matplot2tikz 教程:从 matplotlib 到 LaTeX 的平滑过渡
1. 项目介绍
matplot2tikz 是一个 Python 工具,用于将 matplotlib 生成的图形转换为 TikZ/PGFplots 格式,以便无缝集成到 LaTeX 或 ConTeXt 文档中。TikZ/PGFplots 是基于 TeX 的库,可以描述图形的坐标轴、数据等,因此 matplot2tikz 的输出比原始 TikZ 输出更易于理解、编辑和保留更多信息。
2. 项目快速启动
安装
首先,需要安装 Python 和 matplotlib。然后,可以使用 pip 安装 matplot2tikz:
pip install matplot2tikz
创建 matplotlib 图形
使用 matplotlib 创建图形,例如:
import matplotlib.pyplot as plt
import numpy as np
t = np.arange(0.0, 2.0, 0.1)
s = np.sin(2 * np.pi * t)
s2 = np.cos(2 * np.pi * t)
plt.plot(t, s, 'o-', lw=4.1)
plt.plot(t, s2, 'o-', lw=4.1)
plt.xlabel('时间 (s)')
plt.ylabel('电压 (mV)')
plt.title('简单图形')
plt.grid(True)
转换为 TikZ 格式
在 matplotlib 图形上使用 matplot2tikz 的 save 函数将其转换为 TikZ 格式:
import matplot2tikz
matplot2tikz.save('mytikz.tex')
这将生成一个名为 mytikz.tex 的 TikZ 文件。
集成到 LaTeX
将生成的 TikZ 文件内容插入 LaTeX 文档中。确保在文档头部包含 PGFPlots 和适当的 Unicode 支持:
\usepackage[utf8]{inputenc}
\usepackage{pgfplots}
\DeclareUnicodeCharacter{2212}{-}
\usepgfplotslibrary{groupplots,dateplot}
\usetikzlibrary{patterns,shapes.arrows}
\pgfplotsset{compat=newest}
然后,使用 \input 命令将 TikZ 文件内容插入到文档中:
\input{mytikz.tex}
3. 应用案例和最佳实践
清理图形
在导出之前,可以使用 matplot2tikz 的 clean_figure 命令清理图形,例如删除超出坐标轴限制的点、简化曲线和降低点密度:
matplot2tikz.clean_figure()
matplot2tikz.save('mytikz.tex')
使用不同类型的文档
matplot2tikz 可以生成适用于 LaTeX 和 ConTeXt 的输出。可以使用 flavor 参数指定输出类型:
matplot2tikz.save('mytikz.tex', flavor='context')
获取预处理器
可以使用 Flavors 类获取不同类型的文档的预处理器:
import matplot2tikz
matplot2tikz.Flavors.latex.preamble()
matplot2tikz.Flavors.context.preamble()
4. 典型生态项目
matplot2tikz 是一个基于 matplotlib 的项目,因此它适用于任何可以使用 matplotlib 生成图形的场景。例如,可以使用 matplot2tikz 将科学计算、数据分析、机器学习等领域的图形转换为 TikZ 格式,以便在 LaTeX 或 ConTeXt 文档中进行展示和发布。
希望这份教程能够帮助您更好地理解和使用 matplot2tikz。如果您有任何问题或建议,请随时在 GitHub 上提出 issue 或 pull request。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00