【亲测免费】 SciencePlots 安装与使用教程
1. 项目目录结构及介绍
SciencePlots 是一个用于科学绘图的 Matplotlib 样式库,旨在帮助科学家和研究人员快速创建符合学术论文要求的专业图表。其基本目录结构如下:
SciencePlots/
├── COPYING - 许可文件
├── examples/ - 示例代码目录
│ ├── example1.py
│ └── ...
├── gitignore - Git 忽略文件模板
├── LICENSE - 开源许可证
├── MANIFEST.in - 包含文件清单
├── README.md - 项目简介和指南
└── setup.py - Python 安装脚本
examples/: 存放演示如何使用 SciencePlots 的示例代码。setup.py: Python 安装脚本,用于构建和安装 SciencePlots。README.md: 提供项目的基本信息、安装方法和使用说明。
2. 项目启动文件介绍
SciencePlots 并没有明确的“启动文件”,因为它主要是一组自定义的 Matplotlib 风格(mplstyle)文件。在你的 Python 脚本中,你可以通过导入 scienceplots 模块来应用这些样式。
例如,要在脚本中使用 SciencePlots,您需要首先导入 scienceplots:
import scienceplots
然后,您可以像使用其他 Matplotlib 样式一样设置它:
plt.style.use('science')
这将应用默认的 SciencePlot 样式到您的图表。之后,您可以像平常那样使用 Matplotlib 进行绘图。
3. 项目的配置文件介绍
SciencePlots 不依赖特定的配置文件。然而,为了自定义你的图表样式,你可以创建或修改现有的 Matplotlib 样式文件(*.mplstyle)。这些文件位于 .matplotlib/stylelib/ 目录下(通常在用户的 Python 安装目录中)。例如,要创建一个新的样式,可以基于 SciencePlots 的基础样式进行修改:
$ cp ~/.matplotlib/stylelib/science.mplstyle my_custom_style.mplstyle
然后,在 my_custom_style.mplstyle 文件中编辑你需要调整的参数,如字体、颜色等。
完成修改后,可以在代码中加载自定义样式:
plt.style.use('my_custom_style')
请注意,你需要确保已经正确地安装了 LaTeX(对于文本渲染)以及可能需要的任何特定字体(比如对于支持非英文字符的 CJK 字体),以便 SciencePlots 正常工作。
安装 SciencePlots 最简单的方式是使用 pip 或者 conda。参照项目仓库中的指示进行安装:
# 使用 pip 安装最新版本
pip install git+https://github.com/garrettj403/SciencePlots.git
# 或者使用 conda 安装最新发布版
conda install -c conda-forge scienceplots
更多关于 SciencePlots 的详细信息、常见问题和贡献指南,可以查看项目仓库的 README.md 和相关链接。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust077- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
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
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
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00