1. 从像素到矢量：为什么我们需要用Python画矢量图？

如果你用Python的matplotlib画过图，大概率保存的是PNG或者JPG。这种格式的图片放大之后，边缘会变得模糊，出现锯齿，这就是所谓的“位图”或“栅格图”。它的本质是一个个带颜色的小点（像素）组成的矩阵。而矢量图（如SVG、EPS、PDF）则完全不同，它记录的是图形的数学描述：比如一条线，它记录的是起点坐标、终点坐标、线宽和颜色；一个圆，记录的是圆心坐标、半径和填充色。所以，无论你把矢量图放大多少倍，边缘永远清晰锐利。

这个区别在实际工作中至关重要。想象几个场景：你花了一下午用matplotlib精心绘制了一幅包含复杂曲线和标注的科研图表，准备投给顶刊。期刊要求图表分辨率至少600 DPI，且推荐提供矢量格式。如果你只存了PNG，强行拉高分辨率只会让图片变虚，而编辑也无法对你的图表元素进行微调。另一个场景是制作汇报PPT或宣传海报，设计师需要将你的图表嵌入到设计中，如果是位图，放大后模糊不堪，设计师会非常头疼；如果是矢量图，他们可以直接在Adobe Illustrator或Inkscape里打开，任意修改颜色、线条，无缝集成。

所以，用matplotlib生成矢量图，不是一个“炫技”的选项，而是一项提升工作成果专业度和可用性的必备技能。它让你的图表从“一次性展示品”变成了可编辑、可无限缩放、适合多种出版媒介的“数字资产”。本文将手把手带你解锁matplotlib的矢量图输出能力，并深入那些官方文档可能没细说，但实践中一定会遇到的坑。

2. 核心工具链：matplotlib的矢量后端与输出格式解析

matplotlib之所以强大，在于其架构设计。它有一个“后端”的概念，负责将抽象的图形指令（画一条线，写一段文字）转换成具体的输出，比如在屏幕上显示（Tkinter, Qt等交互后端）或者保存为文件（Agg, PDF, SVG等非交互后端）。当我们谈论保存矢量图时，关键就在于切换或指定正确的后端以及使用对应的保存函数。

2.1 理解 savefig 的 format 与 dpi 参数

最常用的保存函数是 plt.savefig() 。对于矢量图，你需要关注两个核心参数：

• format : 指定输出格式。常见的矢量格式有：

  • 'svg' : Scalable Vector Graphics，一种基于XML的开放标准矢量格式，被现代所有浏览器原生支持，也可被Inkscape、Illustrator等专业软件编辑。文件通常比EPS小，且支持透明度和滤镜等效果。
  • `'eps'**: Encapsulated PostScript，一种较老的矢量格式，广泛用于学术出版和LaTeX文档排版。兼容性极好，但文件可能较大，且对透明度的支持不如SVG。
  • `'pdf'**: Portable Document Format。虽然我们常把PDF当作文档格式，但它内部可以完美封装矢量图形。PDF支持的功能最全，包括复杂的字体嵌入和图层，是高质量出版和打印的绝佳选择。

• dpi : Dots Per Inch，每英寸点数。 这是一个极易混淆的点 。对于矢量图， dpi 参数并不像在位图中那样决定图像的“清晰度”。在矢量图输出中， dpi 主要影响两件事：

  1. 图中嵌入的位置元素 ：如果你的图表里包含了用 plt.imshow 显示的图片，这些图片数据本身是位图。保存为矢量格式时，这些位图会被以指定的 dpi 分辨率“栅格化”后嵌入到矢量文件中。
  2. 某些格式的元信息或尺寸换算 ：例如，在EPS格式中， dpi 会用来计算一些与尺寸相关的元数据。

一个关键结论是： 对于纯矢量图形（只有线、点、文字、几何形状），无论 dpi 设为72还是300，最终生成的矢量文件在任意缩放级别下的视觉质量是完全相同的。 线条的锐利度不会改变。所以，在保存纯矢量图时，通常使用默认的 dpi （通常是100）即可，无需刻意设置高值。

2.2 代码实战：生成你的第一张矢量图

让我们从一个最简单的例子开始，感受一下矢量输出的流程。

import matplotlib.pyplot as plt
import numpy as np

# 生成一些示例数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建图形和坐标轴
fig, ax = plt.subplots(figsize=(8, 5)) # 注意这里用figsize控制物理尺寸，单位是英寸

# 绘图
ax.plot(x, y, linewidth=2, label='sin(x)', color='steelblue')
ax.set_xlabel('X Axis', fontsize=12)
ax.set_ylabel('Y Axis', fontsize=12)
ax.set_title('A Simple Sine Wave (Vector Graphic)', fontsize=14)
ax.legend()
ax.grid(True, linestyle='--', alpha=0.6)

# 保存为SVG格式
plt.savefig('sine_wave.svg', format='svg', bbox_inches='tight')
# 保存为EPS格式
plt.savefig('sine_wave.eps', format='eps', bbox_inches='tight')
# 保存为PDF格式
plt.savefig('sine_wave.pdf', format='pdf', bbox_inches='tight')

print("矢量图已保存为 sine_wave.svg, sine_wave.eps, sine_wave.pdf")

运行这段代码，你会得到三个文件。用图片查看器打开，它们看起来可能没什么区别。但请你用鼠标滚轮不断放大，或者用专业软件（如Inkscape，免费开源）打开它们，差别就显现出来了。位图会迅速变模糊，而这三个文件中的图形线条，无论放大多少倍，边缘始终是光滑的。

注意 ： bbox_inches='tight' 参数至关重要。它会自动计算图形的紧凑边界框，裁剪掉图形周围多余的空白区域。如果不加这个参数，保存的图片周围可能会有很宽的白边，在插入文档时很不美观。这可以说是使用 savefig 时最重要的一个技巧。

3. 进阶技巧与深度定制：让矢量图更专业

生成基础矢量图只是第一步。要让图表真正达到出版或商用的水准，还需要处理一些细节问题。

3.1 字体嵌入：确保跨平台显示一致

这是矢量图输出中最经典的“坑”。你在自己电脑上用matplotlib画图，选择了“Times New Roman”字体，保存为PDF。图表看起来完美。但当你把PDF发给同事，或者上传到出版系统，他们打开后却发现文字变成了默认的宋体或Helvetica，格式全乱。

为什么？ 因为你的电脑上有“Times New Roman”字体，但别人的电脑或服务器上没有。当PDF阅读器找不到该字体时，就会用默认字体替换。

解决方案是字体嵌入 。Matplotlib可以将使用的字体子集（即图表中用到的那些字符）直接打包进PDF或EPS文件中，实现“自带字体”。

import matplotlib
from matplotlib import rcParams

# 方法一：全局设置（推荐，一劳永逸）
rcParams['pdf.fonttype'] = 42  # 输出Type 42 (TrueType)字体
rcParams['ps.fonttype'] = 42   # 同上，用于PostScript/EPS输出
# 也可以更精确地控制
# rcParams['font.family'] = 'serif' # 设置字体族
# rcParams['font.serif'] = ['Times New Roman'] # 指定具体的serif字体

# 方法二：在保存时通过参数设置（局部设置）
plt.savefig('figure_with_embedded_fonts.pdf',
            format='pdf',
            bbox_inches='tight',
            # 关键参数
            metadata={'Creator': 'My Python Script', 'Title': 'Experiment Result'},
            # 对于PDF，设置fonttype
            **{'pdf.fonttype': 42}  # 注意这里需要用**解包字典
           )

pdf.fonttype=42 是嵌入TrueType字体的标准方式，兼容性最好。设置为 3 则不会嵌入字体（输出为Type 3字体，本质上是将文字转为路径图形），虽然能保证显示一致，但文件会变大，且文字无法被复制和搜索。通常首选 42 。

3.2 处理透明背景与复杂元素

矢量图的一个优势是支持透明背景，这在叠加到其他背景上时非常有用。

fig, ax = plt.subplots(figsize=(6, 4))
ax.bar(['A', 'B', 'C'], [3, 7, 5], color=['skyblue', 'lightgreen', 'salmon'])
ax.set_ylabel('Value')

# 将图形和坐标轴背景设为透明
fig.patch.set_alpha(0.0)  # 图形背景透明
ax.patch.set_alpha(0.0)   # 坐标轴区域背景透明

plt.savefig('transparent_chart.svg', format='svg', bbox_inches='tight', transparent=True)
# `transparent=True` 参数对于SVG/PNG等格式直接生效。
# 对于PDF/EPS，通常需要配合上面的set_alpha来设置。

对于包含复杂元素如图例、颜色条、箭头注解的图表，matplotlib通常能很好地将其转换为矢量对象。但需要注意，极少数非常复杂的自定义对象（如某些第三方库生成的特定标记）可能无法完美矢量化，在输出前最好进行预览和测试。

3.3 SVG与EPS的细微差别与选择建议

虽然都是矢量格式，SVG和EPS在实际使用中各有侧重：

• SVG ：

  • 优点 ：现代、开放、文件小、支持交互和动画（在网页中）、对透明度和渐变支持好。易于被网页前端（如Vue3, React）直接引入和操作。
  • 缺点 ：在非常老旧的学术出版流程或专业打印设备上可能兼容性稍逊于EPS。
  • 适用场景 ：网页应用、现代数字出版、需要进一步用Inkscape/Illustrator编辑的图形、希望文件较小的场合。

• EPS ：

  • 优点 ：在学术出版界（尤其是与LaTeX配合）是事实上的黄金标准，兼容性极佳。被几乎所有期刊和印刷厂支持。
  • 缺点 ：文件格式较老，文件通常比SVG大，对透明度的处理有时会有问题（老版本的EPS标准不支持透明，matplotlib会通过一些技巧模拟，但可能不完美）。
  • 适用场景 ：向学术期刊投稿、用于LaTeX文档排版、需要确保在极老系统上查看的场合。

个人经验建议 ：对于日常科研，我通常会同时保存PDF和SVG。PDF用于提交和分享（字体嵌入好，通用性强），SVG留作备份以便后期用矢量软件编辑。只有当期刊明确要求EPS时，我才会专门输出EPS格式。

4. 实战排坑：从生成到编辑的完整工作流

掌握了基本输出后，我们来看看一个完整的、可实操的工作流，以及其中可能遇到的问题。

4.1 工作流示例：生成图表并导入Inkscape美化

假设我们生成了一个分组柱状图，想用Inkscape调整颜色和添加注解。

import matplotlib.pyplot as plt
import numpy as np

# 数据准备
labels = ['Group 1', 'Group 2', 'Group 3']
men_means = [20, 34, 30]
women_means = [25, 32, 34]
x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots(figsize=(10, 6))
rects1 = ax.bar(x - width/2, men_means, width, label='Men', color='#2E86AB', edgecolor='black')
rects2 = ax.bar(x + width/2, women_means, width, label='Women', color='#A23B72', edgecolor='black')

ax.set_xlabel('Category', fontsize=13)
ax.set_ylabel('Scores', fontsize=13)
ax.set_title('Scores by group and gender', fontsize=15, pad=20)
ax.set_xticks(x)
ax.set_xticklabels(labels)
ax.legend()

# 在柱子上方添加数值标签
def autolabel(rects):
    for rect in rects:
        height = rect.get_height()
        ax.annotate(f'{height}',
                    xy=(rect.get_x() + rect.get_width() / 2, height),
                    xytext=(0, 3),  # 3 points vertical offset
                    textcoords="offset points",
                    ha='center', va='bottom', fontsize=11)
autolabel(rects1)
autolabel(rects2)

plt.tight_layout()
# 保存为SVG，方便用Inkscape编辑
plt.savefig('grouped_bar_chart.svg', format='svg')
plt.close(fig) # 关闭图形，释放内存

现在，用Inkscape打开 grouped_bar_chart.svg 。

1. 选择对象 ：你会发现，每个柱子、每段文字、每条轴线都是独立可选的矢量对象。点击一个柱子，可以随意更改其填充色和描边色。
2. 编辑文字 ：双击任何文字（如坐标轴标签、标题、数据标签），可以直接修改内容或字体。 注意 ：如果之前在Python中设置了中文字体并成功嵌入，这里也能正常显示和编辑。
3. 添加元素 ：你可以用Inkscape的工具绘制新的箭头、图形，添加文本框，这些都会作为新的矢量对象加入。
4. 组合与导出 ：编辑完成后，可以“另存为”SVG，或者“导出”为高分辨率PNG（此时可以设置极高的DPI，如600，因为源文件是矢量的，导出位图质量极佳）。

4.2 常见问题与解决方案

问题1：保存的SVG/EPS文件在浏览器或AI中打开，文字显示为乱码或方框。

• 原因 ：字体缺失且未成功嵌入。中文字体尤其容易出现此问题。
• 解决 ：
  1. 确保系统安装了所用字体。
  2. 在matplotlib中明确指定字体路径或名称。
  3. 务必设置 rcParams['pdf.fonttype'] = 42 和 rcParams['ps.fonttype'] = 42 。
  4. 对于中文，一个稳妥的做法是使用系统自带字体，并确保嵌入：

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans'] # 指定默认字体，SimHei为黑体
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
plt.rcParams['pdf.fonttype'] = 42
plt.rcParams['ps.fonttype'] = 42

问题2：图表中有大量数据点（如散点图有上万个点），保存的SVG文件巨大，打开和编辑非常卡顿。

• 原因 ：每个点都被保存为一个独立的矢量对象（如圆形路径），导致SVG文件臃肿。
• 解决 ：
  • 权衡取舍 ：对于超大数据集，矢量格式可能不是最佳选择。可以考虑输出高DPI（如300或600）的PNG，在清晰度和文件大小间取得平衡。
  • 简化数据 ：在绘图前对数据进行下采样或聚合。
  • 使用 rasterized=True 参数 ：这是matplotlib的一个杀手级功能。它可以将指定的图形元素（如一个大的散点集合）在保存时栅格化为位图，然后嵌入到矢量文件中。这样既保持了其他部分（坐标轴、文字）的矢量特性，又控制了文件大小。

# 在绘图时对数据量大的元素使用 rasterized=True
ax.scatter(big_x, big_y, s=1, alpha=0.5, rasterized=True)
plt.savefig('hybrid_vector_raster.pdf', dpi=300) # 此处的dpi决定了栅格化部分的分辨率

问题3：保存的EPS文件在LaTeX中编译时报错，或颜色异常。

• 原因 ：LaTeX对EPS的支持非常严格，尤其是颜色空间和字体。
• 解决 ：
  • 尝试在 savefig 中设置 facecolor='w' （白色背景）和 edgecolor='w' ，避免透明背景问题。
  • 使用 plt.savefig(‘figure.eps’, format=‘eps’, dpi=300, facecolor=‘w’, edgecolor=‘w’, bbox_inches=‘tight’) 。
  • 在LaTeX中，使用 \includegraphics[width=\linewidth]{figure.eps} 引入，避免使用 epstopdf 包转换时出现问题，有时直接使用 \includegraphics[width=\linewidth]{figure.pdf} （即先手动将EPS转为PDF）更稳定。

问题4：在Jupyter Notebook中， savefig 保存的矢量图内容不全或空白。

• 原因 ：Notebook中可能因为交互式后端或图形未完全渲染就保存导致。
• 解决 ：在 savefig 之前，显式调用 plt.tight_layout() 来调整布局，并确保在保存后使用 plt.close() 关闭图形。更好的做法是，在Notebook开头使用魔术命令 %matplotlib inline ，并在绘图、调整完毕后，再执行保存单元格。

掌握这些技巧后，你输出的就不仅仅是一张“图片”，而是一个可以在不同媒介和流程中自由流转、高质量呈现的“图形资产”。从简单的曲线图到复杂的多子图仪表盘，matplotlib的矢量输出能力都能为你提供坚实的保障。关键在于理解不同格式的特性，并在关键环节（尤其是字体和复杂数据处理）做好设置。下次画图时，不妨习惯性地输出一份矢量版本，你会发现它在后续的协作和出版中带来的便利远超你的想象。