嗨，我来帮你搞定这个问题！你要的Python等效代码其实可以通过Matplotlib的交互模式来实现，只要优化一下更新逻辑，就能达到和MATLAB里drawnow一样的平滑动态效果，还能保证所有更新都在同一个图里。

你之前用plt.ion()和plt.pause()没得到理想效果，大概率是每次循环都重新调用plot()创建新曲线，导致图里冗余元素越来越多，更新效率也低。正确的思路是先初始化好曲线对象，之后只更新曲线的数据，而不是每次重新绘图。

完整Python实现代码 #

首先假设你已经把MATLAB里的intlag函数转换成了Python版本（如果还没做，我后面会给一个简单的模拟示例），核心代码如下：

import numpy as np
import matplotlib.pyplot as plt

# 先开启Matplotlib的交互模式
plt.ion()

# 创建单个画布和坐标轴，所有更新都在这个图里进行
fig, ax = plt.subplots()

# 先获取一次初始数据，用来初始化两条曲线
err, t, f, x, p = intlag(1)

# 初始化原函数和插值曲线，注意末尾的逗号，用来获取Line2D对象
line_original, = ax.plot(x, np.sin(x), '-r', label='fonction')
line_interp, = ax.plot(x, p, '-b', label='interpolant')

# 一次性设置好坐标轴范围、图例，不用每次循环重复设置
ax.set_xlim(-1, 1)
ax.set_ylim(-2, 2)
ax.legend()
# 保存标题对象，方便后续更新文本
title = ax.set_title(f't = 1')

# 开始100次迭代
for n in range(1, 101):
    # 获取当前迭代的插值数据
    err, t, f, x, p = intlag(n)
    
    # 只更新两条曲线的y数据（如果x每次也变化，就加上line.set_xdata(x)）
    line_original.set_ydata(np.sin(x))
    line_interp.set_ydata(p)
    
    # 更新标题文本
    title.set_text(f't = {n}')
    
    # 强制刷新画布并处理事件，等效于MATLAB的drawnow
    fig.canvas.draw()
    fig.canvas.flush_events()
    
    # 可选：添加小延迟控制更新速度，数值越小刷新越快
    plt.pause(0.01)

# 循环结束后关闭交互模式（可选，避免后续绘图受影响）
plt.ioff()
plt.show()

关键细节说明 #

1. 交互模式与单图控制：plt.ion()开启交互模式，让Matplotlib不会阻塞程序运行；提前创建的fig和ax确保所有绘图操作都在同一个画布上。
2. 曲线对象复用：用line_original, = ax.plot(...)获取Line2D对象，后续只更新它的ydata（或xdata），避免每次循环创建新曲线，这是保证平滑的核心。
3. 等效drawnow的刷新逻辑：fig.canvas.draw() + fig.canvas.flush_events()组合，强制刷新画布并处理GUI事件，和MATLAB的drawnow效果一致。
4. 速度控制：plt.pause(0.01)可以调整刷新间隔，数值越小动画越快，你可以根据自己的需求修改。

模拟intlag函数（如果还没转换） #

如果你还没把MATLAB的intlag转成Python，这里给一个简单的拉格朗日插值模拟实现，用来测试上面的代码：

def intlag(n):
    # 模拟MATLAB的intlag函数，生成n个切比雪夫节点的拉格朗日插值
    t = n
    # 生成n个切比雪夫节点（避免龙格现象）
    x_nodes = np.cos(np.pi * (2*np.arange(n)+1)/(2*n))
    f_nodes = np.sin(x_nodes)
    # 生成用于绘图的密集插值点
    x_plot = np.linspace(-1, 1, 1000)
    # 计算拉格朗日插值结果
    p = np.zeros_like(x_plot)
    for i in range(n):
        lagrange_basis = np.ones_like(x_plot)
        for j in range(n):
            if i != j:
                lagrange_basis *= (x_plot - x_nodes[j])/(x_nodes[i] - x_nodes[j])
        p += f_nodes[i] * lagrange_basis
    # 计算插值误差
    err = np.max(np.abs(np.sin(x_plot) - p))
    return err, t, f_nodes, x_plot, p

备注：内容来源于stack exchange，提问作者Mohamed