用 Rust 加速你的 Python 数据可视化

from rsplotlib import pyplot as plt
from rsplotlib.pylab import mpl

# 可选：配置中文显示字体
mpl.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei']

# 创建 Figure 和 Axes
fig, ax = plt.subplots(figsize=(8, 6))

# 准备数据
x = [0, 1, 2, 3, 4, 5]
y = [1, 2, 4, 8, 16, 32]

# 绘制线条
ax.plot(x, y, label='指数增长', linewidth=2.0, color='steelblue')

# 装饰图表
ax.set_title('我的第一个 rsplotlib 图表')
ax.set_xlabel('时间 (秒)')
ax.set_ylabel('数值')
ax.legend()
ax.grid(True)

# 保存图表
fig.savefig('my_first_chart.png', dpi=300)

fig, ax = plt.subplots()
x = list(range(10))
ax.plot(x, [i for i in x], label='线性', color='steelblue', lw=2)
ax.plot(x, [i**2 for i in x], label='平方', color='darkorange', lw=2, ls='--')
ax.legend()
fig.savefig('lines.png')

import random
from rsplotlib import pyplot as plt

random.seed(42)
n = 100
x = [random.gauss(0, 1) for _ in range(n)]
y = [random.gauss(0, 1) for _ in range(n)]

# 每点独立颜色 + 每点独立大小（Rust 层处理）
colors = ['crimson' if xi > 0 else 'steelblue' for xi in x]
sizes = [max(10, abs(xi * yi * 50)) for xi, yi in zip(x, y)]

fig, ax = plt.subplots()
ax.scatter(x, y, c=colors, s=sizes, alpha=0.7, marker='o')
ax.set_title('每点独立颜色和大小（Rust 层批量渲染）')
fig.savefig('scatter_multi.png')

fig, ax = plt.subplots()
x = list(range(-10, 11))
ax.plot(x, [xi**3 - 3*xi for xi in x], 'b-', lw=2)

# 从文本位置绘制箭头指向目标点
ax.annotate('局部极大值', xy=(-1, 2), xytext=(-8, 500),
            fontsize=11, color='red',
            arrowprops={'arrowstyle': '->', 'arrowsize': 1.0})

ax.annotate('原点', xy=(0, 0), xytext=(5, 200),
            fontsize=11, color='darkgreen')
fig.savefig('annotations.png')

fig, ax = plt.subplots()
x = list(range(0, 11))
ax.plot(x, [xi**2 for xi in x], 'b-', lw=2)

# 标题与轴标签中的数学公式（$...$）
ax.set_title(r'二次函数 $y = x^2 + \frac{1}{2}$')
ax.set_xlabel(r'时间 $t$ (秒)')
ax.set_ylabel(r'范数 $\sqrt{x^2 + y^2}$')

# 文本标注中的希腊字母与上下标
ax.text(2, 80, r'$\alpha_i + \beta^2$', fontsize=14)
fig.savefig('mathtext.png')

import random
random.seed(0)

# 创建 2x2 子图网格
fig, axes = plt.subplots(2, 2, figsize=(12, 8))

# 展平为一维，按行优先顺序访问
# axes[0] 左上, axes[1] 右上, axes[2] 左下, axes[3] 右下
axes = axes.flatten()
axes[0].plot([1,2,3], [1,4,9], color='steelblue', lw=2)
axes[0].set_title('1) 折线图')
axes[0].grid(True, ls='--', lw=0.5)

axes[1].bar(['A','B','C','D'], [3,7,2,5], color='darkorange')
axes[1].set_title('2) 柱状图')

# 使用 Rust 加速的散点图（每点独立颜色/大小）
xs = [random.gauss(0, 1) for _ in range(150)]
ys = [random.gauss(0, 1) for _ in range(150)]
cs = ['crimson' if x > 0 else 'steelblue' for x in xs]
axes[2].scatter(xs, ys, c=cs, s=25, alpha=0.7)
axes[2].set_title('3) 散点图（Rust 批量渲染）')

axes[3].hist([random.gauss(0,1) for _ in range(500)],
             bins=25, color='forestgreen', alpha=0.7)
axes[3].set_title('4) 直方图')

fig.tight_layout()  # 自动调整间距避免标签重叠
fig.savefig('subplots_2x2.png', dpi=200)

fig = plt.figure(figsize=(10, 6))

# 顶部跨两列的大图（占据第 1 行）
ax_top = fig.add_subplot(2, 2, (1, 2))
ax_top.plot([1,2,3,4], [10,20,15,25], color='steelblue', lw=2)
ax_top.set_title('主图：跨整行的趋势')
ax_top.grid(True, ls='--', lw=0.5)

# 左下角的小图
ax_bl = fig.add_subplot(2, 2, 3)
ax_bl.bar(['A','B'], [3,7], color='darkorange')
ax_bl.set_title('子图 A')

# 右下角的小图
ax_br = fig.add_subplot(2, 2, 4)
ax_br.scatter([1,2,3], [3,1,2], c=['red','green','blue'], s=50)
ax_br.set_title('子图 B')

fig.tight_layout()
fig.savefig('irregular.png', dpi=200)

fig, ax1 = plt.subplots()

# 主坐标轴（左 Y）：温度
ax1.plot([1,2,3,4,5], [10,15,13,17,20],
         'b-o', lw=2, label='温度')
ax1.set_ylabel('温度 (°C)', color='blue')
ax1.tick_params(axis='y', labelcolor='blue')

# 共享 X 轴，创建独立的右侧 Y 轴
ax2 = ax1.twinx()
ax2.plot([1,2,3,4,5], [100,120,110,130,150],
         'r-s', lw=2, label='湿度')
ax2.set_ylabel('湿度 (%)', color='red')
ax2.tick_params(axis='y', labelcolor='red')

# 两轴各自绘制图例，分置左右上角避免重叠
ax1.legend(loc='upper left')
ax2.legend(loc='upper right')

ax1.set_title('温湿度联合监测')
fig.tight_layout()
fig.savefig('twinx.png')

fig, ax = plt.subplots()
x = list(range(0, 11))
y = [xi**2 for xi in x]
ax.plot(x, y, 'b-o', lw=2)

# 自定义 X 轴刻度位置
ax.set_xticks([0, 2, 4, 6, 8, 10])

# 自定义 X 轴刻度标签
ax.set_xticklabels(['零', '贰', '肆', '陆', '捌', '拾'],
                  fontsize=12)

# 旋转 X 轴标签以避免重叠
# ax.set_xticklabels(labels, rotation=45, ha='right')

# 设置 Y 轴刻度
ax.set_yticks([0, 25, 50, 75, 100])
ax.grid(True, ls='--', lw=0.5)
fig.savefig('custom_ticks.png')

fig, axes = plt.subplots(1, 3, figsize=(15, 4))
x = list(range(1, 100))
y = [xi**2.5 for xi in x]

# 线性坐标（默认）
axes[0].plot(x, y, color='steelblue', lw=2)
axes[0].set_title('线性 - linear')
axes[0].grid(True, ls='--', lw=0.5)

# 半对数：X 线性、Y 对数（plot 后用 set_yscale 切换刻度）
axes[1].plot(x, y, color='darkorange', lw=2)
axes[1].set_yscale('log')
axes[1].set_title('半对数 - semilogy')
axes[1].grid(True, ls='--', lw=0.5)

# 双对数：X、Y 均为对数
axes[2].plot(x, y, color='forestgreen', lw=2)
axes[2].set_xscale('log')
axes[2].set_yscale('log')
axes[2].set_title('双对数 - loglog')
axes[2].grid(True, ls='--', lw=0.5)

fig.tight_layout()
fig.savefig('log_scales.png')

import os
from rsplotlib import pyplot as plt

os.makedirs('output', exist_ok=True)

# 准备若干数据集：(x, y, 标题)
datasets = [
    (list(range(10)), [i**2 for i in range(10)], '二次曲线'),
    (list(range(10)), [i*3 for i in range(10)], '线性趋势'),
]

# 方式一：循环生成并保存
for i, (x, y, title) in enumerate(datasets):
    fig, ax = plt.subplots(figsize=(8, 6))
    ax.plot(x, y, lw=2)
    ax.set_title(title)
    fig.savefig(f'output/chart_{i:03d}.png', dpi=150)

# 方式二：固定数据生成多视角
fig, axes = plt.subplots(1, 3, figsize=(15, 4))
for ax, style in zip(axes, ['default', 'dark_background', 'ggplot']):
    plt.style.use(style)
    ax.plot(x, y)
    ax.set_title(style)
fig.savefig('output/styles.png', dpi=200)

# 方式三：保存为 SVG 便于后期编辑
fig.savefig('output/chart.svg')

# 推荐调色板：Material Design 风格
PALETTE_MATERIAL = [
    '#FF6B6B', '#4ECDC4', '#45B7D1', '#FFA07A',
    '#98D8C8', '#FFD93D', '#6BCB77', '#C9A7EB'
]

# 推荐调色板：科学论文风格（柔和不刺眼）
PALETTE_SCIENCE = [
    '#4D96FF', '#6BCB77', '#FF6B6B', '#FFD93D',
    '#9B59B6', '#1ABC9C', '#E67E22', '#34495E'
]

# 推荐调色板：商业演示风格
PALETTE_BUSINESS = [
    '#1F4E79', '#2E75B6', '#5B9BD5', '#9DC3E6',
    '#BDD7EE', '#DEEBF7'
]

fig, ax = plt.subplots()
for i, color in enumerate(PALETTE_MATERIAL):
    ax.plot([i, i+1], [i, i+1], color=color, lw=3, label=f'颜色 {i+1}')
ax.legend(ncol=2)
fig.savefig('palette.png')

import math
from rsplotlib import pyplot as plt

# 构造一个 2D 矩阵
data = [[math.sin(i/5) * math.cos(j/5)
         for j in range(60)] for i in range(40)]

fig, ax = plt.subplots()
ax.imshow(data, cmap='viridis')     # 感知均匀，推荐默认
fig.savefig('cmap.png')

import math
from rsplotlib import pyplot as plt

# 二维高斯
data = [[math.exp(-((i-20)**2 + (j-30)**2) / 200)
         for j in range(60)] for i in range(40)]

fig, ax = plt.subplots(figsize=(8, 5))
ax.imshow(
    data,
    cmap='inferno',
    origin='lower',          # 首行画在底部（默认 'upper'）
    aspect='auto',           # 填满子图框（默认 'equal'）
    interpolation='bilinear', # 平滑上采样（默认 'antialiased'）
    vmin=0, vmax=1,           # 颜色映射值域
)
ax.set_title('二维高斯分布')
fig.savefig('imshow.png', dpi=150)

from rsplotlib import pyplot as plt
from rsplotlib.colors import LogNorm, Normalize

# LogNorm 要求正值，构造一个跨数量级的矩阵（1 ~ 2400）
data = [[(i + 1) * (j + 1)
         for j in range(60)] for i in range(40)]

fig, ax = plt.subplots()

# 对数归一化：适合跨数量级的数据
ax.imshow(data, cmap='magma', norm=LogNorm(vmin=1, vmax=1000))
plt.colorbar(label='对数刻度')

# 线性归一化：等价于直接给 vmin/vmax
# ax.imshow(data, cmap='magma', norm=Normalize(vmin=0, vmax=500))
fig.savefig('lognorm.png')

import math
from rsplotlib import pyplot as plt

# 先用 imsave 生成一张示例图片（无坐标轴/边距，像素尺寸=数组尺寸）
data = [[math.sin(i/5) * math.cos(j/5)
         for j in range(60)] for i in range(40)]
plt.imsave('gray.png', data, cmap='gray', origin='lower')

# 读取图像 -> ndarray：PNG 返回 [0,1] 浮点，其余格式返回 [0,255] 整数
img = plt.imread('gray.png')       # 形状 (H, W, 3/4) 或灰度 (H, W)

fig, ax = plt.subplots()
ax.imshow(img)                     # 直接显示读入的图像
fig.savefig('shown.png')

# 也可另存为其他格式：格式由 format 或扩展名决定，支持 PNG / JPEG
plt.imsave('out.jpg', data, cmap='gray', format='jpeg', dpi=150)

from rsplotlib import pyplot as plt
from rsplotlib.pylab import mpl
import random

mpl.rcParams['font.sans-serif'] = ['PingFang SC']

# 2x2 子图网格
fig, axes = plt.subplots(2, 2, figsize=(12, 8))
axes = axes.flatten()  # 展平为一维，按 axes[0..3] 访问

# 子图 1：季度趋势折线
quarters = ['Q1', 'Q2', 'Q3', 'Q4']
axes[0].plot(quarters, [120, 150, 180, 210], marker='o',
                color='steelblue', lw=2, label='产品A')
axes[0].plot(quarters, [80, 95, 110, 130], marker='s',
                color='darkorange', lw=2, label='产品B')
axes[0].axvspan(2.5, 3.5, color='gold', alpha=0.2)  # 突出 Q4
axes[0].set_title('季度销售趋势')
axes[0].legend()
axes[0].grid(True, ls='--', lw=0.5)

# 子图 2：Q4 销量占比饼图
axes[1].pie([210, 130, 250],
              labels=['产品A', '产品B', '产品C'],
              colors=['steelblue', 'darkorange', 'forestgreen'])
axes[1].set_title('Q4 销售占比')

# 子图 3：产品A 销售分布（每点独立颜色）
random.seed(42)
xs = [random.gauss(150, 30) for _ in range(200)]
ys = [random.gauss(0, 1) for _ in range(200)]
cs = ['red' if y > 0 else 'blue' for y in ys]
axes[2].scatter(xs, ys, c=cs, s=20, alpha=0.6)
axes[2].set_title('产品A 销售分布')
axes[2].set_xlabel('销售额')
axes[2].set_ylabel('偏差')

# 子图 4：年度总销量对比 + 标注
axes[3].bar(['产品A', '产品B', '产品C'],
             [120+150+180+210, 80+95+110+130, 200+180+220+250],
             color=['steelblue', 'darkorange', 'forestgreen'])
axes[3].annotate('冠军', xy=(2, 850), xytext=(1, 880),
                 color='red', arrowprops={'arrowstyle': '->'})
axes[3].set_title('年度总销量对比')
axes[3].set_ylabel('总销量')

fig.tight_layout()
fig.savefig('sales_report.png', dpi=200)
print('报告已生成')

import math
import random
random.seed(0)

fig, ax = plt.subplots(figsize=(12, 6))

# 模拟 252 个交易日（1 年）
days = list(range(252))
price = [100]
for _ in range(251):
    ret = random.gauss(0.0005, 0.02)
    price.append(price[-1] * (1 + ret))

ax.plot(days, price, color='steelblue', lw=1.5, label='股价')

# 30 日移动平均线
ma30 = [sum(price[max(0, i-29):i+1]) / min(i+1, 30) for i in days]
ax.plot(days, ma30, color='darkorange', lw=2, label='30 日均线')

# 填充股价与均线之间的区域
ax.fill_between(days, price, ma30,
                color='steelblue', alpha=0.15, label='价格与均线之差')

ax.set_xlabel('交易日')
ax.set_ylabel('价格')
ax.set_title('股票价格时间序列（含移动平均线）')
ax.legend(loc='upper left')
ax.grid(True, ls='--', lw=0.5)
fig.tight_layout()
fig.savefig('stock.png', dpi=200)

import math
from rsplotlib import pyplot as plt
from rsplotlib.pylab import mpl

# === 学术论文风格模板 ===
mpl.rcParams['font.sans-serif'] = ['Arial', 'DejaVu Sans']
mpl.rcParams['font.size'] = 11
mpl.rcParams['axes.linewidth'] = 1.0
mpl.rcParams['lines.linewidth'] = 1.5

fig, ax = plt.subplots(figsize=(3.5, 2.6))  # 单栏尺寸

x = [i * 0.1 for i in range(100)]
y = [math.exp(-xi / 3) * math.sin(xi * 2) for xi in x]

ax.plot(x, y, color='#1F4E79', lw=1.5)

# 极简坐标轴：只显示左下边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

ax.set_xlabel('Time (s)')
ax.set_ylabel('Amplitude')
ax.set_xlim(0, 10)
ax.grid(True, ls='--', lw=0.5)

fig.tight_layout()
fig.savefig('science.png', dpi=300)

import random
random.seed(0)

# 模拟近 30 天的价格随机游走
days = list(range(30))
price = [100]
for _ in range(29):
    price.append(price[-1] + random.gauss(0, 3))

fig = plt.figure(figsize=(14, 8))

# 顶部 KPI 区：4 个数字
kpi_values = [('日活', '12.5万', '+8.2%'),
              ('营收', '¥85.6万', '+12.5%'),
              ('订单', '3,421', '-2.1%'),
              ('转化率', '3.8%', '+0.5%')]
for i, (label, value, change) in enumerate(kpi_values):
    ax = fig.add_subplot(2, 4, i + 1)
    ax.text(0.5, 0.7, value, ha='center', fontsize=22, fontweight='bold')
    ax.text(0.5, 0.4, label, ha='center', fontsize=11)
    color = 'green' if '+' in change else 'red'
    ax.text(0.5, 0.15, change, ha='center', fontsize=10, color=color)
    ax.axis('off')

# 第二行：趋势线 + 分布
ax_trend = fig.add_subplot(2, 2, 3)
ax_trend.plot(days, price, color='steelblue', lw=2)
ax_trend.set_title('近 30 天趋势')

ax_dist = fig.add_subplot(2, 2, 4)
ax_dist.hist(price, bins=30, color='steelblue', alpha=0.7)
ax_dist.set_title('价格分布')

fig.tight_layout()
fig.savefig('dashboard.png', dpi=200)