在論文中，視覺化結果往往很重要，畢竟文字太抽象，需要圖片向審稿人直觀的展現出我們的結果。我也寫了倆篇論文和一篇專利的申請，其中也有一些畫圖的程式，因此記錄，防止以後忘了。由於篇幅原因，文章就不貼程式碼，本文中所有的程式程式碼都在我的github。
畫圖程式往往有很多版，畢竟論文寫完了，導師會先看你圖畫的怎麼樣，你覺得畫的挺好的，導師覺得不行，那你就得回去重新畫結果圖，這中間的程式會修改成很多版本，我會從最終版和中間被拋棄的一些版本看看結果視覺化。先看最終版，如果你對後面拋棄的其他版本也感興趣的話，也可以往下看，最後會看看專利中畫的圖。
最終版
最終版論文中，需要畫圖的有
- 具有明顯特徵的天文資料，因為我是天文資料處理方向，所以會有天文資料的光譜圖。
- 論文中演算法的分析，因為演算法會將資料按照訊雜比分開，因此對每堆資料都要分析，之後還要分析整體的效能。
- 與其他演算法的對比，分別是從召回、精確和時間來分析的
天文資料
第一，畫具有明顯特徵的天文資料，天文資料是高維，一般的都會有三千多維，一種就是演算法中使用了很多發射線，需要畫出全部的三千多維，這種會要求標出資料中的發射線資訊，寫法在檔案drawSpectralChinesePaper.py中，畫出的如圖1所示。
還有一種就是隻需要部分發射線，因此並不需要在一張圖中畫出所有的發射線，只需要選取一些具有明顯特徵的波長段畫出來，如果選取的特徵相隔很遠，我們就需要使用子圖來畫，寫法在檔案drawSpectralEnglishPaper.py，畫出的如圖2所示。
演算法效能分析
第二，就是演算法效能分析程式，分析一般都是分析演算法中引數的變化，演算法的精確率和召回率，我分為部分資料的召回和精確，還有就是整體資料的召回和精確。先來看演算法中權重的改變，畫出的圖3如下所示，權重有倆種，一種是綠色的實線，一種是紫色的虛線，區分也較為明顯，這種色調較為明快，寫法在檔案drawAlgorithmWeight.py。
再看部分資料的召回和整體，色調較暗，並且也需要良好的辨識度，橫縱座標都需要標識清楚，並且字型要清晰可見，召回率圖寫法在檔案picAllRecall.py，召回率畫出的如圖4所示。
精確率圖在檔案picAllPrecision.py，精確率畫出的如圖5所示
還有一種就是演算法中在多個資料集中的精確率視覺化，如圖6所示，虛線代表該資料集中全部資料的精確率，綠色、藍色和橙色柱形代表資料集中部分資料的精確率，程式碼在檔案drawPrecisionInFiveDataEnglishPaper.py。
對比演算法分析
第三，就是對比實現分析，一般論文這裡都非常重要，體現出論文演算法的優勢，我分析的一般只是召回率、精確率和時間，下面我們先分析精確率和召回率，之後再來看時間。精確率和召回率如果可以放在一起的話，那麼就可以放在一起來展示，如下圖7所示，一共對比了六種演算法，論文演算法WEDA要加粗表示，令別人一眼就看出論文演算法的效能位置，圖中還有虛線和實線來表示召回和精確，圖中因為沒有位置了，所以只能在論文中對圖中的實線和虛線進行說明，程式碼在檔案comparedPrecisionAndRecallEnglishPaper.py。
如果你對比的太多了，精確率和召回率放在一張圖的話，就會顯得很亂，讓人看不清，那麼就需要重新寫一個來畫圖，還有就是如果期刊要求圖中不能出現彩色來區別類別的話，就需要其他的方式來區分，如圖8所示，論文演算法是FDCC，能讓人清晰的看到，並且每種演算法都能被區分開，用的就是不同的柱形，程式碼在檔案comparedRecallChinesePaper.py。
下面就是對比時間，我們依然會有倆種畫法，一種就是彩色區分，還有一種就是形狀區分，其實和上面的顏色都是一樣，第一種就是彩色，如圖9所示，程式碼就是檔案comparedTimeEnglishColo.py。
還有一種就是形狀區分，自己在畫圖的時候需要注意，該如何有效並且清晰的區分出所有的演算法，如圖10所示，圖中採用的就是虛線和實線，程式碼就是檔案comparedTimeChinesePaper.py。
被拋棄的版本
拋棄的版本，我們依舊從上面的三個角度來說
天文資料
第一，畫有特徵的天文資料，如圖11所示，這在圖中有一個小框，來表示另一條比較偏遠的發射線，但是這樣做的畫，很容易讓人誤解它是圖中哪段資料的放大，因此後來被拋棄不用了，程式碼在檔案abandonDrawSpectral.py。
演算法效能分析
第二，演算法效能分析，主要就是演算法中的引數、召回和精確，並且召回和精確是分整體和部分的。先來看引數，分析其效能和引數的聯絡，其中也有後來被拋棄不分析的引數，就是fitness的大小，如圖12所示，我一直覺得這圖很清晰簡潔，很喜歡這圖的顏色分佈。程式碼在檔案abandonFitnessAlgorithm.py。
再來看部分資料的精確率，這個分好多版本，我們來看倆個版本的，先看圖13，首先這張圖是有底紋的，後來覺得不好看，就把底紋去了，並且這是折線圖，但是圖中的點太多了，密密麻麻的，不美觀，並且圖示例也比較大，影響整體的觀感，後來就被拋棄了，程式碼在檔案abandonRecall.py。
後來就改了上面的缺點，變成了圖14，這張圖個人感覺沒啥缺點，不要看其中表示的資料變了，那個沒關係，主要看圖，給人的感官，個人感覺挺好，可能就是顏色搭配不好，應該使用暗色調更好一點，後來就被拋棄了。程式碼在檔案middleAbandonPicAllRecall.py。
整體資料的精確率和召回率，如圖15，這張圖如今看來也是很不好看的，缺點很多，線條畫的不美觀，點過多，資料放的太多，讓人看不清自己想要看的，顯得很雜亂，這樣的畫，得分開畫最好，程式碼在檔案abandonAllPrecisionAndRecall.py
後來分開，但是還是要看一下整體得精確率是如何變化，分析一下演算法在數量多少的時候會達到穩定的狀態，就有了下面圖16，但是這張圖過於單調簡單，反應不出什麼資訊內容，放在論文中，會讓別人認為你在湊篇幅，就拋棄了，程式碼在檔案abandonAllPrecision.py。
對比演算法分析
我的對比演算法都喜歡放在一張圖中來看，先來看對比精確率和召回率，個人感覺圖17最大的缺點就是不突出自己的演算法，這樣無法讓別人無法一眼就看出論文演算法效能如何，所以後來就拋棄了，程式碼在檔案middleAbandonComparedPreRecallEnglishPaper.py。
圖18這是另外一篇中文論文中的，展示對比演算法的精確率，但是這張圖總感覺很單調，缺少一種緊湊感，程式碼在檔案abandonPreciChinesePaper.py。
後來為了新增資訊，就放入了全部資訊，畫出了圖19，不過感覺這張圖對比不出來，可能最主要的就是因為這是一張折線圖，後來就改成了柱狀圖了，程式碼在檔案abandonComparedPrecisionAndRecallChinesePaper.py。
最後就是對比演算法的時間，個人感覺圖20畫的其實還行，我本以為不用常規柱狀圖就不那麼單調，所以就把柱狀橫過來了，後來被改了，論文中的圖片還是嚴肅一點好，程式碼在檔案abandonComparedTimeEnglishColo.py。
中文論文中時間的對比，先是直接用的英文論文中的圖片程式，畫出來的就是圖21，但是期刊要求的是圖片都是黑白的，不能是色彩圖片，因此後來就被拋棄，程式碼在檔案abandonComparedTimeChineseColo.py。
最終改成了黑白的，變成了圖22，但是後來還是被打回來了，對比演算法應該是對比各演算法，突出的就是演算法之間的變化，應該將橫座標變成資料，然後演算法在一起比較，所以被拋棄了，程式碼在檔案abandonComparedTimeChinesePaper.py。
專利圖片
專利中的圖片都是黑白色，有很多圖片都是直接使用論文中的程式畫出來就行了，基本都是變色和將演算法區分開使用到的線條形狀就行了。我們先來看部分資料的精確率和召回率，倆張圖都是一樣的程式，因此這裡只貼出精確率的圖片，圖23來看，就是黑白色，並且變化線條形狀，程式碼在檔案PatentComparisonAlgorithmPrec.py。
後面的對比演算法中全部精確率和召回率也是如此，如圖24，當然專利中的演算法依舊要突出，程式碼在檔案PatentComparisonAlgorithmPrecAndRecall.py。
再看對比演算法的時間，個人感覺圖25還是很好看的，也很清晰的對比出各演算法的時間，並且各柱形都有明顯的區別，程式碼在檔案PatentComparisonAlgorithmTime.py。
在畫時間的時候，其實還有一張被拋棄的圖片，就是圖26，這張圖也挺好看的，色彩比較淡，但是整體感觀很高，就是它不是黑白的，因此不能放入其中，程式碼在檔案abandonPatentComparisionAlgorithmChinese.py。
總結
結果視覺化感覺還挺重要，畢竟文字的抽象，只有圖片才能讓人一眼就直觀的看出你想要表達的東西，在論文中，我一般都是使用matplotlib和seaborn實現的，後期就不用seaborn，因為它感覺無法定製自己想要的圖片，還是matplotlin大法才是最好的，可以隨心所欲的畫出自己想要的結果圖片。本文中所有的程式程式碼都在我的github。