptx
    ├── network-arch.pdf
    └── pr-curve-crop.pdf

2.2. 使用 Notebook 统一生成论文图像

推荐使用 Jupyter Notebook 进行绘图，并尽量将论文所需的图集中在一个或少量 .ipynb 文件中完成。

这样做的好处包括：

• 全局配置（配色、字体大小、LaTeX 字体渲染等）只需设置一次；
• 全论文图像风格保持一致；
• 便于可视化调试和后期修改。

在这一流程中，Notebook 扮演的是图像生成管线的角色，而不是临时实验脚本。

2.3. 绘图后自动裁剪 PDF 白边（pdfcrop）

Matplotlib 导出的 PDF 图像通常在四周包含多余的白边（margin）。在论文排版中，这些白边会影响版面紧凑性和对齐效果。
可以使用 TeX Live 提供的 pdfcrop 工具，对生成的 PDF 进行自动裁剪：

pdfcrop --margins "0 0 0 0" path/to/figure.pdf

为了避免手工处理，建议将该步骤直接集成到绘图代码中，实现从绘图到最终可用图像的全自动流水线：

import os
import matplotlib.pyplot as plt

fig, ax = plt.subplots(1, 1, figsize=(3.5, 2))

ax.plot()  # 绘图逻辑
# ...

fn = "figure.pdf"
plt.savefig(fn)

# 自动裁剪白边（生成 figure-crop.pdf）
os.system(f"pdfcrop --margins '0 0 0 0' {fn}")

这样生成的 *-crop.pdf 文件可以直接用于 LaTeX 文档，无需额外调整。

注意：使用 pdfcrop 的前提是系统中已安装 TeX Live，并确保 pdfcrop 命令已正确加入 PATH，可在命令行中直接调用。
可参考：TeX Live 安装。

3. 精细化控制 legend

📊 Matplotlib Legend 的精细控制

Legend 是 Matplotlib 坐标轴中的一个重要组成部分，用于标识和区分图中的不同元素。

Legend Location: loc

使用 legend(loc=) 指定图例的位置。 该参数既可以是精确坐标，也可以是字符串形式的位置描述，例如 For example: ax.legend(loc=(0, 0.5)) or ax.legend("upper left").

fig, axes = plt.subplots(1, 3, figsize=(8, 3))
for i, ax in enumerate(axes):
    ax.set_ylim(-2, 1.1)
    for y in ys:
        axes[i].plot(x, y)
    axes[i].legend([f"i={i}" for i in range(5)], loc=(i/3, i/3))
plt.tight_layout()

字体大小：fontsize

使用 legend(fontsize=) 指定图例字体大小。

import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 3, figsize=(8, 3))

for i, ax in enumerate(axes):
    ax.set_ylim(-2, 1.1)
    for y in ys:
        axes[i].plot(x, y)
    axes[i].legend([f"i={i}" for i in range(5)], loc=(0, 0), fontsize=8+i*3)
plt.tight_layout()

列数：ncol

import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 3, figsize=(8, 3))
for i, ax in enumerate(axes):
    ax.set_ylim(-2, 1.1)
    for y in ys:
        axes[i].plot(x, y)
    axes[i].legend([f"i={i}" for i in range(5)], loc=(0, 0), ncol=i+1)
plt.tight_layout()

行间距：labelspacing

fig, axes = plt.subplots(1, 3, figsize=(8, 3))
for i, ax in enumerate(axes):
    ax.set_ylim(-2, 1.1)
    for y in ys:
        axes[i].plot(x, y)
    axes[i].legend([f"i={i}" for i in range(5)], loc=(0, 0), ncol=2, labelspacing=2*i)
plt.tight_layout()

列间距：columnspacing

fig, axes = plt.subplots(1, 3, figsize=(8, 3))
for i, ax in enumerate(axes):
    ax.set_ylim(-2, 1.1)
    for y in ys:
        axes[i].plot(x, y)
    axes[i].legend([f"i={i}" for i in range(5)], loc=(0, 0), ncol=2, columnspacing=2*i)
plt.tight_layout()

Handle 长度: handlelength

fig, axes = plt.subplots(1, 3, figsize=(8, 3))
for i, ax in enumerate(axes):
    ax.set_ylim(-2, 1.1)
    for y in ys:
        axes[i].plot(x, y)
    axes[i].legend([f"i={i}" for i in range(5)], loc=(0, 0), ncol=2, handlelength=i+1)
plt.tight_layout()

Handle 与文本之间的间距：handletextpad

fig, axes = plt.subplots(1, 3, figsize=(8, 3))
for i, ax in enumerate(axes):
    ax.set_ylim(-2, 1.1)
    for y in ys:
        axes[i].plot(x, y)
    axes[i].legend([f"i={i}" for i in range(5)], loc=(0, 0), ncol=2, handletextpad=i)
plt.tight_layout()