termplotlibtermplotlib是一个Python库，可满足您所有终端绘图需求。
它旨在像一样工作。
线图对于线图，termplotlib依赖于。
安装后，代码importtermplotlibastplimportnumpyx=numpy.linspace(0,2*numpy.pi,10)y=numpy.sin(x)fig=tpl.figure()fig.plot(x,y,label="data",width=50,height=15)fig.show(

%8阵元均匀线阵方向图，来波方向为0度clc;clearall;closeall;imag=sqrt(-1);element_num=8;%阵元数为8d_lamda=1/2;%阵元间距d与波长lamda的关系theta=linspace(-pi/2,pi/2,200);theta0=0;%来波方向w=exp(imag*2*pi*d_lamda*sin(theta0)*[0:element_num-1]');forj=1:length(theta)a=exp(imag*2*pi*d_lamda*sin(theta(j))*[0:element_num-1]');p(j)=w'*a;endfigure;plot(theta,abs(p)),gridonxlabel('theta/radian')ylabel('amplitude')title('8阵元均匀线阵方向图')

matlab_plot函数用法matlab_plot函数用法matlab_plot函数用法matlab_plot函数用法matlab_plot函数用法matlab_plot函数用法

%直流电动机机械特性分析%将该函数定义为dc_mo_mec(dc_motor_mech)%--------------------------------------------------------------------------%下面输入电机基本数据：U=220;Ra=0.17;p=2;N=398;a=1;psi=0.0103;Cpsi=0.0013;%下面输入电磁转矩的变化范围：Te=0:.01:5;%-------------------------------------------------------------------------%计算并励电动机机械特性：Ce=p*N/60/a;Cm=p*N/2/pi/a;n=U/Ce/psi-Ra*Te/Ce/Cm/psi^2;subplot(2,1,1)plot(Te,n,'k')holdonxlabel('Te')ylabel('n')%-------------------------------------------------------------------------%计算串励电动机机械特性C1=1/Ce*(Cm/Cpsi)^.5;C2=1/Ce/Cpsi;n=C1*U*(Te+.001).^(-.5)-C2*Ra;subplot(2,1,2)plot(Te,n,'b')holdonaxis([0,5,0,60000])xlabel('Te')ylabel('n')%-------------------------------------------------------------------------

用MATLAB生成达到出版质量的图形-export_fig.zip本帖最后由stellari于2013-5-2816:03编辑MATLAB的绘图功能非常强大，但是有两个突出的问题：1、导出的图片质量不高；
2、有时导出图片和figure中实际所见并不一致。
所以导致大家正式发表专业文章时不经常用MATLAB作为首选的绘图软件。
其实，只要解决了上面的两个问题，MATLAB也是可以生成能够达到出版水平的图形的。
简介export_fig（见附件）就是一个能够解决上述问题的工具包。
首先，问题1的主要原因是MATLAB的默认绘图渲染器较为原始，所以画出的线条都有很明显的锯齿。
而用export_fig导出的图片，所有的线条和文字都是经过抗锯齿处理的，所以视觉效果极佳；
至于问题2，export_fig会严格按照figure上显示的内容去导出，是真正意义上的所见即所得。
而且用export_fig导出的图片不会有MATLAB默认导出时那么大的白边，而是保证白边的范围仅能容纳坐标轴和title,xlabel,ylabel，这样使得图片的尺寸减小，排版更方便。
下两图选得虽然不是很有代表性，但是依然可以看出export_fig截出的图中白边大量减少，并且有非常先进的抗锯齿处理（比如，上图的红线在1-2范围内有很明显的锯齿，下图则几乎没有。
坐标轴上的数字也是如此）。
背景中的网格也由虚线变成了“淡实线”，更符合现代制图的审美观。
figure中直接选择save的结果：test1_1.pngfigure中选择save的保存结果export_fig的结果：test2_2.pngexport_fig的保存结果使用方法export_fig的使用方法很简单，解压附件中的文件，然后将得到的所有文件放入某目录中，再将该目录添加至MATLAB的搜索路径中。
导出图片时，输入export文件名即可将当前figure中的图输出至文件中。
export_fig能够自动识别文件名的扩展名，并保存成相应的格式。
注意如果需要导出pdf或eps格式的话，需要下载并安装ghostscript，具体可以参见export_fig的发布页http://www.mathworks.com/matlabc...nge/23629-exportfig题外话其实不要小看MATLAB。
MATLAB其实隐藏了一个非常强大的绘图模式：HG2。
这个模式平时是隐藏的，只能在MATLAB启动时通过附加参数的形式开启，即可以将MATLAB的快捷方式中的指向目标由"...\...\MATLAB\R2013a\bin\MATLAB.exe"改为"...\...\MATLAB\R2013a\bin\MATLAB.exe"-hgVersion2（注意hgVersion和2之间有一个空格）然后使用这个快捷方式打开MATLAB。
在界面上没有任何区别，但是当你画出图之后，你会发现一切都不同了。
（下二图转载自undocumentedmatlab.com，左图为普通模式，右图为HG2模式）HG1_plot.png普通（HG1）模式（无责任转载自undocumentedmatlab.com）HG2_plot.pngHG2模式（无责任转载自undocumentedmatlab.com）版本在2010以上，感兴趣的同学不妨一试（版本更早其实也可以尝试）。
当然目前HG2模式尚不稳定，所以并没有向一般用户公开。
不过这很可能是下一代MATLAB的发展方向，说不定R2014a的默认绘图模式就是HG2！总结目前公认最好的图片导出方案还是export_fig。
这个工具包在MATLABCentral上一直下载量排行第一。
这个工具包可以完全替代MATLAB自己的图片导出功能，强烈推荐大家使用。
我本人现在正在写的一篇文章就全部使用export_fig，而没有使用其他任何的绘图软件。
HG2模式应该是MATLAB的未来发展方向，大家可以先尝个鲜。
很有可能在不久的将来就能够在MATLAB中直接生成这种高质量的图像了。

代码中的plot_hht函数实现了Hilbert-Huang变换(HHT)，HHT就是Hilbert-HuangTransform（希尔伯特黄变换），美国航天航空局黄鳄教授发明的，大概的过程是：先对信号进行经验模态分解（Empiricalmodedecomposition－EMD），得出本征模态函数（IMFintrinsicmodefunction），再对本征模态函数进行希尔伯特变换，从而过进一步得该信号的希尔伯特谱、时频能量谱等，以便对信号进行分析，据介绍对非线性及非平稳信号有较好的分析和处理效果。

%用遗传算法进行简单函数的优化clearbn=22;%个体串长度inn=50;%初始种群大小gnmax=200;%最大代数pc=0.75;%交叉概率pm=0.05;%变异概率%产生初始种群s=round(rand(inn,bn));%计算适应度,返回适应度f和累积概率p[f,p]=objf(s);gn=1;whilegn＜gnmax+1forj=1:2:inn%选择操作seln=sel(s,p);%交叉操作scro=cro(s,seln,pc);scnew(j,:)=scro(1,:);scnew(j+1,:)=scro(2,:);%变异操作smnew(j,:)=mut(scnew(j,:),pm);smnew(j+1,:)=mut(scnew(j+1,:),pm);ends=smnew;%产生了新的种群%计算新种群的适应度[f,p]=objf(s);%记录当前代最好和平均的适应度[fmax,nmax]=max(f);fmean=mean(f);ymax(gn)=fmax;ymean(gn)=fmean;%记录当前代的最佳个体x=n2to10(s(nmax,:));xx=-1.0+x*3/(power(2,bn)-1);xmax(gn)=xx;gn=gn+1endgn=gn-1;%绘制曲线subplot(2,1,1);plot(1:gn,[ymax;ymean]);title('历代适应度变化','fonts',10);legend('最大适应度','平均适应度');string1=['最终适应度',num2str(ymax(gn))];gtext(string1);subplot(2,1,2);plot(1:gn,xmax,'r-');legend('自变量');string2=['最终自变量',num2str(xmax(gn))];gtext(string2);

IDL绘制散点图,直接图形法，利用plot函数绘制散点图，输出为png格式保存

%线性调频信号的实部和虚部及时域脉压输出clearall;clc;T=16e-6;B=5e6;K=B/T;fs=6*B;Ts=1/fs;N=T/Ts;t=-T/2:T/(N-1):T/2;s=exp(j*pi*K*t.^2);y=conv(s,conj(s));len=length(y);t1=-T/2:T/(len-1):T/2;figure;plot(t,real(s));gridon;axis([-1.2e-51.2e-5-11]);xlabel('时间(s)');ylabel('幅度');title('LFM信号的I路');figure;plot(t,imag(s));gridon;axis([-1.2e-51.2e-5-11]);xlabel('时间(s)');ylabel('幅度');title('LFM信号的Q路');figure;plot(t1,20*log10(abs(y)/max(abs(y))));gridon;axis([-1.2e-51.2e-5-900]);xlabel('时间(s)');ylabel('幅度(dB)');title('时域脉压后的波形(未加权)');subplot(311);plot(t,real(s));gridon;xlabel('time(s)');ylabel('amplitude(dB)');title('realpartofLFM:T=16us,B=4MHz');axis([-T/2T/2-11]);subplot(312);plot(t,imag(s));gridon;xlabel('time(s)');ylabel('amplitude(dB)');title('imagepartofLFM:T=16us,B=4MHz');axis([-T/2T/2-11]);subplot(313);plot(t1,20*log10(abs(y)/max(abs(y))));gridon;axis([-1.2e-51.2e-5-900]);xlabel('时间(s)');ylabel('幅度(dB)');title('时域脉压后的波形(未加权)');

LMS_plot设为1和0分别运行线性均衡（ZFMMSE）和自适应均衡(LMSRLS)

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。