企业官网建设流程全解析

1. 先搞清楚“糊”在哪：图片模糊的根因拆解

做数据分析这行，十有八九都遇到过这种尴尬：在 Jupyter Notebook 里跑完一段绘图代码，屏幕上看着挺清楚，一点保存，导出的 PNG 放到报告里就糊成一团，坐标轴刻度挤在一起，图例文字像被水泡过。更气人的是，明明代码里写了dpi=300，出来的图还是不够锐利。这个问题我踩过太多次坑，后来才慢慢摸清楚，Python 绘图“糊”从来不是单一原因，而是分辨率、画布尺寸、字体渲染、保存方式这几个环节里至少有一个没配对。

先把话说在前面：这篇文章聊的是Matplotlib 及其生态（Seaborn、Pandas 内置绘图）导出图片清晰度的问题，适合两类人看。一类是刚上手 Python 数据分析、被导出图糊得没脾气的朋友；另一类是用了一段时间、知道要调dpi但始终没搞明白为什么调了还是不够清楚的中级用户。如果你平时用 Plotly 或 Bokeh 做交互图，思路相通但参数名不同，文末我会提一嘴差异点。

核心关键词就一个：Python Plot 图片模糊。围绕它，我们要解决的是“屏幕上清楚、导出后模糊”“放大后锯齿明显”“文字发虚”“线条毛边”这几类具体症状。每一种症状背后的成因不一样，对应的解法也不一样，一锅端地调dpi往往治标不治本。

我见过太多人把plt.savefig('a.png')当成万能钥匙，结果导出的图在 Word 里一放大就露馅。也见过有人把dpi调到 600，文件从 200KB 涨到 8MB，清晰度却没提升多少——因为问题根本不在分辨率，而在画布尺寸和字体。所以这篇东西我打算按“先诊断、再开方”的顺序讲，把每个参数为什么这么设、设成多少合适、什么场景下要换思路，都掰开揉碎说清楚。

2. 分辨率、画布与 DPI：三个最容易混淆的概念

2.1 像素尺寸不等于物理尺寸，这是糊的源头

很多人对图片清晰度的第一反应是“分辨率不够”，于是拼命调dpi。但这里有个基础概念必须先厘清：一张图的清晰度由像素总尺寸决定，而像素总尺寸 = 画布物理尺寸（英寸）× DPI。Matplotlib 默认figsize=(6.4, 4.8)，默认dpi=100，算下来就是 640×480 像素。这个尺寸放在十几年前的屏幕上够用，放到今天的高分屏或者印刷文档里，那就是妥妥的糊。

关键点在于：figsize和dpi是两个独立旋钮，但它们共同决定最终像素。你只调dpi不调figsize，像素确实变多了，但画布里的元素（字号、线宽）是按“点”算的，相对比例会跟着变，有时候反而显得拥挤。举个具体例子，默认 6.4×4.8 英寸、100 DPI 的图，字号 10pt 的文字占的像素高度大约是 14px；如果你把 DPI 提到 300 而 figsize 不变，同样 10pt 的字变成约 42px 高，图整体是清楚了，但如果你原本图里元素就排得满，放大后可能超出边界被裁掉。

我的经验是：先定物理尺寸，再定 DPI。物理尺寸按最终用途来——放网页或 PPT 里，宽度 6 到 8 英寸足够；放 A4 纸打印，宽度按 6.5 英寸左右（留边距）；做海报或大屏展示，才需要 10 英寸以上。DPI 则按输出介质来：屏幕展示 150 就够，普通打印 300，精细印刷 600。这两个数一乘，像素尺寸自然就出来了，不用瞎猜。

2.2 DPI 到底影响什么，不影响什么

这里要纠正一个流传很广的误解：DPI 不改变图的“内容清晰度”，它改变的是“每英寸塞多少像素”。换句话说，一张矢量图（比如 SVG、PDF）无论 DPI 多少，放大都不糊，因为它是用数学描述绘制的；而位图（PNG、JPG）的清晰度上限由像素总数决定，DPI 只是决定这些像素铺在多宽的物理尺寸上。

所以当你导出 PNG 觉得糊，本质是像素不够。解决办法有两条路：一是提高像素总数（调大 figsize 或 dpi），二是干脆导出矢量格式。后者经常被忽略，但它是解决“放大就糊”最彻底的办法。Matplotlib 的savefig支持.svg、.pdf、.eps，这些格式在 Word、LaTeX、Illustrator 里都能无损缩放。代价是文件里不能有太多复杂的光栅元素（比如透明度渐变、大量散点），否则矢量文件会变得巨大甚至渲染失败。

我个人的习惯是：报告和论文一律先存 PDF 或 SVG，需要嵌网页或聊天工具传图时再另存一份高 DPI 的 PNG。这样既保证了印刷质量，又兼顾了分享便利。很多人图省事只存 PNG，结果后期要改尺寸就得重跑代码，反而更费时间。

2.3 一个容易被忽视的坑：bbox_inches='tight'会改变实际输出尺寸

plt.savefig('x.png', bbox_inches='tight')这个写法太常见了，它的作用是裁掉图周围的空白。但很多人不知道，这个参数会重新计算输出画布的边界，导致最终像素尺寸和你设定的 figsize×dpi 对不上。有时候你设了 300 DPI，加了 tight 之后实际输出反而变小了，因为裁掉了边距。

更隐蔽的问题是：tight配合某些布局（比如constrained_layout）时，裁剪逻辑可能把图例或标题切掉一部分。我遇到过好几次导出图例被裁半截的情况，排查半天才发现是 tight 和布局引擎打架。稳妥的做法是：需要精确控制尺寸时，先不用 tight，手动调subplots_adjust留边距；确实要用 tight，就在保存后检查一下输出图的像素尺寸是否符合预期。

3. 字体与线条发虚：渲染层面的隐形杀手

3.1 字体模糊往往不是分辨率问题

有一种糊特别迷惑人：图整体看着还行，但文字边缘发毛、发灰，像是蒙了一层雾。这种情况调 DPI 效果有限，因为根子在字体渲染上。Matplotlib 默认使用 DejaVu Sans 字体，这个字体本身没问题，但在某些系统上，字体抗锯齿（anti-aliasing）的设置会导致小字号文字发虚。

我的处理办法分两步。第一步，把字体换成系统里渲染更锐利的无衬线字体，比如思源黑体、微软雅黑（注意跨平台兼容性，Linux 服务器上可能没有）。第二步，适当调大字号——10pt 在 100 DPI 下确实偏小，改成 12pt 或 14pt，配合 200 以上的 DPI，文字立刻精神。这里有个反直觉的点：字号调大后，反而可以用更低的 DPI 达到同样的清晰观感，因为文字占的像素多了，抗锯齿的模糊相对就不明显了。

还有一个细节是text.antialiased这个 rcParams 参数，默认是 True。绝大多数情况保持 True 就好，但在极少数情况下（比如导出成特定格式后文字发灰），把它设成 False 反而能得到更锐利的边缘，代价是斜线可能有锯齿。这个要实测，不同输出格式表现不一样。

3.2 线条毛边的三种成因与对策

线条发毛、有锯齿，通常有三种原因。第一种是线宽太细，比如linewidth=0.5，在低 DPI 下不足一个像素，渲染器只能靠抗锯齿糊过去，结果就是灰蒙蒙的一条。对策很简单，线宽不低于 1.0，重要曲线用 1.5 到 2.0。

第二种是抗锯齿算法与输出格式不匹配。PNG 的抗锯齿是像素级的，放大看必然有过渡像素；而 SVG 是矢量描述，理论上无限清晰。如果你对线条锐利度要求极高，导出 SVG 是正解。

第三种比较隐蔽：图形后端（backend）不同，渲染结果不同。Matplotlib 有 Agg、SVG、PDF 等多个后端，交互式环境（比如某些 IDE 的内嵌绘图）用的后端和savefig用的可能不是同一个。我遇到过在 Notebook 里显示很锐利、保存出来却发虚的情况，后来发现是显示用了 retina 后端、保存用了默认 Agg。解决办法是在代码开头显式指定matplotlib.use('Agg')，保证显示和保存走同一套渲染逻辑。

3.3 一个实操心得：先放大看，再决定调什么

我现在排查图片模糊，第一步永远是把导出的图放大到 200% 甚至 400% 看。如果放大后看到的是一个个清晰的方块像素，说明是像素不够，调 DPI 或 figsize；如果看到的是模糊的过渡色块，说明是抗锯齿或字体渲染问题，调字体和线宽；如果看到线条断断续续，那可能是后端或格式的锅。这个“放大诊断法”比盲目调参数高效得多，建议你也养成习惯。

4. 从代码到成品：一套可直接抄的清晰出图配置

4.1 全局 rcParams 配置模板

与其每次画图都手动传一堆参数，不如在脚本开头统一设好全局配置。下面这套是我用了很久的模板，适配大多数报告和论文场景：

import matplotlib matplotlib.use('Agg') # 保证保存走 Agg 后端，避免显示/保存不一致 import matplotlib.pyplot as plt plt.rcParams.update({ 'figure.figsize': (8, 5), # 物理尺寸，按用途调整 'figure.dpi': 150, # 屏幕预览用 'savefig.dpi': 300, # 保存用，和预览分开 'font.size': 12, # 基础字号调大 'axes.titlesize': 14, 'axes.labelsize': 12, 'xtick.labelsize': 11, 'ytick.labelsize': 11, 'legend.fontsize': 11, 'lines.linewidth': 1.5, # 线宽不低于 1.5 'axes.linewidth': 1.0, # 坐标轴线宽 'font.family': 'sans-serif', 'font.sans-serif': ['Source Han Sans SC', 'Microsoft YaHei', 'DejaVu Sans'], 'axes.unicode_minus': False, # 负号正常显示 'savefig.bbox': 'standard', # 不用 tight，手动控边距 'savefig.pad_inches': 0.1, })

这套配置里，figure.dpi和savefig.dpi分开设是个关键技巧。预览时 150 足够快，保存时自动切到 300，不用改代码。字体列表按优先级排，系统里没有第一个就往下找，保证跨平台不至于报错。savefig.bbox设成 standard 而不是 tight，是为了避免前面说的尺寸漂移问题。

4.2 单张图的精细控制：savefig 参数逐个说

全局配置管大头，单张图如果有特殊需求，还得在savefig里补参数。常用的几个：

fig, ax = plt.subplots(figsize=(8, 5)) # ... 绘图代码 ... fig.savefig( 'output.png', dpi=300, # 覆盖全局，按需提高 facecolor='white', # 明确背景色，避免透明底在某些软件里发灰 edgecolor='none', transparent=False, # 和 facecolor 配合，别同时开 format='png', )

这里facecolor='white'值得单独说。Matplotlib 默认保存的 PNG 背景是透明的，放到深色背景的 PPT 或网页里，图里的白底文字和线条会显得脏。显式设白底能避免这个问题。另外transparent=True和facecolor同时设会冲突，二选一。

如果确实需要 tight 裁剪，我的做法是保存后再用 PIL 检查尺寸，或者干脆用fig.set_layout_engine('constrained')让布局引擎自己管边距，比 tight 可控。

4.3 矢量格式导出：一次配置，永久清晰

对于要进论文、报告、印刷品的图，我强烈建议直接导 PDF 或 SVG：

fig.savefig('output.pdf', format='pdf', bbox_inches='tight') fig.savefig('output.svg', format='svg', bbox_inches='tight')

矢量格式的好处是无限缩放不糊，缺点是文件里如果有大量散点或透明度，体积会爆炸。我的经验是：散点图超过几千个点、或者用了 alpha 透明度，就别导矢量了，老老实实高 DPI PNG。折线图、柱状图、饼图这类元素少的，矢量是首选。

还有个细节：PDF 里的字体默认是嵌入的，但如果你用了系统特殊字体，某些阅读器可能显示异常。稳妥起见，导出前确认字体是常见字体，或者用pdf.fonttype=42让字体以 TrueType 嵌入，兼容性更好。

5. 不同场景的差异化打法：别一套参数走天下

5.1 网页与 PPT 场景：平衡清晰度与文件体积

放网页或 PPT 里的图，清晰度要求没那么极致，但文件体积要控制。我的参数是figsize=(8, 5)、dpi=150，导出 PNG 大约 300 到 500KB，清晰度在 1080p 屏幕上完全够看。如果 PPT 要投影到大屏，提到 200 DPI。这个场景下没必要上 300，文件大了传输和加载都慢。

有个小技巧：PPT 里插图时，按原始像素尺寸的 50% 到 70% 放置，显示效果最锐利。比如 1200px 宽的图，在 PPT 里拉到 800px 左右，比拉满 1200px 看着更清楚，因为避免了软件插值放大。

5.2 印刷与论文场景：300 DPI 起步，矢量优先

期刊投稿基本都要求 300 DPI 以上的位图，或者直接要矢量图。这个场景下figsize按版面宽度定，单栏图 3.5 英寸左右，双栏 7 英寸左右，DPI 设 300 到 600。字号不能小于 8pt，否则印刷出来看不清。

我踩过的一个坑：期刊要求图宽 3.5 英寸，我按 8 英寸画完再缩，结果字号相对变小，印刷出来刻度数字糊成一片。正确做法是一开始就按最终物理尺寸画，字号按印刷标准设，别指望后期缩放。

5.3 大屏展示与海报：尺寸优先，DPI 次之

做海报或大屏展示，物理尺寸可能到 20 英寸以上，这时候 DPI 反而不用太高，100 到 150 就够，因为观看距离远。关键是 figsize 要够大，字号要按远距离观看来放大，标题 24pt 起步，正文 16pt 以上。这个场景下如果还按论文那套 300 DPI 来，文件能到几十 MB，完全没必要。

6. 常见问题速查与排查实录

6.1 问题速查表

6.2 三个真实排查案例

案例一：Notebook 里清楚，导出就糊。这个我遇到最多。根因是显示后端和保存后端不一致。Notebook 默认可能用 inline 或 retina 后端显示，保存走 Agg。解决办法是在开头matplotlib.use('Agg')，然后所有图都通过savefig输出，别依赖内嵌显示。如果一定要内嵌看，用%config InlineBackend.figure_format = 'retina'让显示也走高分辨率。

案例二：调了 dpi=300 还是不够锐利。排查发现 figsize 只有 4×3 英寸，300 DPI 算下来才 1200×900 像素，放到 A4 纸上铺满宽度（约 6.5 英寸）实际只有 185 DPI。问题不在 dpi 设得低，而在 figsize 太小。把 figsize 提到 8×5，同样 300 DPI，像素变成 2400×1500，立刻清楚。

案例三：中文标签全是方块。这是字体没配好，不是清晰度问题，但经常和模糊问题混在一起。font.sans-serif列表里加上系统里确实存在的中文字体，并且axes.unicode_minus=False解决负号显示。Linux 服务器上如果没装中文字体，得先装字体文件再刷新缓存，这个坑在部署脚本时特别常见。

6.3 几条压箱底的避坑经验

第一条，别在循环里反复plt.savefig而不plt.close。内存会涨，而且有时候后一张图会继承前一张的某些状态，导致输出异常。养成fig.savefig(...)后plt.close(fig)的习惯。

第二条，颜色模式要注意。PNG 默认 RGBA，某些老软件不认 alpha 通道，显示成黑底。显式facecolor='white'加transparent=False能规避。

第三条，批量出图时统一配置。我习惯写一个setup_plot()函数，把所有 rcParams 设一遍，每个脚本开头调一次。这样几十张图风格一致，也避免某张图忘了设参数导致糊。

第四条，导出后一定肉眼验收。自动化脚本跑完，随机抽几张放大看，别等交稿了才发现某张图糊了。这个习惯帮我省过好几次返工。

7. 工具链延伸：Seaborn、Pandas 与 Plotly 的差异点

Seaborn 底层就是 Matplotlib，所以上面所有 rcParams 配置全部生效。额外要注意的是 Seaborn 自己的set_context()和set_style()会覆盖部分 rcParams，调用顺序上先sns.set_theme()再手动 update rcParams，避免被覆盖。Seaborn 的savefig也是走 Matplotlib 那套，参数通用。

Pandas 的df.plot()返回的是 Matplotlib 的 Axes 对象，所以fig = ax.get_figure()拿到 fig 后，savefig用法完全一样。坑在于 Pandas 有时会自己设 figsize，覆盖你的全局配置，出图前确认一下fig.get_size_inches()。

Plotly 是另一套体系，它导出图片依赖 kaleido 引擎，清晰度靠scale参数而不是 dpi。fig.write_image('x.png', scale=3)相当于把默认尺寸放大三倍，效果类似提高 DPI。Plotly 的优势是矢量导出（SVG、PDF）非常方便，fig.write_image('x.svg')直接出矢量图，适合对清晰度要求高的场景。但 Plotly 的静态导出对中文字体支持不如 Matplotlib 稳，需要额外配字体。

不管用哪套工具，核心逻辑是一样的：搞清楚最终用途，定物理尺寸，定输出介质，选位图还是矢量，然后统一配置、导出验收。这套思路迁移到任何绘图库都成立。

最后分享一个我最近才用顺手的技巧：如果一张图既要进报告又要发聊天工具，我会写个小函数，一次导出 PDF（存档）和 150 DPI PNG（分享）两个版本，文件名带后缀区分。这样再也不用临时改参数重跑，省心不少。图片清晰度这事，说到底不是调某个神奇参数，而是把尺寸、分辨率、格式、字体这几件事一次性想明白，配好模板，后面就是复制粘贴的事了。