很多人在 Jupyter Notebook 里第一次画 Matplotlib 图时，代码看起来没问题，结果却遇到图不显示、中文标题变方框，或者子图标签挤在一起的情况。真正影响结果的，通常不是绘图函数本身，而是显示模式有没有先启用、全局配置有没有在正确时机设置，以及你到底是在操作当前图还是明确的 axes 对象；下面就按这几个最容易踩坑的点逐一拆开。
%matplotlib inline 为什么要先执行
在 Jupyter Notebook 里，%matplotlib inline 不是装饰性写法，而是让图表直接渲染到单元格输出区的前提。少了这一步，plt.show() 可能弹出新窗口，也可能什么都不显示，尤其是在远程服务器、Docker 或 JupyterLab 里更常见。
%matplotlib inline要放在第一个绘图单元格的最上方，而且必须单独成行，不能和import写在同一行。- 执行后，当前内核的绘图后端状态会改变，之后像
plt.plot()、plt.scatter()这类调用都会自动渲染到当前单元格。 - 如果你已经运行过绘图代码但没看到图，不要只补跑
plt.show()，而是先确认这行是否漏写，再重新运行整个绘图单元格。 %matplotlib notebook并不适合作为通用替代，它依赖浏览器端 JavaScript 支持，在 GitHub Codespaces、Kaggle 这类云环境里经常报错或白屏。
也就是说，Notebook 里的显示问题，第一步不是检查 plot 参数，而是先看后端有没有在绘图前进入 inline 模式。
inline 模式下还要不要写 plt.show()
启用 %matplotlib inline 后，Matplotlib 通常会在单元格末尾自动完成渲染。这种情况下，很多示例里继续写 plt.show() 并非必需，反而可能带来重复输出或空白图的问题。
%matplotlib inline
import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [1, 4, 2])- 上面这段代码已经足够在 Notebook 中显示图表，不需要再补一行
plt.show()。 - 如果你在 inline 模式下强行调用
plt.show()，有时会让同一张图被触发两次渲染，表现成重复输出，或者多出一个空图框。 - 只有在非 inline 后端，比如
QtAgg，或者你需要手动控制显示时机时，plt.show()才更有必要。 - 如果目标是保存图像，直接用
fig.savefig("xxx.png")即可，不依赖plt.show()。
判断标准可以很简单：如果图表是为了在 Notebook 单元格里直接看结果，通常依赖自动渲染就够了；如果是桌面窗口交互或特殊显示流程，再考虑显式调用 plt.show()。
中文显示异常，关键在 rcParams 的设置时机
标题、坐标轴标签一写中文就出现方框、空白或者负号显示异常，这基本都不是文本内容的问题，而是 Matplotlib 默认字体配置不支持中文，或者配置写得太晚。
更稳妥的做法，是在导入 pyplot 之后、任何绘图命令之前就把字体和负号规则设好：
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei", "KaiTi", "DejaVu Sans"]
plt.rcParams["axes.unicode_minus"] = Falseplt.rcParams属于全局配置，设一次即可影响后续绘图。- 但如果你先画图、后改配置，已经生成的 Axes 通常不会自动按新字体重绘，所以“第二次才正常”这类现象很常见。
- 如果你还会调用
plt.style.use("seaborn-whitegrid")，也要注意它可能覆盖部分rcParams，因此风格设置最好同样提前完成。 - 即使用的是
plt.subplots()来创建figure和axes，中文配置也仍然应该在前面完成，否则 axes 初始化时拿到的还是默认字体环境。
很多人以为中文乱码是“缺一个字体包”，其实更常见的原因是配置顺序错了。字体有没有装是一层，什么时候生效是另一层，两者都要对上。
多子图场景里，为什么推荐 plt.subplots()
只画一张简单折线图时，直接写 plt.plot() 问题不大；但一旦涉及多子图、局部标签设置、间距调整或复杂布局，继续依赖隐式状态就容易把代码写乱。这个时候，显式拿到 fig 和 axes 会更稳定。
fig, ax = plt.subplots(figsize=(6, 4))
ax.plot(x, y)
ax.set_xlabel("时间")
ax.set_ylabel("数值")plt.plot()属于隐式绘图，操作默认作用在当前 active axes 上；而ax.plot()是明确告诉 Matplotlib 该往哪个子图里画。- 不建议混用
plt.xlabel()和ax.set_xlabel()。前者修改“当前图”，后者修改“指定图”，一旦有多个子图，冲突就很难排查。 plt.subplots(nrows=2, ncols=2)返回的是axes数组，常见访问方式是axes[0, 1]或axes[1]，而不是把它当成通用嵌套列表随意索引。- 调整布局时，可以用
plt.subplots_adjust(hspace=0.3)手动改间距，但多数场景下fig.tight_layout()更省事，它会自动避让标签和标题，兼容性也更好。
如果你已经遇到“标题压到另一张图上”“明明设置了 xlabel 却出现在别的子图里”这类问题，通常就说明当前代码已经不适合继续靠 plt.* 的隐式状态推进了。
真正容易卡住的，是执行顺序和对象归属
回头看这些常见问题，会发现它们大多不是语法错误，而是上下文没有理顺：
%matplotlib inline没先执行，导致 Notebook 单元格里根本不出图。- 中文字体在绘图之后才配置，结果第一张图乱码、后面的图才正常。
- 子图场景里混用了
plt.*和ax.*，导致标签、标题和坐标轴设置落到错误的位置。 - 布局拥挤时只盯着单个参数调整，却忽略了
tight_layout()这类更直接的方式。
因此，Jupyter Notebook 中 Matplotlib 的稳定写法，可以概括成一条顺序链：先启用 %matplotlib inline，再做 plt.rcParams 和风格配置，随后用 plt.subplots() 获取明确的 axes，最后再开始绘图。把这个执行顺序固定下来，图表不显示、中文乱码和多子图混乱这几类问题，基本都会少很多。
