04 Matplotlib与MATLAB Figure交互式绘图对比

⭐双平台图形绘制：从时域波形到频谱图的工程对比

在信号处理环境搭建中，时域波形与频谱图的绘制是验证算法正确性的第一道关卡。本节的核心意图是引导你掌握 Matplotlib 与 MATLAB Figure 在交互式绘图上的本质差异，并建立一套可复用的“绘制-验证-排障”流程。你将通过一个典型的信号生成与频谱分析案例，对比两个平台的图形句柄（Figure Handle）操作模式，并重点识别那些容易导致结果偏差的边界条件

⭐Matplotlib与MAT

在信号处理环境搭建过程中，一个常见的工程现场是：工程师在 MATLAB 中习惯用 gcf、gca 直接获取当前图形句柄并修改属性，但在迁移到 Python 时，发现同样的逻辑无法直接套用。例如，MATLAB 中 set(gca, 'XLim', [0 100]) 可以直接修改坐标轴范围，而 Matplotlib 中如果混用 plt.xlim() 与 ax.set_xlim()，在复杂子图布局中极易出现“修改了错误的坐标轴”这类故障

本节的目标是：通过绘制一个包含 50Hz 与 120Hz 分量的合成信号，对比两个平台的时域波形与频谱图绘制流程，并重点拆解 Python识别边界（即 Matplotlib 的坐标系归属）与 MATLAB拆解关系（即 Figure 对象树的父子层级）。最终，你将能够用 Matplotlib验证结果，并理解 Figure识别边界 在交互式绘图中的实际含义

🧭Matplotlib与MAT的对象步骤与验收点

输入、处理和输出的检查项

要实现双平台对比，首先需要理解两个系统对“图形”的抽象方式。MATLAB 将 Figure 视为一个容器，其下包含 Axes、Line、Text 等子对象，每个对象都有唯一的句柄（Handle）。而 Matplotlib 的 Figure识别边界 则体现在：一个 Figure 对象可以包含多个 Axes，但 pyplot 状态机只记录“当前”坐标轴，一旦创建子图，就必须通过显式的 ax 对象进行操作

下面的伪代码展示了在 Python 中生成信号并绘制时域波形与频谱图的标准流程。注意，这里刻意使用了面向对象模式（fig, ax = plt.subplots()）来避免状态机带来的边界混淆

import numpy as np
import matplotlib.pyplot as plt
from scipy.fft import fft, fftfreq
# 生成合成信号：50Hz + 120Hz
fs = 1000  # 采样率
t = np.arange(0, 1, 1/fs)
signal = np.sin(2 * np.pi * 50 * t) + 0.5 * np.sin(2 * np.pi * 120 * t)
# 时域波形
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 6))
ax1.plot(t, signal)
ax1.set_xlim(0, 0.1)  # 显式指定坐标轴边界
ax1.set_title('Time Domain Waveform')
ax1.set_xlabel('Time (s)')
ax1.set_ylabel('Amplitude')
# 频谱图
N = len(signal)
yf = fft(signal)
xf = fftfreq(N, 1/fs)[:N//2]
ax2.plot(xf, 2.0/N * np.abs(yf[:N//2]))
ax2.set_xlim(0, 200)
ax2.set_title('Frequency Spectrum')
ax2.set_xlabel('Frequency (Hz)')
ax2.set_ylabel('Magnitude')
plt.tight_layout()
plt.show()

阅读这段代码时，重点看Figure交互式绘图对比的伪代码，以及它如何用稳定性与可观测性证明结果可复测。

这段代码的关键在于 ax1.set_xlim(0, 0.1) 和 ax2.set_xlim(0, 200)，它们直接操作了具体的坐标轴对象，而不是依赖全局状态。这对应了 Python识别边界 的核心原则：每个绘图操作必须明确其归属的 Axes 实例。在 MATLAB 中，等效操作是 subplot(2,1,1); xlim([0 0.1])，它依赖的是当前坐标轴句柄，这在单线程脚本中通常没问题，但在函数回调或 GUI 中容易引发句柄丢失