hold on 叠加多条曲线：同一坐标轴画 sin 和 cos 并用 legend 区分

一、问题的提出：为什么“叠加”值得被认真对待

“在同一张图上画两条曲线”几乎是每个工程师和科研人员的入门动作。它简单到常常被当作无需解释的常识：调用两次绘图函数，加一个图例，收工。但恰恰是这种“常识化”的操作，隐藏了大量容易被忽略的细节——为什么第二次绘图没有覆盖第一次？图例为什么有时只显示一条？两条曲线量纲不同时该不该共轴？采样点太少时曲线为什么会“抖动”甚至出现虚假的低频包络？

笔者认为，把“叠加”当作一个严肃的工程问题来对待，是区分“能画出图”和“能画出可信图”的分水岭。可视化在科学传播中承担的是“证据呈现”的职能，而不是装饰。一条被错误采样或错误标注的曲线，可能让读者得出与数据完全相反的结论。因此，本文不满足于给出一段能跑的代码，而是试图建立一条贯穿始终的分析主线：从“命令式叠加”到“对象式管理”，再到“可复现的可视化契约”。

这条主线的核心洞察是：多曲线叠加的本质，不是“画两次”，而是“在一个共享的坐标系（Axes）中注册多个可被独立寻址的视觉对象（Artist），并让图例系统能够正确地把这些对象映射回语义标签”。理解这一点，后面所有的技巧——标签去重、颜色循环、双轴、子图——都会变成同一套逻辑的自然推论，而不是零散的记忆点。

本文评述：很多教程把 legend 当作一个“附加装饰”，先画图再补图例。但从渲染管线看，legend 是对已注册 Artist 的一次“反向索引”，它的正确性完全依赖于绘图阶段是否给每个对象赋予了可区分的 label。把图例问题前移到绘图阶段解决，是本文反复强调的一个工程习惯。

二、从 hold on 到面向对象：绘图范式的一次静默迁移

2.1 MATLAB 的 hold on 语义

在 MATLAB 及早期类 MATLAB 环境中，图形窗口默认处于“覆盖模式”：每次调用 plot 都会清空当前坐标轴再绘制。要叠加多条曲线，必须显式执行 hold on，把坐标轴切换到“保持模式”，后续绘图命令才会追加而非替换。这个设计反映的是一种全局状态机思维：绘图行为依赖于一个隐式的“当前坐标轴状态”。

MATLAB 官方文档长期将 hold 描述为控制“是否在绘图前清除坐标轴”的开关（MathWorks 文档，hold 函数页）。这种状态机模型直观，但副作用明显：状态是隐式的、跨函数传递的，一旦某处忘记 hold off，后续所有绘图都会意外叠加，产生难以定位的 bug。

2.2 Matplotlib 的默认叠加与显式对象

Matplotlib 在这一点上做出了不同的选择。在 pyplot 接口下，对同一 Axes 连续调用 plot 默认就是叠加的，不需要任何“hold on”开关。这不是因为 Matplotlib 更“聪明”，而是因为它从一开始就把图形建模为一棵对象树：Figure 包含 Axes，Axes 包含 Line2D、Text、Patch 等 Artist。每次 plot 调用只是在当前 Axes 的 Artist 列表里追加一个 Line2D，并不会清空已有对象。

Matplotlib 官方文档在 “Anatomy of a Figure” 与 “Artist tutorial” 两篇指南中，系统阐述了这一层次结构（Matplotlib 官方文档，2024）。本文评述：这种“默认叠加 + 显式对象”的设计，把 MATLAB 中靠全局状态维持的行为，转化为靠对象引用维持的行为，从根本上消除了隐式状态带来的不确定性。代价是学习曲线略陡——你必须理解 fig, ax = plt.subplots() 返回的两个对象分别是什么。

2.3 为什么 Python 生态没有“hold on”

一个常见的疑问是：既然 MATLAB 用户习惯 hold on，为什么 Matplotlib 不提供一个同名函数？事实上，Matplotlib 早期确实存在过类似 hold 的兼容接口，但在 2.0 版本前后被移除，官方迁移指南明确建议改用面向对象接口（Matplotlib “Changes in 2.0” 迁移说明）。笔者认为，这一决策的深层逻辑是：当图形被建模为对象树后，“是否清除”不再是一个需要全局开关的问题，而是一个“你是否复用同一个 Axes”的问题。如果你想让两次绘图互不干扰，正确的做法是创建两个 Axes（子图），而不是切换一个全局开关。

这种范式迁移的意义远超 API 层面。它把“叠加还是分图”从一个运行时状态问题，转化为一个设计期结构问题——你在写代码之前就要想清楚：这两组数据是应该共享坐标系以便比较，还是应该分图以避免误导。这正是本文主线的第一个落点。

三、最小可复现案例：sin 与 cos 的同轴叠加

3.1 基础实现

下面给出一个最小可复现的完整示例。它使用 NumPy 生成采样点，使用 Matplotlib 的面向对象接口在同一 Axes 上绘制 sin 与 cos，并通过 label 参数让 legend 自动采集标签。

import numpy as np
import matplotlib.pyplot as plt

# 1. 生成采样点：0 到 2π，1000 个等间距点
x = np.linspace(0, 2 * np.pi, 1000)
y_sin = np.sin(x)
y_cos = np.cos(x)

# 2. 创建 Figure 与 Axes（显式对象，避免隐式状态）
fig, ax = plt.subplots(figsize=(8, 5))

# 3. 在同一 Axes 上叠加两条曲线，label 供 legend 采集
ax.plot(x, y_sin, label='sin(x)', color='#7c3aed', linewidth=2)
ax.plot(x, y_cos, label='cos(x)', color='#ea580c', linewidth=2, linestyle='--')

# 4. 坐标轴与标题
ax.set_xlabel('x (rad)')
ax.set_ylabel('amplitude')
ax.set_title('sin(x) and cos(x) on the same axes')
ax.axhline(0, color='#999', linewidth=0.8, alpha=0.6)  # 零参考线

# 5. 图例：自动读取 label
ax.legend(loc='upper right', frameon=True)

# 6. 布局与保存
fig.tight_layout()
fig.savefig('sin_cos.png', dpi=300)
plt.show()

这段代码只有十几行，但每一行都对应一个可讨论的设计决策。下面逐条拆解。

3.2 采样点数量的选择

为什么用 1000 个点而不是 100 个？sin 和 cos 在 [0, 2π] 上是光滑函数，理论上任意密度的采样都能“连成”近似曲线，但采样密度直接影响视觉保真度。根据奈奎斯特采样定理，要无失真地重建最高频率为 f 的信号，采样率须大于 2f。sin 与 cos 的角频率为 1 rad⁻¹，在 [0, 2π] 区间内各完成一个完整周期，因此理论上每周期 2 个点即可满足奈奎斯特下限。但奈奎斯特只保证“可重建”，不保证“折线连接后视觉光滑”。

实践中，折线渲染的视觉光滑度取决于相邻采样点之间的角度变化。经验上，每个周期 20–50 个采样点即可获得肉眼光滑的曲线。本文评述：1000 个点覆盖 2π，相当于每周期约 159 个点，远超视觉需求，但代价可忽略（现代机器上绘制 1000 点耗时在毫秒级）。真正需要警惕的是采样点过少的情况——例如每周期 4 个点，折线会呈现明显的多边形，甚至让人误判极值位置。

3.3 颜色与线型的语义分工

示例中给 sin 用紫色实线、cos 用橙色虚线。这不是随意选择。颜色和线型是两个独立的视觉通道，可以分别承载不同维度的信息。当只有两条曲线时，颜色足以区分；当曲线数量增加到 4–6 条、且需要在黑白打印或色觉障碍场景下保持可读性时，线型（实线、虚线、点线、点划线）就成为必要的冗余编码。

关于色觉友好配色，Matplotlib 3.x 起默认使用 tab10 色板，该色板在设计时考虑了色觉障碍的可区分性（Matplotlib 官方 “Choosing Colormaps” 指南）。此外，Paul Tol 与 Cynthia Brewer 提出的配色方案在科研可视化社区被广泛采用，其色板经过对比度与色盲模拟验证（Tol, 2021；Brewer 等，2003）。本文评述：对于正式发表，建议优先使用 ColorBrewer 的定性色板或 Tol 的 “bright”/“muted” 系列，而不是随手指定十六进制颜色。

四、legend 的标签采集机制与去重陷阱

4.1 legend 如何“知道”每条曲线的名字

调用 ax.legend() 时，Matplotlib 会遍历当前 Axes 中所有“可被图例收录”的 Artist，读取每个 Artist 的 label 属性。如果 label 以特定前缀开头（默认是下划线 _），则该 Artist 会被排除在图例之外。这是 Matplotlib 提供的一个“隐藏标记”机制，常用于辅助线、填充区域等不需要出现在图例中的元素。

官方文档 “Legend guide” 详细说明了 label 的采集规则与 legend() 的参数优先级（Matplotlib 官方文档，2024）。本文评述：理解这一机制后，一个常见困惑——“为什么我的图例里多了一条线/少了一条线”——就变得可解释了。多出来，通常是因为某条辅助线没有加下划线前缀；少一条，通常是因为绘图时忘记传 label。

4.2 标签去重：一个高频陷阱

考虑一个常见场景：你在循环中绘制多条属于同一类别的曲线，每条都传了相同的 label，例如 label='experiment'。此时 legend 默认会对相同 label 去重，只显示一个条目。这在某些情况下是期望行为（表示“这些线都属于同一组”），但在另一些情况下会导致信息丢失。

Matplotlib 的 legend() 提供了 ncol、handles、labels 等参数，允许你显式指定要收录的 Artist 和对应标签，从而绕过自动去重。例如：

line1, = ax.plot(x, y_sin, label='sin(x)')
line2, = ax.plot(x, y_cos, label='cos(x)')
# 显式指定，避免自动去重带来的意外
ax.legend(handles=[line1, line2], labels=['sin(x)', 'cos(x)'])

注意 line1, = ax.plot(...) 中的逗号——plot 返回的是一个列表，逗号用于解包取出第一个 Line2D 对象。这是 Matplotlib 用户最容易踩的语法坑之一，也是显式图例管理的前提。

4.3 图例位置与遮挡

legend 的 loc 参数支持字符串（如 'upper right'）和数值编码。当曲线穿过图例区域时，图例会遮挡数据。解决方案有三：其一，使用 loc='best' 让 Matplotlib 自动寻找遮挡最少的位置（基于简单的重叠面积估计）；其二，把图例移到坐标轴外，例如 bbox_to_anchor=(1.02, 1), loc='upper left'；其三，调整坐标轴范围留出空白。

本文评述：loc='best' 在曲线复杂时并不总是可靠，它只做粗略估计。对于正式图表，笔者更推荐手动指定位置并配合 framealpha 调整图例背景透明度，在遮挡不可避免时至少让底层曲线隐约可见。

五、颜色循环、线型与色觉友好配色

5.1 property cycle 的工作方式

当你调用 ax.plot() 而不指定颜色时，Matplotlib 会从当前 Axes 的 property cycle（属性循环）中依次取用颜色和线型。这个循环由 rcParams['axes.prop_cycle'] 定义，默认是 cycler('color', [...tab10...])。每次绘图消耗一个循环项，用完一轮后从头开始。

这意味着：如果你在同一 Axes 上画了 12 条曲线而 tab10 只有 10 种颜色，第 11、12 条会重复第 1、2 条的颜色。在曲线数量较多时，这是一个必须主动管理的风险。解决方案包括：自定义更长的 prop_cycle、显式指定每条线的颜色、或改用线型+标记组合编码。

from cycler import cycler
import matplotlib as mpl

# 自定义 12 色循环（示例，实际应选用经色觉验证的色板）
custom = cycler(color=['#7c3aed', '#ea580c', '#16a34a', '#2563eb',
                       '#db2777', '#0891b2', '#ca8a04', '#4b5563',
                       '#9333ea', '#dc2626', '#059669', '#1d4ed8'])
mpl.rcParams['axes.prop_cycle'] = custom

5.2 色觉友好与灰度可读性

全球约 8% 的男性和 0.5% 的女性存在某种程度的色觉障碍（Birch, 2012）。红绿色盲最为常见，这意味着依赖红/绿对比的配色对相当一部分读者不可读。科研可视化的通行做法是：同时使用颜色和线型/标记两个通道，确保在灰度打印或色觉障碍下仍可区分。

此外，颜色的明度（luminance）差异比色相差异更稳健。即使两条线在色相上难以区分，只要明度差异足够，灰度打印后仍能分辨。本文评述：一个实用的自检方法是把图转成灰度看一眼——如果两条曲线在灰度下糊成一片，说明配色方案不够稳健。

六、采样密度、混叠与数值稳定性

6.1 混叠：看不见的敌人

当采样率不足时，高频信号会被“折叠”成低频假象，这就是混叠（aliasing）。对于 sin 和 cos 这类低频函数，混叠通常不是问题。但一旦你叠加的是高频信号（例如 sin(50x)），采样点不足会让曲线呈现出完全错误的低频包络。

更隐蔽的是视觉混叠：即使数据采样足够，屏幕上像素有限，密集的高频曲线也会在渲染时产生摩尔纹。Matplotlib 对此没有自动抗混叠处理，需要用户通过降低线宽、增加采样或使用透明度来缓解。

6.2 采样点数的经验法则

综合奈奎斯特定理与视觉光滑度需求，可以给出一条经验法则：采样点数应至少为“最高频率分量周期数的 20 倍”。例如，若曲线在绘图区间内包含 10 个完整周期，则至少需要 200 个采样点；若要获得发表级光滑度，建议 1000 点以上。

本文评述：这条法则的代价是内存与渲染时间，但在现代硬件上，即使 10 万个点的折线绘制也在可接受范围内。真正的瓶颈往往不是计算，而是数据来源本身——如果原始数据只有 50 个点，强行插值到 1000 点只会制造“虚假光滑”，掩盖真实的测量噪声。此时应如实呈现原始采样密度，而不是用插值美化。

6.3 数值稳定性：端点与极值

使用 np.linspace(0, 2*np.pi, N) 时，端点是否包含取决于 endpoint 参数（默认 True）。对于周期性函数，包含端点会导致首尾点重复，在极少数情况下影响图例或填充区域的闭合。此外，浮点精度在 2π 附近会引入微小误差，对普通绘图无影响，但在需要精确对齐的场景（如 FFT 前后对比）应使用 np.linspace(0, 2*np.pi, N, endpoint=False)。

七、双 Y 轴与子图：叠加的边界在哪里

7.1 何时不该共轴

sin 和 cos 共享同一量纲（无量纲幅值）和同一取值范围（[-1, 1]），共轴是自然的。但如果两条曲线的量纲不同——例如一条是温度（℃），另一条是压力（kPa）——强行共轴会导致其中一条被压成直线，失去可读性。

此时有两种选择：双 Y 轴（twin axes）或子图（subplots）。双 Y 轴通过 ax.twinx() 创建共享 X 轴但独立 Y 轴的第二个 Axes，适合强调两组数据的同步变化。子图则把两组数据彻底分开，适合强调各自的独立趋势。

fig, ax1 = plt.subplots(figsize=(8, 5))
ax2 = ax1.twinx()  # 共享 x 轴，独立 y 轴

l1, = ax1.plot(x, y_sin, color='#7c3aed', label='sin(x)')
l2, = ax2.plot(x, y_cos * 100, color='#ea580c', label='cos(x) × 100')

ax1.set_ylabel('sin amplitude', color='#7c3aed')
ax2.set_ylabel('cos amplitude (scaled)', color='#ea580c')

# 合并两个轴的图例
lines = [l1, l2]
ax1.legend(lines, [l.get_label() for l in lines], loc='upper right')

7.2 双轴的争议

双 Y 轴在数据可视化社区一直存在争议。批评者认为，双轴图允许作者通过调整两个轴的缩放比例，人为制造或消除两条曲线之间的“相关性”视觉印象，具有误导性（这一批评在统计图形学界被反复讨论）。支持者则认为，在物理量确实不同但需要观察同步性的场景（如温度与压力随时间变化），双轴是合理的。

本文评述：双轴不是“错误”，但它是高责任的图形选择。使用时应遵循两条纪律：其一，两个轴的量纲和单位必须清晰标注，颜色与对应曲线一致；其二，避免用双轴图论证“相关性”，相关性应由散点图或相关系数支撑，而不是由两条被独立缩放的曲线暗示。

7.3 子图网格的布局

当需要比较的曲线超过 3–4 条，或量纲差异较大时，子图网格（plt.subplots(nrows, ncols)）通常是更稳妥的选择。Matplotlib 的 constrained_layout 或 tight_layout 可以自动处理子图间距，避免标签重叠。

一个常被忽略的细节是：子图之间共享 X 轴时，应使用 sharex=True，这样缩放一个子图会同步其他子图，便于对比。共享轴还会自动隐藏内部子图的 X 轴刻度标签，减少视觉冗余。

八、工程化：可复现绘图模板与自动化

8.1 把绘图参数集中管理

在科研与生产环境中，绘图代码往往需要反复运行、批量生成。把颜色、线宽、字体等参数硬编码在绘图逻辑中，会导致修改成本高、风格不一致。推荐的做法是使用 Matplotlib 的 rcParams 或自定义样式文件（plt.style.use('my_style.mplstyle')）集中管理。

# my_style.mplstyle
figure.figsize: 8, 5
figure.dpi: 150
font.size: 11
axes.titlesize: 13
axes.labelsize: 11
axes.spines.top: False
axes.spines.right: False
lines.linewidth: 2
legend.frameon: False

本文评述：样式文件的价值不仅在于“好看”，更在于可复现。当审稿人或同事拿到你的代码时，样式文件是代码的一部分，确保他们运行后得到与你完全一致的图。这比在论文里写“使用 Matplotlib 默认设置”要严谨得多。

8.2 批量绘图与命名规范

批量生成图表时，建议把“数据—绘图—保存”拆分为独立函数，并用参数控制输出路径与文件名。文件名应包含关键参数（如采样点数、数据版本），便于追溯。例如 sin_cos_N1000_v2.png。

8.3 版本控制与元数据

Matplotlib 支持在保存图片时嵌入元数据（metadata 参数），可以写入作者、数据来源、生成时间等信息。对于需要长期归档的图表，这是低成本高回报的习惯。此外，把绘图脚本与数据一起纳入 Git 版本控制，可以精确复现任意历史版本的图。

九、前沿趋势：声明式、交互式与 AI 辅助绘图

9.1 声明式绘图：从“怎么做”到“要什么”

Matplotlib 属于命令式绘图：你逐步告诉它画什么、怎么画。近年来，声明式可视化库（如 Vega-Lite、Altair、Plotly Express）逐渐流行。它们让你描述“数据字段到视觉通道的映射”，由库负责生成具体图形。例如在 Altair 中，叠加两条曲线只需把数据整理成长表格式，用 color 通道区分 sin 与 cos，图例自动生成。

本文评述：声明式范式在“多曲线叠加”这一场景下的优势是显著的——它把“标签采集”和“颜色分配”从手动操作变成了数据驱动的自动过程，从根本上消除了本文第四章讨论的去重陷阱。代价是灵活性：当需要高度定制的图形时，声明式库往往需要“逃生舱”（escape hatch）回到底层 API。

9.2 交互式与 Web 渲染

Bokeh、Plotly、Holoviews 等库支持交互式图形：鼠标悬停显示数值、框选缩放、图例点击切换曲线显隐。在多曲线叠加场景中，“点击图例隐藏某条曲线”是一个极其实用的功能，它让读者可以按需聚焦，而不是被所有曲线同时干扰。Matplotlib 本身也支持嵌入交互后端（如 Qt、Jupyter widget），但交互能力相对有限。

9.3 AI 辅助绘图：机遇与边界

随着大语言模型在代码生成上的能力提升，“用自然语言描述图表，让模型生成 Matplotlib 代码”已成为现实。这降低了绘图门槛，但也带来新的风险：模型可能生成看似正确但存在采样不足、标签错误或配色不友好的代码。本文评述：AI 辅助绘图适合作为“初稿生成器”，但最终的可视化质量仍需人类基于本文讨论的原则进行审查——尤其是采样密度、色觉友好性和图例正确性这三项。

9.4 可复现可视化：一个正在成型的规范

学术界对“可复现研究”的重视正在延伸到可视化领域。一些期刊和会议开始要求作者提交绘图脚本与原始数据，而不仅仅是最终图片。这一趋势与本文主线高度契合：可视化的可信度，最终取决于它能否被独立复现。一条 sin 曲线画得再漂亮，如果读者无法用你的代码和数据得到同样的图，它的证据价值就打了折扣。

十、结语与操作清单

回到最初的问题：在同一坐标轴上画 sin 和 cos 并用 legend 区分，这件事的技术含量到底在哪里？本文的答案是：技术含量不在“画出来”，而在“画得可信、可读、可复现”。从 hold on 到对象模型，从标签采集到颜色循环，从采样密度到双轴纪律，每一个环节都对应着一个可能让图表失真的风险点。

下面给出一份可直接执行的操作清单，供日常绘图时对照检查：

1. 显式创建 Axes：使用 fig, ax = plt.subplots()，避免依赖隐式状态。
2. 每条曲线都传 label：并在绘图阶段就规划好图例内容，而不是事后补救。
3. 检查采样密度：确保每周期至少 20 个点，高频信号按奈奎斯特下限的 10 倍以上采样。
4. 颜色+线型双通道编码：确保灰度打印和色觉障碍下仍可区分。
5. 图例位置自检：确认没有遮挡关键数据点，必要时移到轴外。
6. 量纲不同时慎用双轴：优先考虑子图，双轴必须清晰标注单位与颜色对应。
7. 样式集中管理：用 .mplstyle 文件统一风格，确保批量出图一致。
8. 保存高分辨率并嵌入元数据：dpi≥300，记录数据来源与生成时间。

延伸学习资源方面，Matplotlib 官方 “Legend guide” 与 “Anatomy of a Figure” 是最权威的起点；YouTube 上 Corey Schafer 的 Matplotlib 系列教程对对象模型讲解清晰；国内可参考 Matplotlib 中文文档与“莫烦 Python”可视化章节。对于配色，ColorBrewer 官网与 Paul Tol 的技术笔记提供了可直接取用的色板与验证方法。