传递含数值范围的绘图配置的最优方案

针对你需要将分散的绘图配置字典整合到外部文件、同时支持np.arange这类numpy函数、并通过命令行指定配置路径的需求，以下是两种实用方案：

方案一：用Python脚本作为配置文件（最直接灵活） #

直接将所有配置写成Python模块，天然支持numpy操作和任意Python语法，无需额外解析逻辑。

步骤1：编写配置文件 #

创建plot_configs.py，把所有配置字典放入其中，确保导入numpy：

import numpy as np

data_to_label = {
    'easy' : 'Alg. 1 (Debug)',
    'hard' : 'Alg. 2',
}

data_to_xlim = {
    'easy' : 500,
    'hard' : 2000,
}

data_to_xticks = {
    'easy' : [0, 250, 500],
    'hard' : np.arange(0, 2001, 500),
}

data_to_ylim = {
    'easy' : [-0.1, 1.05],
    'hard' : [-0.1, 1.05],
}

data_to_yticks = {
    'easy' : [0, 0.5, 1.],
    'hard' : [0, 0.5, 1.],
}

步骤2：主脚本加载配置并绘图 #

修改myplot.py，通过命令行接收配置路径，动态加载配置模块：

import argparse
import importlib.util
import numpy as np
import matplotlib.pyplot as plt

def load_config(config_path):
    # 动态加载指定路径的Python配置文件
    spec = importlib.util.spec_from_file_location("plot_configs", config_path)
    config_module = importlib.util.module_from_spec(spec)
    spec.loader.exec_module(config_module)
    return config_module

def main():
    # 解析命令行参数
    parser = argparse.ArgumentParser(description='多场景绘图工具')
    parser.add_argument('--config', required=True, help='Python配置文件路径')
    args = parser.parse_args()

    # 加载配置
    config = load_config(args.config)

    # 你的实际绘图逻辑（替换成真实数据加载代码）
    fig, ax = plt.subplots()
    data_keys = ['easy', 'hard']
    for d in data_keys:
        # 替换为你的np.load(...)逻辑
        data = np.random.rand(config.data_to_xlim[d])
        ax.plot(data, label=config.data_to_label[d])
        ax.xaxis.set_ticks(config.data_to_xticks[d])
        ax.set_xlim([0, config.data_to_xlim[d]])
        ax.set_ylim(config.data_to_ylim[d])
        ax.yaxis.set_ticks(config.data_to_yticks[d])
    
    ax.legend()
    plt.show()

if __name__ == '__main__':
    main()

运行命令 #

python myplot.py --config ./plot_configs.py

方案二：YAML配置+自定义解析（兼顾可读性与灵活性） #

如果偏好YAML的简洁格式，可以通过自定义YAML构造器，解析标记为特殊类型的numpy函数调用。

步骤1：编写YAML配置文件 #

创建plot_configs.yaml，用!arange标记需要调用np.arange的字段：

data_to_label:
  easy: "Alg. 1 (Debug)"
  hard: "Alg. 2"
data_to_xlim:
  easy: 500
  hard: 2000
data_to_xticks:
  easy: [0, 250, 500]
  hard: !arange [0, 2001, 500]
data_to_ylim:
  easy: [-0.1, 1.05]
  hard: [-0.1, 1.05]
data_to_yticks:
  easy: [0, 0.5, 1.0]
  hard: [0, 0.5, 1.0]

步骤2：主脚本解析YAML并绘图 #

修改myplot.py，添加YAML自定义构造器来处理!arange：

import argparse
import yaml
import numpy as np
import matplotlib.pyplot as plt

# 自定义YAML构造器，解析!arange标记
def arange_constructor(loader, node):
    args = loader.construct_sequence(node)
    return np.arange(*args)

yaml.add_constructor('!arange', arange_constructor)

def load_config(config_path):
    with open(config_path, 'r', encoding='utf-8') as f:
        return yaml.safe_load(f)

def main():
    parser = argparse.ArgumentParser(description='多场景绘图工具')
    parser.add_argument('--config', required=True, help='YAML配置文件路径')
    args = parser.parse_args()

    config = load_config(args.config)

    # 你的实际绘图逻辑
    fig, ax = plt.subplots()
    data_keys = ['easy', 'hard']
    for d in data_keys:
        data = np.random.rand(config['data_to_xlim'][d])
        ax.plot(data, label=config['data_to_label'][d])
        ax.xaxis.set_ticks(config['data_to_xticks'][d])
        ax.set_xlim([0, config['data_to_xlim'][d]])
        ax.set_ylim(config['data_to_ylim'][d])
        ax.yaxis.set_ticks(config['data_to_yticks'][d])
    
    ax.legend()
    plt.show()

if __name__ == '__main__':
    main()

运行命令 #

python myplot.py --config ./plot_configs.yaml

方案对比 #

• Python模块配置：完全支持Python语法和numpy所有操作，无需额外解析代码，适合配置逻辑复杂的场景；缺点是配置文件是代码格式，非开发人员修改门槛稍高。
• YAML+自定义解析：配置格式简洁易读，适合需要频繁修改配置的场景；缺点是需要为每个numpy函数编写解析逻辑，扩展性有限。

内容的提问来源于stack exchange，提问作者Simon