本书以Matplotlib库为核心，系统讲解科技图表可视化的完整流程。Matplotlib作为Python生态中最成熟的2D绘图库，凭借其简洁的API设计，仅需数行代码便能生成直方图、条形图、饼图、散点图等基础统计图形，同时支持高度自定义的复杂图像输出。全书从库的基本原理与绘图对象模型入手，逐步剖析默认参数体系、内置样式主题及图形布局的组织策略，帮助读者构建清晰的绘图逻辑。在此基础上，深入探讨三维可视化、性能优化与动态动画等进阶主题，并精选多幅经典科学插图作为案例，展示美学与信息传递的平衡技巧。书中既涵盖基础图形设计要素，又融入高级图表的设计原则与工程实践，兼顾实用性与艺术性。本书适合已掌握Python基础语法、希望提升数据表达能力的科研人员、工程师及数据分析从业者，可作为案头常备的绘图参考指南。

尼古拉斯.P.罗尔,计算认知神经科学的一名全职研究员，在法国国家信息与自动化研究所和神经退行性疾病研究所使用人工神经网络和机器学习研究决策、学习和认知

序 言 Python 科学可视化的应用领域非常广泛。其涉及形形色色的工具，从最通用、最广泛使用的工具，到更专业、保密的工具。这些工具有些由社区开发，有些则由公司开发。这些工具有的专门用于网络，有的则仅用于桌面，有的处理3D和大数据，有的则针对完美的2D渲染，如图0-1所示。 图0-1 该图是2018年Python在科学可视化领域的概览（部分内容）。该图基于Jake Vanderplas的原创进行调整（详细资源见：https://github.com/rougier/python-visualization-landscape） 面对如此丰富的选择，你可能很难找到最适合自己需求的库，因为你可能不知道某个库的存在。为了帮助你做出选择，可以先问自己几个问题： 是否针对桌面应用或Web渲染？ 是否拥有复杂的3D渲染场景？ 是否有出版级别的图像质量要求？ 是否需要处理海量数据？ 这些库的社区是否活跃？ 这些库有文档和教程吗？ 根据对上述问题的回答，可以决定使用哪个库并投入一些时间学习它。例如，如果需要在浏览器中进行交互式可视化，并与Jupyter无缝集成，那么可以选择Bokeh。如果有非常大的数据并需要在桌面上进行3D可视化，那么vispy或mayavi是很好的选择。如果对快速构建漂亮的图形非常感兴趣，那么seaborn和altair是您的得力助手。另外，如果你从事地球科学工作，那么不能忽视cartopy 等库。在此无法列出所有库，我相信在撰写本书到实际出版本书之间，会诞生出新的可视化库。 pyviz 是一个很好的信息源网站，该网站收纳了很多可视化库的网站链...