论文结果图：matplotlib和seaborn实现
在论文中，可视化结果往往很重要，毕竟文字太抽象，需要图片向审稿人直观的展现出我们的结果。我也写了俩篇论文和一篇专利的申请，其中也有一些画图的程序，因此记录，防止以后忘了。由于篇幅原因，文章就不贴代码，本文中所有的程序代码都在我的github。
画图程序往往有很多版，毕竟论文写完了，导师会先看你图画的怎么样，你觉得画的挺好的，导师觉得不行，那你就得回去重新画结果图，这中间的程序会修改成很多版本，我会从最终版和中间被抛弃的一些版本看看结果可视化。先看最终版，如果你对后面抛弃的其他版本也感兴趣的话，也可以往下看，最后会看看专利中画的图。
最终版
最终版论文中，需要画图的有
- 具有明显特征的天文数据，因为我是天文数据处理方向，所以会有天文数据的光谱图。
- 论文中算法的分析，因为算法会将数据按照信噪比分开，因此对每堆数据都要分析，之后还要分析整体的性能。
- 与其他算法的对比，分别是从召回、精确和时间来分析的
天文数据
第一，画具有明显特征的天文数据，天文数据是高维，一般的都会有三千多维，一种就是算法中使用了很多发射线，需要画出全部的三千多维，这种会要求标出数据中的发射线信息，写法在文件drawSpectralChinesePaper.py中，画出的如图1所示。
还有一种就是只需要部分发射线，因此并不需要在一张图中画出所有的发射线，只需要选取一些具有明显特征的波长段画出来，如果选取的特征相隔很远，我们就需要使用子图来画，写法在文件drawSpectralEnglishPaper.py，画出的如图2所示。
算法性能分析
第二，就是算法性能分析程序，分析一般都是分析算法中参数的变化，算法的精确率和召回率，我分为部分数据的召回和精确，还有就是整体数据的召回和精确。先来看算法中权重的改变，画出的图3如下所示，权重有俩种，一种是绿色的实线，一种是紫色的虚线，区分也较为明显，这种色调较为明快，写法在文件drawAlgorithmWeight.py。
再看部分数据的召回和整体，色调较暗，并且也需要良好的辨识度，横纵坐标都需要标识清楚，并且字体要清晰可见，召回率图写法在文件picAllRecall.py，召回率画出的如图4所示。
精确率图在文件picAllPrecision.py，精确率画出的如图5所示
还有一种就是算法中在多个数据集中的精确率可视化，如图6所示，虚线代表该数据集中全部数据的精确率，绿色、蓝色和橙色柱形代表数据集中部分数据的精确率，代码在文件drawPrecisionInFiveDataEnglishPaper.py。
对比算法分析
第三，就是对比实现分析，一般论文这里都非常重要，体现出论文算法的优势，我分析的一般只是召回率、精确率和时间，下面我们先分析精确率和召回率，之后再来看时间。精确率和召回率如果可以放在一起的话，那么就可以放在一起来展示，如下图7所示，一共对比了六种算法，论文算法WEDA要加粗表示，令别人一眼就看出论文算法的性能位置，图中还有虚线和实线来表示召回和精确，图中因为没有位置了，所以只能在论文中对图中的实线和虚线进行说明，代码在文件comparedPrecisionAndRecallEnglishPaper.py。
如果你对比的太多了，精确率和召回率放在一张图的话，就会显得很乱，让人看不清，那么就需要重新写一个来画图，还有就是如果期刊要求图中不能出现彩色来区别类别的话，就需要其他的方式来区分，如图8所示，论文算法是FDCC，能让人清晰的看到，并且每种算法都能被区分开，用的就是不同的柱形，代码在文件comparedRecallChinesePaper.py。
下面就是对比时间，我们依然会有俩种画法，一种就是彩色区分，还有一种就是形状区分，其实和上面的颜色都是一样，第一种就是彩色，如图9所示，代码就是文件comparedTimeEnglishColo.py。
还有一种就是形状区分，自己在画图的时候需要注意，该如何有效并且清晰的区分出所有的算法，如图10所示，图中采用的就是虚线和实线，代码就是文件comparedTimeChinesePaper.py。
被抛弃的版本
抛弃的版本，我们依旧从上面的三个角度来说
天文数据
第一，画有特征的天文数据，如图11所示，这在图中有一个小框，来表示另一条比较偏远的发射线，但是这样做的画，很容易让人误解它是图中哪段数据的放大，因此后来被抛弃不用了，代码在文件abandonDrawSpectral.py。
算法性能分析
第二，算法性能分析，主要就是算法中的参数、召回和精确，并且召回和精确是分整体和部分的。先来看参数，分析其性能和参数的联系，其中也有后来被抛弃不分析的参数，就是fitness的大小，如图12所示，我一直觉得这图很清晰简洁，很喜欢这图的颜色分布。代码在文件abandonFitnessAlgorithm.py。
再来看部分数据的精确率，这个分好多版本，我们来看俩个版本的，先看图13，首先这张图是有底纹的，后来觉得不好看，就把底纹去了，并且这是折线图，但是图中的点太多了，密密麻麻的，不美观，并且图示例也比较大，影响整体的观感，后来就被抛弃了，代码在文件abandonRecall.py。
后来就改了上面的缺点，变成了图14，这张图个人感觉没啥缺点，不要看其中表示的数据变了，那个没关系，主要看图，给人的感官，个人感觉挺好，可能就是颜色搭配不好，应该使用暗色调更好一点，后来就被抛弃了。代码在文件middleAbandonPicAllRecall.py。
整体数据的精确率和召回率，如图15，这张图如今看来也是很不好看的，缺点很多，线条画的不美观，点过多，数据放的太多，让人看不清自己想要看的，显得很杂乱，这样的画，得分开画最好，代码在文件abandonAllPrecisionAndRecall.py
后来分开，但是还是要看一下整体得精确率是如何变化，分析一下算法在数量多少的时候会达到稳定的状态，就有了下面图16，但是这张图过于单调简单，反应不出什么信息内容，放在论文中，会让别人认为你在凑篇幅，就抛弃了，代码在文件abandonAllPrecision.py。
对比算法分析
我的对比算法都喜欢放在一张图中来看，先来看对比精确率和召回率，个人感觉图17最大的缺点就是不突出自己的算法，这样无法让别人无法一眼就看出论文算法性能如何，所以后来就抛弃了，代码在文件middleAbandonComparedPreRecallEnglishPaper.py。
图18这是另外一篇中文论文中的，展示对比算法的精确率，但是这张图总感觉很单调，缺少一种紧凑感，代码在文件abandonPreciChinesePaper.py。
后来为了添加信息，就放入了全部信息，画出了图19，不过感觉这张图对比不出来，可能最主要的就是因为这是一张折线图，后来就改成了柱状图了，代码在文件abandonComparedPrecisionAndRecallChinesePaper.py。
最后就是对比算法的时间，个人感觉图20画的其实还行，我本以为不用常规柱状图就不那么单调，所以就把柱状横过来了，后来被改了，论文中的图片还是严肃一点好，代码在文件abandonComparedTimeEnglishColo.py。
中文论文中时间的对比，先是直接用的英文论文中的图片程序，画出来的就是图21，但是期刊要求的是图片都是黑白的，不能是色彩图片，因此后来就被抛弃，代码在文件abandonComparedTimeChineseColo.py。
最终改成了黑白的，变成了图22，但是后来还是被打回来了，对比算法应该是对比各算法，突出的就是算法之间的变化，应该将横坐标变成数据，然后算法在一起比较，所以被抛弃了，代码在文件abandonComparedTimeChinesePaper.py。
专利图片
专利中的图片都是黑白色，有很多图片都是直接使用论文中的程序画出来就行了，基本都是变色和将算法区分开使用到的线条形状就行了。我们先来看部分数据的精确率和召回率，俩张图都是一样的程序，因此这里只贴出精确率的图片，图23来看，就是黑白色，并且变化线条形状，代码在文件PatentComparisonAlgorithmPrec.py。
后面的对比算法中全部精确率和召回率也是如此，如图24，当然专利中的算法依旧要突出，代码在文件PatentComparisonAlgorithmPrecAndRecall.py。
再看对比算法的时间，个人感觉图25还是很好看的，也很清晰的对比出各算法的时间，并且各柱形都有明显的区别，代码在文件PatentComparisonAlgorithmTime.py。
在画时间的时候，其实还有一张被抛弃的图片，就是图26，这张图也挺好看的，色彩比较淡，但是整体感观很高，就是它不是黑白的，因此不能放入其中，代码在文件abandonPatentComparisionAlgorithmChinese.py。
总结
结果可视化感觉还挺重要，毕竟文字的抽象，只有图片才能让人一眼就直观的看出你想要表达的东西，在论文中，我一般都是使用matplotlib和seaborn实现的，后期就不用seaborn，因为它感觉无法定制自己想要的图片，还是matplotlin大法才是最好的，可以随心所欲的画出自己想要的结果图片。本文中所有的程序代码都在我的github。
