当数据量大、绘图耗时长时，无需重复调用 plt.scatter() 等绘图函数，只需在首次绘图后动态调整坐标轴范围（如 plt.ylim() / plt.xlim()）并分别保存，即可生成多个不同显示范围的图像。
当数据量大、绘图耗时长时，无需重复调用 `plt.scatter()` 等绘图函数，只需在首次绘图后动态调整坐标轴范围（如 `plt.ylim()` / `plt.xlim()`）并分别保存，即可生成多个不同显示范围的图像。
在使用 Matplotlib 进行科学可视化时，面对高开销的绘图操作（如绘制数万点的散点图、复杂拟合曲线或图像渲染），频繁重复绘图会显著拖慢脚本执行效率。一个常见需求是：基于同一份原始数据，导出多个聚焦不同坐标区域的图像（例如局部放大、分段对比）。若按常规思路为每个视图新建 figure 并重绘数据，不仅冗余，更违背“一次计算、多次呈现”的工程原则。
幸运的是，Matplotlib 的状态管理机制天然支持该场景：plt.savefig() 保存的是当前 figure 的当前视图状态（包括已绘制的 Artists、当前坐标轴限、标题、图例等），而非底层数据本身。因此，只要不显式清除或重建 figure，所有后续的 plt.xlim()、plt.ylim()、plt.title() 等状态修改均会实时反映在下一次保存中。
以下为优化后的标准实践：
import numpy as np
import matplotlib.pyplot as plt
# 模拟耗时数据准备与绘图（实际中可能含复杂计算或 I/O）
x = np.linspace(0, 2 * np.pi, 10000) # 数据量增大，凸显优化价值
y = np.sin(x) * np.exp(-x / 10) # 更复杂的函数示例
# ① 仅执行一次绘图（核心开销所在）
plt.figure("multi_range_plot", figsize=(8, 5))
plt.scatter(x, y, s=0.3, alpha=0.7, color='steelblue')
plt.grid(True, alpha=0.3)
# ② 首次设置视图并保存
plt.ylim(-0.5, 0.3)
plt.title("Figure 1: Low-amplitude region (y ∈ [-0.5, 0.3])")
plt.savefig("figure1.png", dpi=300, bbox_inches='tight')
# ③ 动态切换视图参数（无重绘开销）
plt.ylim(0.0, 1.0)
plt.title("Figure 2: Positive peak region (y ∈ [0.0, 1.0])")
plt.savefig("figure2.png", dpi=300, bbox_inches='tight')
# ④ 可继续添加更多视图（支持任意数量）
plt.xlim(2.0, 4.0)
plt.ylim(-0.2, 0.8)
plt.title("Figure 3: Local zoom (x ∈ [2.0, 4.0], y ∈ [-0.2, 0.8])")
plt.savefig("figure3.png", dpi=300, bbox_inches='tight')
# 最终统一显示（可选）
plt.show()✅ 关键优势：
- 零重复绘图：plt.scatter() 仅调用 1 次，后续所有 savefig() 均复用同一组 Artists 对象；
- 内存友好：避免因创建多个 figure 导致的内存累积（尤其对大数据集）；
- 逻辑清晰：状态变更（xlim/ylim/title）与保存操作解耦，易于维护和扩展。
⚠️ 注意事项：
- 若需保存完全独立的 figure（如不同尺寸、不同 subplot 结构），仍需 plt.figure() 新建；本文方案适用于「同一图表、多视角」场景；
- 调用 plt.clf()（清空当前 figure）或 plt.close() 会破坏状态链，应避免在保存序列中插入；
- 对于多子图（plt.subplot/plt.subplots），需通过 ax.set_xlim()/ax.set_ylim() 显式操作目标 Axes，而非全局 plt.xlim()；
- 若使用面向对象接口（推荐用于复杂项目），可更精准控制：
fig, ax = plt.subplots() ax.scatter(x, y) ax.set_ylim(-0.5, 0.3) fig.savefig("fig1.png") ax.set_ylim(0.0, 1.0) # 复用同一 ax fig.savefig("fig2.png")
总结而言，善用 Matplotlib 的状态持久性，能以极简代码实现高性能多视图导出——这不仅是技巧，更是高效科学计算工作流的重要实践。
