在使用Matplotlib的時候，一開始並不懂得美化，修改style，設置dpi…都是小打小鬧，發現繪製的曲線圖跟論文中的相差很遠。Word、PPT、Visio、Origin、SigmaPlot都能做出比較好看的配圖，但是懶得學，目前還用不到這麼專業的繪圖工具。對於剛上手的小白來說，反而簡單易上手，不那麼“專業”的開源工具包是相對更好的選擇。本文就介紹一個近期更新的SCI/IEEE論文繪圖工具——SciencePlots。剛開源一個月，目前還在維護中，現在主要功能集中在曲線圖和散點圖繪製。

文章目錄

系統環境：

- windows10
- python-3.7.6
- jupyter notebook

作者發表的論文使用該工具配圖：

1. 風格效果

先看療效，能(man)治(zu)病(xu)再(qiu)看；治不了就不用看了，以免浪費時間。

Science的風格效果1：

Science的風格效果2：

Science的風格效果3：

Science的風格效果4：

Science的風格效果5：（有點Yolo主頁的風格…）

Science的風格效果6：

IEEE效果1：

2. 安裝配置

2.1 通用配置

通過簡單的pip安裝

# for latest version
pip install git+https://github.com/garrettj403/SciencePlots.git

# for last release
pip install SciencePlots

2.2 win10 配置

因爲作者是在linux系統下使用，並且已經配置好了其它依賴，所以對安裝的部分介紹較少。
經過一早上的測試，找到了在Win10中使用默認LaTex字體渲染報錯的解決方法，並且pull到了該工具倉庫的issue，作者稍後會添加到readme。主要原因是LaTeX沒有配置好。當然如果不想使用LaTeX渲染，或者認爲Latex花費的時間太長，則可以使用以下no-latex樣式禁用Latex ：

plt.style.use(['science','no-latex'])

下面介紹一下使用LaTeX字體渲染的配置流程。

如果沒配置好LaTeX會遇到以下錯誤：

RuntimeError: Failed to process string with tex because latex could not be found

嘗試了很多方法，發現並不起作用，包括pip tex等等。正確的解決方法是：安裝MiKTeX和LaTeX，並將其添加到環境變量。

首先下載TeX：http://www.tug.org/。

點進去，選擇第二個下載

解壓，選擇安裝：

首先安裝【MiKTeX】：注意選擇爲所有用戶使用；這樣會自動添加到系統環境變量；
然後安裝【LaTex】：esay！

接下來配置環境變量。人類終究是視覺動物，喜歡有視覺衝擊的東西，一張圖總結比文字看起來舒服：

注意有兩個路徑：

D:\APP\MiKTeX\miktex\bin\x64\
D:\APP\TeXstudio\texstudio.exe

其中，第一個是在安裝的時候自動創建的，如果選擇是爲當前用戶安裝，則該路徑在當前用戶的環境變量中，需要手動粘過來。
第二個是需要根據自己系統的安裝路徑確定的。

然後關閉Anaconda的虛擬環境，重新啓動一個窗口重新激活，就可以使用了。查看latex：

可以看到已經配置成功了，接下來就可以使用了。

2.3 Linux 配置

暫未測試，不過肯定需要配置latex。有了win10配置方法，在linux配置應該不難。

3. 食用方法

pip安裝將自動將所有 *.mplstyle 文件移動到適當的目錄中。也可以手動執行此操作。首先，克隆存儲庫，然後將所有 *.mplstyle 文件複製到Matplotlib樣式目錄中。直接pip安裝就可以使用了，源碼方式需要自己配製。

第一種全局使用方式，將以下內容添加到python腳本的頂部：

import matplotlib.pyplot as plt
plt.style.use('science')

第二種全局使用方式，通過以下方式將多種樣式組合在一起：

plt.style.use(['science','ieee'])

注意：在這種情況下，該ieee樣式將覆蓋主要science樣式中的某些參數，以便爲IEEE紙配置圖表（列寬，字體大小等）。

第三種臨時使用方式，使用方法：

with plt.style.context(['science', 'ieee']):
    plt.figure()
    plt.plot(x, y)
    plt.show()

目前該工具支持的風格：

4. 倉庫地址

https://github.com/garrettj403/SciencePlots

5. 測試代碼

""" An example of the 'science' theme. """

import numpy as np 
import matplotlib.pyplot as plt 

def model(x, p):
    return x ** (2 * p + 1) / (1 + x ** (2 * p))

x = np.linspace(0.75, 1.25, 201)

with plt.style.context(['science']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig1.pdf')
    fig.savefig('figures/fig1.jpg', dpi=300)

with plt.style.context(['science', 'ieee']):
    fig, ax = plt.subplots()
    for p in [10, 20, 50]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig2.pdf')
    fig.savefig('figures/fig2.jpg', dpi=300)

with plt.style.context(['science', 'scatter']):
    fig, ax = plt.subplots(figsize=(4,4))
    ax.plot([-2, 2], [-2, 2], 'k--')
    ax.fill_between([-2, 2], [-2.2, 1.8], [-1.8, 2.2], color='dodgerblue', alpha=0.2, lw=0)
    for i in range(7):
        x1 = np.random.normal(0, 0.5, 10)
        y1 = x1 + np.random.normal(0, 0.2, 10)
        ax.plot(x1, y1, label=r"$^\#${}".format(i+1))
    ax.legend(title='Sample', loc=2)
    ax.set_xlabel(r"$\log_{10}\left(\frac{L_\mathrm{IR}}{\mathrm{L}_\odot}\right)$")
    ax.set_ylabel(r"$\log_{10}\left(\frac{L_\mathrm{6.2}}{\mathrm{L}_\odot}\right)$")
    ax.set_xlim([-2, 2])
    ax.set_ylim([-2, 2])
    fig.savefig('figures/fig3.pdf')
    fig.savefig('figures/fig3.jpg', dpi=300)

with plt.style.context(['science', 'high-vis']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig4.pdf')
    fig.savefig('figures/fig4.jpg', dpi=300)

with plt.style.context(['dark_background', 'science', 'high-vis']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig5.pdf')
    fig.savefig('figures/fig5.jpg', dpi=300)

with plt.style.context(['science', 'notebook']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig10.pdf')
    fig.savefig('figures/fig10.jpg', dpi=300)

# Plot different color cycles 

with plt.style.context(['science', 'bright']):
    fig, ax = plt.subplots()
    for p in [5, 10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig6.pdf')
    fig.savefig('figures/fig6.jpg', dpi=300)

with plt.style.context(['science', 'vibrant']):
    fig, ax = plt.subplots()
    for p in [5, 10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig7.pdf')
    fig.savefig('figures/fig7.jpg', dpi=300)

with plt.style.context(['science', 'muted']):
    fig, ax = plt.subplots()
    for p in [5, 7, 10, 15, 20, 30, 38, 50, 100, 500]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order', fontsize=7)
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig8.pdf')
    fig.savefig('figures/fig8.jpg', dpi=300)

with plt.style.context(['science', 'retro']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig9.pdf')
    fig.savefig('figures/fig9.jpg', dpi=300)

with plt.style.context(['science', 'grid']):
    fig, ax = plt.subplots()
    for p in [10, 15, 20, 30, 50, 100]:
        ax.plot(x, model(x, p), label=p)
    ax.legend(title='Order')
    ax.set(xlabel='Voltage (mV)')
    ax.set(ylabel='Current ($\mu$A)')
    ax.autoscale(tight=True)
    fig.savefig('figures/fig11.pdf')
    fig.savefig('figures/fig11.jpg', dpi=300)

還在爲配圖美化發愁？這個簡單易用的SCI/IEEE論文配圖風格化工具值得學習！

文章目錄

1. 風格效果

2. 安裝配置

2.1 通用配置

2.2 win10 配置

2.3 Linux 配置

3. 食用方法

4. 倉庫地址

5. 測試代碼

【CV12】如何在Keras使用 Mask R-CNN 進行目標檢測

【CV13】如何在Keras中使用 YOLO v3 進行目標檢測

【CV10】經典CNN模型中圖像數據增強方法簡介

【CV09】如何可視化CNN中的卷積核和特徵圖

【CV11】如何從頭開發於CIFAR-10圖像分類的CNN

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結