本文介绍如何使用 Matplotlib 和 Pandas 将 Excel 中成对的列（如第1&2列、第3&4列等）统一绘制在同一张图中，避免循环中重复调用 plt.show() 导致生成多个独立图表的问题。
本文介绍如何使用 matplotlib 和 pandes 将 excel 中成对的列（如第1&2列、第3&4列等）统一绘制在同一张图中，避免循环中重复调用 `plt.show()` 导致生成多个独立图表的问题。
在数据分析中，常遇到结构化的实验数据：例如拉伸试验中，每两列分别代表一组「应变–应力」测量值（如 strain_1 & stress_1、strain_2 & stress_2）。若希望将所有数据对叠加显示于同一坐标系下以便对比趋势，关键在于复用同一个绘图轴对象（Axes），而非在循环内反复创建新图或调用 plt.show()。
原始代码的问题在于：每次迭代都执行 plt.plot(...) 并紧随其后调用 plt.show()，这会强制渲染并显示当前图形，导致每对数据独占一个窗口；同时未显式管理画布与坐标轴，造成绘图上下文混乱。
✅ 正确做法是：
-
预先创建画布与坐标轴：使用
plt.subplots()获取fig和ax对象； -
在循环中仅向
ax添加曲线：调用ax.plot(x, y)，不触发显示； -
统一设置标签与图例（可选）：在循环外一次性配置
ax.set_xlabel()、ax.set_ylabel()，并可通过label=参数为每条线添加图例； -
最后统一展示：仅在循环结束后调用一次
plt.show()。
以下是完整可运行示例（兼容真实 Excel 数据）：
import pandas as pd
import matplotlib.pyplot as plt
# 示例：从 Excel 读取数据（取消注释并修改路径即可）
# data = pd.read_excel("your_data.xlsx")
# 或使用模拟数据（4列：col1-col4）
import numpy as np
data = pd.DataFrame({
'col1': np.linspace(0, 0.2, 100),
'col2': np.linspace(0, 0.2, 100) * 1.5 + 0.1,
'col3': np.linspace(0.2, 1.0, 100),
'col4': np.linspace(0.2, 1.0, 100) * 0.8 - 0.05
})
# 创建单个绘图区域
fig, ax = plt.subplots(figsize=(8, 6))
# 遍历列对：0&1, 2&3, ...
for i in range(0, data.shape[1], 2): # 注意：步长改为2，避免索引越界
if i + 1 < data.shape[1]: # 安全检查：确保存在配对列
x_col = data.iloc[:, i]
y_col = data.iloc[:, i + 1]
ax.plot(x_col, y_col, label=f'Pair {i//2 + 1} (col{i+1} vs col{i+2})')
# 统一设置样式
ax.set_xlabel('Strain (mm)', fontsize=12)
ax.set_ylabel('Stress (lbf)', fontsize=12)
ax.set_title('Multiple Column Pairs on One Plot', fontsize=14)
ax.grid(True, alpha=0.3)
ax.legend()
plt.tight_layout()
plt.show()? 注意事项：
- 循环中使用
range(0, data.shape[1], 2)更安全，避免i+1越界； - 若列数为奇数，末尾单列将被自动忽略（可按需扩展逻辑）；
- 建议为每条曲线添加
label=参数，并调用ax.legend()显示图例，便于区分不同数据对； - 使用
plt.tight_layout()可防止标签被截断； - 如需保存图像，可在
plt.show()前添加fig.savefig("multi_pair_plot.png", dpi=300)。
通过这种结构化绘图方式，你不仅能高效复用可视化组件，还能轻松扩展至更多列对（如 6 列、8 列），为批量分析提供稳定可靠的基础。
