配色#

可以在平时阅读时保存一些好看图像的配色/架构，例如

或者可以直接参考 配色网站，不过比较麻烦的是得自己去找颜色

绘图#

AI 辅助#

用提示词生成绘图脚本，例如仙人掌图（cactus）的代码如下：

import pandas as pd
import matplotlib.pyplot as plt
import os
import numpy as np

# --- 配置参数 ---
# CSV文件所在的目录
# EXPR_NAME = "MagicSquare-LS"
EXPR_NAME = "SAT22"

DATA_DIR = f"./data/{EXPR_NAME}"
# 预设的超时时间限制（秒）。所有超过此时间的，都视为超时。
TIMEOUT = 5000
# 输出图片的文件名
OUTPUT_FILENAME = f"fig/{EXPR_NAME}_cactus_plot.png"

BACKGOUND = "gray"
# , #, #, #
# 算法名称及其对应的绘图样式（用于确保学术严谨性，避免花哨）
# 使用不同的标记、线条样式和有限的颜色
ALGORITHM_STYLES = {
    "CardSAT-INC": {
        "label": "CardSAT-INC",
        "color": "#85C3DC",
        "marker": "o",
        "linestyle": "-",
    },
    "YalSAT": {
        "label": "YalSAT",
        "color": "#8DAFAB",
        "marker": "^",
        "linestyle": "--",
    },
    "CCAnr": {
        "label": "CCAnr",
        "color": "#E2C098",
        "marker": "s",
        "linestyle": ":",
    },
    "NuPBO": {
        "label": "NuPBO",
        "color": "#DAC6CF",
        "marker": "x",
        "linestyle": "-",
    },
}


def load_and_prepare_data(data_dir, timeout, styles):
    """
    加载所有 CSV 文件，处理数据，并为仙人掌图准备排序后的求解时间。
    """
    algorithm_data = {}

    # 遍历指定目录下的所有文件
    for filename in os.listdir(data_dir):
        if filename.endswith(".csv"):
            # 从文件名中提取算法名称（假设文件名格式为 'AlgorithmName.csv'）
            algorithm_name = filename.replace("-results.csv", "")

            if algorithm_name not in styles:
                print(
                    f"Warning: Skipping file {filename}. No style defined for '{algorithm_name}'."
                )
                continue

            filepath = os.path.join(data_dir, filename)

            try:
                # 1. 读取 CSV 文件
                df = pd.read_csv(filepath)

                # 2. 数据清洗与处理：将超时或未解决的实例时间设为 TIMEOUT
                # 假设 'time' 列记录了时间，'status' 列记录了状态

                # a) 处理超时时间
                df["processed_time"] = np.where(
                    df["time"] >= timeout, timeout, df["time"]
                )

                # b) 进一步处理未解决的状态（如果状态不是 'solved'，也视为超时）
                # 您可能需要根据您的实际状态标签修改这里的条件
                if "result" in df.columns:
                    df["processed_time"] = np.where(
                        df["result"] == "TIMEOUT",
                        timeout,
                        df["processed_time"],
                    )

                # 3. 核心步骤：按时间升序排序
                # 仙人掌图的 X 轴是解决的问题数量，Y 轴是求解时间
                solved_df = df[
                    (df["time"] <= timeout) & (df["result"] != "TIMEOUT")
                ].copy()
                sorted_times = solved_df["time"].sort_values().tolist()

                # 4. Y轴数据准备：累积求解时间
                # 仙人掌图的 Y 轴是 *求解时间*，X 轴是 *解决的问题数*
                # 注意：这里我们实际使用的Y轴是排序后的时间本身，而不是累积时间，
                # 因为仙人掌图是 (已解决问题数, 求解该问题所需时间) 的曲线

                algorithm_data[algorithm_name] = sorted_times

            except Exception as e:
                print(f"Error processing file {filename}: {e}")
                continue

    return algorithm_data


def plot_cactus_plot(data, styles, timeout, output_filename):
    """
    绘制仙人掌图。
    """
    plt.style.use("default")  # 使用默认或尝试 'seaborn-v0_8-whitegrid' 或 ''

    fig, ax = plt.subplots(figsize=(10, 6))

    fig.patch.set_facecolor("#f5f5f5")
    # ax.set_facecolor("#e8e8e8")

    all_num_problems = []

    # 绘制每个算法的曲线
    for algo_name, times in data.items():
        style = styles[algo_name]

        # X 轴数据：已解决问题的数量（从 1 开始）
        # 如果算法解决了 N 个问题，那么 X 轴的坐标就是 1, 2, 3, ..., N
        num_solved = len(times)
        x_data = np.arange(1, num_solved + 1)
        y_data = np.array(times)

        # 记录所有算法的总问题数，用于确定 X 轴范围
        all_num_problems.append(num_solved)

        # 绘制曲线，使用预定义的学术样式
        ax.plot(
            x_data,
            y_data,
            label=style["label"],
            color=style["color"],
            marker=style.get("marker", None),
            linestyle=style.get("linestyle", "-"),
            linewidth=2,
            markevery=max(1, num_solved // 15),  # 每隔一定数量的点才显示标记，避免拥挤
            markersize=5,
        )

    # --- 图表美化设置 (学术严谨性) ---

    # 设置 X 轴（已解决的问题实例数量）
    max_problems = max(all_num_problems) if all_num_problems else 1
    ax.set_xlabel("Number of Solved Instances", fontsize=12)
    ax.set_xlim(0, max_problems * 1.05)
    # 确保 X 轴刻度是整数
    ax.xaxis.set_major_locator(plt.MaxNLocator(integer=True))

    # 设置 Y 轴（求解时间）
    ax.set_ylabel("CPU Time (seconds)", fontsize=12)
    # 设置 Y 轴的上限为 TIMEOUT，并使用对数刻度以清晰显示小时间差异
    ax.set_ylim(bottom=0.01, top=timeout * 1.1)
    ax.set_yscale("log")

    # --- 关键修改：超时线不设置 label，因此不会进入图例 ---
    ax.axhline(y=timeout, color="red", linestyle="--", linewidth=1, zorder=0)

    # 可以在图内添加文本标记超时线，以提高清晰度
    # ax.text(
    #     ax.get_xlim()[1] * 0.98,
    #     timeout * 1.05,
    #     f"Timeout ({timeout}s)",
    #     color="red",
    #     fontsize=10,
    #     ha="right",
    #     va="center",
    # )

    # 添加网格线，帮助阅读数据点
    # ax.grid(True, which="both", linestyle="-", linewidth=0.5, alpha=0.7)

    # 添加图例
    # 使用 loc='best' 或指定位置，frameon=True 增强可读性
    ax.legend(loc="lower right", fontsize=10, frameon=True, shadow=False)

    # 标题（可选，通常在论文中放在图下方）
    # plt.title('Cactus Plot: Comparison of Algorithm Performance', fontsize=14)

    # 调整布局，保存图像
    plt.tight_layout()
    plt.savefig(output_filename, dpi=300)
    plt.close(fig)
    print(f"Cactus Plot successfully saved to {output_filename}")


# --- 主执行流程 ---

# 1. 检查数据目录是否存在
if not os.path.exists(DATA_DIR):
    print(f"Error: Data directory '{DATA_DIR}' not found.")
    print("Please create the directory and place your CSV files inside.")
else:
    # 2. 加载和准备数据
    performance_data = load_and_prepare_data(DATA_DIR, TIMEOUT, ALGORITHM_STYLES)

    if performance_data:
        # 3. 绘制仙人掌图
        plot_cactus_plot(performance_data, ALGORITHM_STYLES, TIMEOUT, OUTPUT_FILENAME)
    else:
        print(
            "No valid data loaded for plotting. Check your CSV files and ALGORITHM_STYLES."
        )

提示词需要传递的信息主要是：

1. 配色，字体
2. csv 文件格式
3. 以及你自己的一些想法

AI 生成#

用 nano banana 来生成，具体流程为：

1. 用提示词在简单模型上生成绘图提示词，例如在 deepseek 上用以下提示词：

   你是一名经验丰富的科研绘图设计师，请仔细阅读我提供的文献信息，充分理解研究内容，并结合我提供的参考图（模仿该图的配色、设计风格等），生成可用于科研发表的配图的英文提示词。

2. 用生成的提示词，复制粘贴到 Nano Banana 中生成

Matplotlib 的 Marker#

或者可以考虑使用 unicode 字符编码，例如 "$\u266B$"（支持 STIX Font Math 中的字符）