### 使用 Python 绘制曲线图并读取数据 在 Python 中，可以通过多种方法完成从 CSV 文件中读取数据并绘制曲线图的任务。以下是详细的解决方案。 --- #### 导入所需库 为了实现这一功能，通常需要以下几个核心库的支持： - **Pandas**: 提供强大的数据分析能力，方便加载和操作结构化的表格数据。 - **Matplotlib**: 是最常用的绘图库之一，支持丰富的图表样式定制选项。 - **Numpy**: 主要用于科学计算中的数组运算，虽然在此处可能不直接涉及复杂矩阵变换，但它常作为辅助依赖被引入。 ```python import matplotlib.pyplot as plt import pandas as pd import numpy as np ``` 以上代码片段展示了如何导入这三个关键模块[^1]。 --- #### 数据准备阶段 假设有一个名为 `train_loss.csv` 的文件存储着实验过程中记录下来的损失值变化情况。下面展示了一种基于 Pandas 的简便方式来加载此类外部资源： ```python dataframe = pd.read_csv("D:/python/pltt/train_loss.csv") # 替换为实际路径名 print(dataframe.head()) # 查看前几行确认内容正确性 ``` 这段脚本会将指定位置上的 CSV 文档载入内存形成 DataFrame 对象以便后续进一步分析处理[^2]。 --- #### 数据提取与清洗 一旦获取到了完整的原始资料集后，就需要从中挑选出感兴趣的字段来进行图形呈现工作。这里假定我们的关注焦点在于第二列（索引号为1）以及第三列（索引号为2）。因此可以采用如下策略分别构建 X 轴 Y 轴对应的数据序列： ```python x_values = dataframe.iloc[:, 1].values.astype(float).tolist() y_values = dataframe.iloc[:, 2].values.astype(float).tolist() ``` 此处运用了 Pandas 提供的 `.iloc[]` 属性访问特定区域内的元素，并通过 NumPy 类型转换确保最终获得的是纯粹浮点数列表形式的结果[^3]。 --- #### 创建基础折线图 有了前面整理出来的坐标集合之后就可以调用 Matplotlib API 开始作图过程啦！ ```python plt.figure(figsize=(8,6)) plt.plot(x_values, y_values, color='green', linestyle='-', marker='', label="Training Loss", linewidth=1.0) # 添加额外装饰细节提升可读性 plt.title('Loss Curve Over Time') plt.xlabel('Epochs or Iterations') plt.ylabel('Loss Value') plt.grid(True) plt.legend() # 显示图像窗口 plt.show() ``` 上述命令定义了一个大小适中的空白画布，在上面描绘一条连接各个采样点位之间的平滑轨迹；同时还设置了标题栏、轴标签以及其他一些美化参数使得整体看起来更加清晰直观[^4]。 --- #### 多子图布局设计 当面对更复杂的场景比如同时对比多项指标趋势时，则需要用到 subplot 功能划分多个独立分区共同展现更多信息维度。 ```python fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10,8)) axes[0][0].plot(x_values[:len(y_values)//4], y_values[:len(y_values)//4], 'r-o', markersize=3) axes[0][0].set_title('First Quarter') axes[0][1].scatter(x_values[len(y_values)//4:len(y_values)*2//4], \ y_values[len(y_values)//4:len(y_values)*2//4], c='blue', alpha=.5) axes[0][1].set_title('Second Quarter') axes[1][0].bar(range(len(x_values[len(y_values)*2//4:])),\ height=y_values[len(y_values)*2//4:], width=.8, align='center', edgecolor='black') axes[1][0].set_xticks([]) axes[1][0].set_title('Third & Fourth Quarters Combined Bar Chart') for ax in fig.get_axes(): ax.label_outer() plt.tight_layout(pad=3.0) plt.suptitle('Multi-panel Visualization Example Using Subplots', fontsize=16) plt.show() ``` 该例子演示了如何在一个更大的框架内部安排四个不同风格的小节区段，每个部分都可以单独配置属性达到最佳视觉效果[^5]。 ---