1. 从“能画”到“画好”：为什么图形辅助操作是Matlab进阶的必修课

很多朋友在刚开始用Matlab画图时，可能都经历过这样一个阶段：用plot、scatter、bar这些基础命令把数据点扔到图上，一看，线是连上了，点也撒上去了，但总觉得哪里不对劲——图看起来“很Matlab”，或者说，很“学生气”。坐标轴范围不合适，曲线挤在一起；图例要么没有，要么位置尴尬；想在一张图里对比好几组数据，结果后画的把先画的给覆盖了；想给论文或者报告配张专业的插图，却不知道如何添加箭头、文本框进行标注。这其实就是从“把图画出来”到“把图画好”之间的一道鸿沟，而跨越这道鸿沟的关键，就在于掌握标题里提到的这四项辅助操作：图形标注、坐标控制、图形保持和图形窗口分割。

我刚开始用Matlab做科研绘图时，也吃了不少亏。导师看着我那默认坐标范围、没有误差棒、图例挤在角落里的图表直摇头，说这图拿出去开会“不专业”。后来花了大量时间摸索，才发现Matlab的绘图引擎其实非常强大，只是它把“画数据”和“装饰图表”这两件事分开了。基础绘图函数负责生成数据的视觉映射，而图的美观性、可读性和信息完整性，则完全依赖于后续这一系列精细的辅助操作。这就像盖房子，plot是砌好了墙，而标注、坐标控制这些就是装修，装修的水平直接决定了房子的最终品质和用途。

掌握这些技能，你的图将不再仅仅是数据的简单呈现，而是会成为清晰、有力、甚至具有说服力的沟通工具。无论是学术论文、工程报告、数据分析简报还是课程作业，一张精心修饰的图表都能让你的工作显得更加严谨和专业。接下来，我就结合自己多年的使用经验，把这四项核心辅助操作掰开揉碎了讲清楚，其中会穿插大量你从官方文档里看不到的实战细节和避坑指南。

2. 图形标注：让你的图表会“说话”

图形标注是给图表添加文字性说明，是传递信息的关键。没有标注的图就像没有字幕的电影，观众只能猜。Matlab提供了从标题、轴标签到图例、文本框、箭头等一整套标注工具。

2.1 基础文本标注：title,xlabel,ylabel,legend

这是最常用的一组函数，但用好它们需要一点技巧。

x = 0:0.1:2*pi; y1 = sin(x); y2 = cos(x); figure; plot(x, y1, ‘r-‘, ‘LineWidth‘, 2); % 画第一条线，红色实线，线宽2 hold on; % 先按下不表，下文详解 plot(x, y2, ‘b--‘, ‘LineWidth‘, 2); % 画第二条线，蓝色虚线，线宽2 title(‘正弦与余弦函数曲线对比‘, ‘FontSize‘, 14, ‘FontWeight‘, ‘bold‘); xlabel(‘时间 / 弧度 (rad)‘, ‘FontSize‘, 12); ylabel(‘函数值‘, ‘FontSize‘, 12); legend({‘sin(x)‘, ‘cos(x)‘}, ‘Location‘, ‘best‘, ‘FontSize‘, 11); grid on; % 添加网格，提高可读性

实操心得1：legend的位置玄学‘Location‘参数是图例的灵魂。‘best‘是让Matlab自动找一个遮挡最少的位置，但有时它的“审美”很诡异。我常用的几个可靠选项是：

• ‘northoutside‘: 放在图的上方外部，特别适合有多条曲线、图例较长的情况，不占用绘图区域。
• ‘eastoutside‘: 放在图的右侧外部，这是论文插图中非常常见的版式，整洁。
• ‘southeast‘: 放在图的右下角内部，如果绘图区域有空白，这是个不错的选择。 永远不要用默认位置或者‘best‘就了事，一定要根据你的图形空白区域手动调整到一个和谐的位置。你可以先用‘best‘，然后通过图形窗口的“编辑图例”工具拖动到满意位置，最后用legend(..., ‘Location‘, [x, y])来固定坐标（这里的[x, y]是归一化坐标，左下角为[0,0]，右上角为[1,1]）。

实操心得2：中文字体显示问题如果你在标题、标签中使用了中文，很可能会显示为方框。这是因为默认字体不包含中文。一个一劳永逸的解决方法是，在脚本开头或单独的执行命令中设置图形对象的默认字体：

set(0, ‘DefaultAxesFontName‘, ‘SimHei‘); % 设置坐标轴默认字体为黑体 set(0, ‘DefaultTextFontName‘, ‘SimHei‘); % 设置文本默认字体为黑体 % 或者使用系统自带的其他中文字体，如‘Microsoft YaHei‘(雅黑)、‘SimSun‘(宋体)

设置后，本会话中创建的所有新图形都会使用该字体。你也可以针对单个文本对象设置：title(‘标题‘, ‘FontName‘, ‘SimHei‘)。

2.2 高级标注：text,annotation与gtext

当需要在图中特定数据点旁添加说明，或者绘制箭头、矩形等形状时，就需要用到高级标注。

text函数：在指定数据坐标处添加文字

x = linspace(0, 10, 100); y = exp(-0.2*x) .* sin(x); plot(x, y); % 找到第一个峰值的大致位置（这里假设我们知道在x≈2.5处） [peakVal, peakIdx] = max(y); x_peak = x(peakIdx); text(x_peak, peakVal, sprintf(‘峰值: %.3f‘, peakVal), ... ‘VerticalAlignment‘, ‘bottom‘, ‘HorizontalAlignment‘, ‘center‘, ... ‘BackgroundColor‘, ‘w‘, ‘EdgeColor‘, ‘k‘, ‘Margin‘, 2);

• ‘VerticalAlignment‘和‘HorizontalAlignment‘控制文本相对于指定坐标(x_peak, peakVal)的对齐方式。‘bottom‘和‘center‘意味着文本的底部中心位于该坐标点。这个组合常用于在数据点上方标注。
• 添加背景色(‘BackgroundColor‘)和边框(‘EdgeColor‘)能让文本在复杂的图中更醒目。

annotation函数：在图形窗口的“归一化坐标”中添加图形对象这是功能更强大的标注工具，可以画箭头、直线、椭圆、矩形、文本框等。它的坐标不是数据坐标，而是相对于整个图形窗口的[0,1]范围。

% 添加一个从点(0.2, 0.8)到点(0.4, 0.6)的箭头（归一化坐标） annotation(‘arrow‘, [0.2, 0.4], [0.8, 0.6], ‘Color‘, ‘r‘, ‘LineWidth‘, 1.5); % 添加一个文本框 annotation(‘textbox‘, [0.15, 0.15, 0.2, 0.1], ‘String‘, ‘重要区域‘, ... ‘FitBoxToText‘, ‘on‘, ‘BackgroundColor‘, ‘yellow‘, ‘EdgeColor‘, ‘none‘);

[0.15, 0.15, 0.2, 0.1]表示文本框左下角位于窗口的(0.15, 0.15)位置，宽度为0.2，高度为0.1（归一化单位）。‘FitBoxToText‘, ‘on‘可以让文本框自动调整大小以适应文字，非常实用。

注意：annotation的坐标是固定的窗口坐标，不会随着你缩放、平移图形而改变。如果你希望标注跟随数据，请使用text函数。annotation更适合添加那些与具体数据无关的说明性标记，比如指向某个区域的箭头、图表的整体注释等。

gtext函数：交互式放置文本这是一个“懒人”但有时很有用的函数。执行gtext(‘请点击放置文字‘)后，图形窗口会等待你用鼠标点击一个位置，然后将文字放在那里。这在需要快速、粗略定位时很方便，但不利于脚本的自动化执行和复现。

3. 坐标控制：驾驭图形的视野与尺度

坐标轴是图表的骨架，控制坐标轴就是控制读者观察数据的“窗口”。不当的坐标范围会扭曲数据呈现，而恰当的设置则能突出关键信息。

3.1 核心控制函数：axis,xlim/ylim,xticks/yticks

axis函数：一键式全局控制axis函数功能强大，通过一个参数就能实现多种控制。

plot(rand(10,1)); axis tight; % 让坐标轴范围紧贴数据范围，不留太多空白 % axis equal; % 使x轴和y轴的刻度单位等长，画圆的时候不会变成椭圆 % axis square; % 使坐标轴区域呈正方形 % axis off; % 关闭所有坐标轴、刻度和标签（常用于图像显示） % axis on; % 打开坐标轴

最常用的是axis tight和axis equal。在绘制几何图形或需要保持纵横比时，axis equal至关重要。

xlim,ylim：精确设置范围这是最精细的控制方式。你明确告诉Matlab你想看哪一段数据。

x = 0:0.01:10; y = sin(x) + 0.1*randn(size(x)); % 带噪声的正弦波 plot(x, y); xlim([2, 8]); % 只看x从2到8的部分，相当于“放大镜” ylim([-1.5, 1.5]); % 设置y轴范围，可以突出波动细节

在对比多个子图时，统一它们的坐标轴范围是必须的，否则视觉上会产生误导。例如，比较两个不同量级但需要观察变化趋势的数据时，可能需要分别设置ylim；而比较相同物理量的不同实验组时，则必须强制设置相同的ylim。

xticks,yticks,xticklabels,yticklabels：控制刻度与标签这是提升图表专业性的高级技巧。默认的自动刻度可能不理想，比如你希望x轴只显示整数，或者在特定位置显示自定义标签（如类别名称）。

x = 1:5; sales = [100, 150, 120, 200, 180]; bar(x, sales); xticks(1:5); % 确保刻度在1,2,3,4,5的位置 xticklabels({‘Q1‘, ‘Q2‘, ‘Q3‘, ‘Q4‘, ‘Annual‘}); % 设置刻度标签 ylabel(‘销售额 (万元)‘); title(‘季度销售额统计‘);

对于时间序列，这个功能尤其有用，可以将数字时间戳转换为可读的日期字符串。

3.2 双y轴与坐标轴比例：yyaxis与semilogy

yyaxis：左右开弓当需要在一张图上对比两个量纲不同、但存在关联的数据序列时，双y轴是标准做法。

x = 0:0.1:10; y1 = sin(x); % 假设是温度（℃） y2 = 50 * cos(x) + 100; % 假设是湿度（%） figure; yyaxis left; % 激活左侧y轴 plot(x, y1, ‘b-‘, ‘LineWidth‘, 2); ylabel(‘温度 (℃)‘, ‘Color‘, ‘b‘); % 标签颜色与曲线对应 ylim([-1.5, 1.5]); yyaxis right; % 激活右侧y轴 plot(x, y2, ‘r--‘, ‘LineWidth‘, 2); ylabel(‘相对湿度 (%)‘, ‘Color‘, ‘r‘); ylim([50, 150]); xlabel(‘时间‘); title(‘温湿度随时间变化曲线‘); grid on;

重要提示：使用双y轴时，务必通过颜色、线型等手段清晰区分左右轴的数据，并在图例中明确说明。滥用双y轴可能导致误导性解读，因为它改变了数据的基准线。

对数坐标：semilogy,semilogx,loglog当数据跨越多个数量级时（如信号频谱、微生物数量增长、金融收益率），使用对数坐标可以更清晰地展示变化规律。

f = logspace(0, 5, 1000); % 频率从10^0到10^5 Hz H = 1 ./ (1 + 1j*f/1000); % 一个简单的一阶低通滤波器频率响应 magnitude = abs(H); figure; subplot(2,1,1); semilogx(f, 20*log10(magnitude)); % x轴对数，y轴分贝（也是对数） xlabel(‘频率 (Hz)‘); ylabel(‘增益 (dB)‘); title(‘滤波器幅频响应 (Bode图)‘); grid on; subplot(2,1,2); semilogx(f, angle(H)*180/pi); % 相位 xlabel(‘频率 (Hz)‘); ylabel(‘相位 (度)‘); grid on;

semilogx让x轴按对数尺度显示，但坐标值仍然是原始的f。Matlab会自动计算并显示对数刻度。loglog则是两个轴都用对数尺度。

4. 图形保持与覆盖：hold on的智慧与陷阱

hold on命令是Matlab绘图中最基础也最容易出错的概念之一。它的作用是保持当前图形窗口和坐标轴的状态，使后续的绘图命令能在已有的图形上叠加，而不是清空重绘。

4.1hold on的正确使用姿势

x = linspace(0, 2*pi, 100); y_sin = sin(x); y_cos = cos(x); figure; % 创建新图形窗口 plot(x, y_sin, ‘r-‘); % 第一次plot，绘制红色正弦曲线 hold on; % 开启保持状态 plot(x, y_cos, ‘b--‘); % 第二次plot，蓝色虚线余弦曲线叠加在上图 hold off; % 关闭保持状态（这是一个好习惯） title(‘使用hold on叠加图形‘); legend(‘sin(x)‘, ‘cos(x)‘);

如果没有hold on，第二条plot命令会清空第一条曲线，只显示余弦曲线。

为什么需要hold off？这是一个编程习惯问题。保持状态是全局的，如果你在一个脚本中打开了hold on，但忘记关闭，那么后续所有针对这个坐标轴的绘图命令都会叠加，可能导致意想不到的混乱。显式地使用hold off就像用完工具后放回原处，让代码更清晰、更安全。另一种更现代、更推荐的方式是直接指定目标坐标轴：

ax = axes; % 创建一个坐标轴对象并获取其句柄 plot(ax, x, y_sin, ‘r-‘); plot(ax, x, y_cos, ‘b--‘); % 直接向同一个坐标轴句柄ax绘图，无需hold on

这种方式逻辑更清晰，尤其在处理多个图形窗口和子图时。

4.2hold on的常见“坑”与排查

坑1：属性重置hold on只保持图形内容（线条、散点等），但像xlabel,title,grid这些坐标轴属性，如果在hold on之后再次设置，会正常生效。然而，如果你在hold on后执行了plot(…, ‘Property‘, Value)，并希望通过它来改变坐标轴范围，可能会发现不生效，因为hold on状态下，plot会尽量不改变现有坐标轴范围以适应新数据。此时应使用xlim/ylim来强制设置。

坑2：与cla(clear axes) 的混淆有时我们想清空当前坐标轴重新画，错误地使用了hold off; plot(...)。实际上，hold off只是关闭叠加模式，并不会清空已有图形。正确的清空命令是cla。

% 错误示范 plot(x, y1); hold off; % 只是关闭hold，图形还在 plot(x, y2); % 这会清空y1，只画y2，但意图可能是“清空重画” % 正确示范 plot(x, y1); cla; % 清空坐标轴 plot(x, y2); % 画新的图形 % 或者更清晰的 cla reset; % 清空坐标轴并重置所有属性 plot(x, y2);

坑3：在循环中滥用在循环中绘图时，如果不加控制地使用hold on，会导致性能下降和图形混乱。

% 低效做法 figure; hold on; for i = 1:100 y = randn(100,1)*i; plot(y); % 每次循环都画一条线，生成100个图形对象 end hold off; % 高效做法：预分配图形对象，或使用‘LineStyle‘, ‘none‘先画点最后连线 % 或者，如果只是看最终结果，可以在循环内计算数据，循环外一次性绘图。

5. 图形窗口分割：subplot与tiledlayout的布局艺术

当我们需要并排比较多个相关图形时，分割图形窗口是标准操作。Matlab提供了两种主要工具：经典的subplot和R2019b后引入的更强大的tiledlayout。

5.1 经典工具：subplot(m, n, p)

subplot将图形窗口划分为一个m行n列的网格，并激活第p个子区域进行绘图。p按行优先顺序编号（即先填满第一行，再第二行）。

x = 0:0.1:10; y1 = sin(x); y2 = cos(x); y3 = exp(-0.1*x) .* sin(x); y4 = randn(size(x)); figure(‘Position‘, [100, 100, 1200, 800]); % 设置图形窗口位置和大小 subplot(2, 2, 1); % 2行2列，激活第1块 plot(x, y1); title(‘正弦波‘); grid on; subplot(2, 2, 2); plot(x, y2); title(‘余弦波‘); grid on; subplot(2, 2, 3); plot(x, y3); title(‘衰减正弦波‘); grid on; subplot(2, 2, 4); histogram(y4, 30); % 在第4块画直方图 title(‘随机噪声分布‘); grid on; sgtitle(‘多子图示例‘); % R2018b后可用，为整个图窗添加总标题

subplot的局限性：

1. 间距死板：子图之间的间距是固定的，调整起来很麻烦，需要通过subplot(‘Position‘, [left, bottom, width, height])来手动设置每个子图的位置，计算复杂。
2. 共享坐标轴困难：虽然可以通过linkaxes函数链接多个坐标轴的缩放，但设置共享的x轴或y轴标签比较繁琐。
3. 颜色栏和图例布局：当子图中包含colorbar或大型legend时，很容易与其他子图重叠。

5.2 现代布局：tiledlayout与nexttile(推荐)

从R2019b开始，tiledlayout提供了更灵活、更强大的布局控制，彻底解决了subplot的痛点。

x = linspace(0, 2*pi, 200); y1 = sin(x); y2 = cos(x); y3 = sin(x).*cos(x); y4 = sin(x) + 0.1*randn(size(x)); fig = figure(‘Position‘, [100, 100, 1000, 700]); t = tiledlayout(2, 2); % 创建一个2x2的平铺布局 t.TileSpacing = ‘compact‘; % 设置子图间距为‘compact‘, ‘loose‘, 或 ‘none‘ t.Padding = ‘compact‘; % 设置布局与图窗边缘的边距 % 在第一个位置绘图 nexttile; % 自动移动到下一个可用的瓦片（Tile） plot(x, y1, ‘LineWidth‘, 1.5); title(‘正弦函数‘); grid on; nexttile; plot(x, y2, ‘LineWidth‘, 1.5, ‘Color‘, ‘r‘); title(‘余弦函数‘); grid on; nexttile; plot(x, y3, ‘LineWidth‘, 1.5, ‘Color‘, ‘g‘); title(‘乘积函数‘); grid on; nexttile; scatter(x, y4, 10, ‘filled‘); % 散点图 title(‘带噪声的正弦信号‘); grid on; % 为整个布局添加共享标签和总标题 xlabel(t, ‘时间 / 弧度 (rad)‘, ‘FontSize‘, 11); ylabel(t, ‘函数值‘, ‘FontSize‘, 11); title(t, ‘三角函数及其衍生图形‘, ‘FontSize‘, 14, ‘FontWeight‘, ‘bold‘);

tiledlayout的核心优势：

1. 灵活的间距与边距控制：通过TileSpacing和Padding属性轻松调整，告别复杂的像素计算。
2. 轻松创建跨越多行/列的子图：

   t = tiledlayout(3, 3); nexttile([2, 2]); % 这个子图占据2行2列 plot(rand(10,4)); title(‘主图‘); nexttile; % 占据(1,3)位置 plot(rand(5,1)); title(‘小图1‘); nexttile; % 占据(2,3)位置 plot(rand(5,1)); title(‘小图2‘); nexttile([1, 3]); % 这个子图占据第3行，横跨3列 bar(rand(1,5)); title(‘底部长条图‘);

3. 完美的共享坐标轴：

   t = tiledlayout(2,1); ax1 = nexttile; plot(ax1, rand(10,1)); ax2 = nexttile; plot(ax2, rand(10,1)); % 链接x轴，缩放时联动 linkaxes([ax1, ax2], ‘x‘); % 隐藏ax1的x轴刻度标签，使图更紧凑 xticklabels(ax1, {}); xlabel(t, ‘共享的X轴标签‘); % 只在底部添加一个共享标签

4. 优雅的Colorbar和Legend布局：tiledlayout可以为整个布局分配一个colorbar或legend，而不是属于某个特定的子图，自动安排位置避免重叠。

   t = tiledlayout(1,2); nexttile; contourf(peaks); colorbar; % 这个colorbar只属于第一个子图 nexttile; imagesc(magic(10)); % 如果想为整个布局添加一个colorbar，可以： % cb = colorbar(t); % cb.Layout.Tile = ‘east‘; % 放在布局的右侧

实战选择建议：对于新的项目或脚本，除非有兼容旧版本Matlab的硬性要求，否则一律推荐使用tiledlayout。它的API更现代，布局控制能力远超subplot，能节省大量调整排版的时间。

6. 综合案例：绘制一份专业的数据分析报告图

让我们把前面所有的知识点串联起来，完成一个稍微复杂但很常见的任务：绘制一份包含原始数据、拟合曲线、残差分析以及分布统计的多面板专业图表。

%% 步骤1：生成模拟数据与计算 % 假设我们有一组实验测量数据，并试图用线性模型拟合 x_data = 1:20; y_true = 2.5 * x_data + 1.8; % 真实关系 noise = 5 * randn(size(x_data)); % 加入随机噪声 y_measured = y_true + noise; % 测量值 % 使用polyfit进行一阶（线性）拟合 p = polyfit(x_data, y_measured, 1); % p(1)是斜率，p(2)是截距 y_fitted = polyval(p, x_data); % 计算拟合值 % 计算残差 residuals = y_measured - y_fitted; %% 步骤2：创建图形窗口与布局 fig = figure(‘Position‘, [100, 100, 1400, 800]); % 设定一个较大的窗口 t = tiledlayout(2, 3); % 2行3列布局 t.TileSpacing = ‘compact‘; t.Padding = ‘compact‘; title(t, ‘实验数据线性回归分析报告‘, ‘FontSize‘, 16, ‘FontWeight‘, ‘bold‘); %% 步骤3：绘制主图 (原始数据与拟合线) - 占据左侧两行 ax_main = nexttile([2, 2]); % 跨2行2列 scatter(ax_main, x_data, y_measured, 70, ‘filled‘, ‘MarkerFaceColor‘, [0.2, 0.6, 0.9], ‘MarkerEdgeColor‘, ‘k‘); hold(ax_main, ‘on‘); plot(ax_main, x_data, y_fitted, ‘r-‘, ‘LineWidth‘, 2.5); hold(ax_main, ‘off‘); % 添加标注：拟合方程和R² fit_eqn = sprintf(‘y = %.2fx + %.2f‘, p(1), p(2)); rsq = 1 - sum(residuals.^2) / sum((y_measured - mean(y_measured)).^2); text(ax_main, 0.05, 0.95, {fit_eqn, [‘R^2 = ‘, sprintf(‘%.4f‘, rsq)]}, ... ‘Units‘, ‘normalized‘, ‘VerticalAlignment‘, ‘top‘, ‘FontSize‘, 11, ... ‘BackgroundColor‘, ‘w‘, ‘EdgeColor‘, ‘gray‘); title(ax_main, ‘测量数据与线性拟合‘); xlabel(ax_main, ‘自变量 X‘); ylabel(ax_main, ‘因变量 Y‘); legend(ax_main, {‘测量数据‘, ‘线性拟合‘}, ‘Location‘, ‘northwest‘); grid(ax_main, ‘on‘); ax_main.FontSize = 11; %% 步骤4：绘制残差图 (右上角) ax_resid = nexttile; scatter(ax_resid, x_data, residuals, 40, ‘filled‘, ‘MarkerFaceColor‘, [0.9, 0.4, 0.4]); hold(ax_resid, ‘on‘); % 画一条y=0的参考线 yline(ax_resid, 0, ‘k--‘, ‘LineWidth‘, 1); hold(ax_resid, ‘off‘); title(ax_resid, ‘残差分布‘); xlabel(ax_resid, ‘自变量 X‘); ylabel(ax_resid, ‘残差 (Y_{meas} - Y_{fit})‘); grid(ax_resid, ‘on‘); ax_resid.FontSize = 10; % 检查残差是否随机分布（无趋势） % 可以添加一个趋势线看看 hold(ax_resid, ‘on‘); p_resid_trend = polyfit(x_data, residuals, 1); y_resid_trend = polyval(p_resid_trend, x_data); plot(ax_resid, x_data, y_resid_trend, ‘b:‘, ‘LineWidth‘, 1.2, ‘DisplayName‘, ‘残差趋势‘); hold(ax_resid, ‘off‘); legend(ax_resid, ‘show‘); %% 步骤5：绘制残差直方图 (右中) ax_hist = nexttile; histogram(ax_hist, residuals, 15, ‘FaceColor‘, [0.5, 0.8, 0.5], ‘EdgeColor‘, ‘k‘, ‘Normalization‘, ‘pdf‘); hold(ax_hist, ‘on‘); % 叠加一个正态分布曲线，检查是否服从正态分布 mu = mean(residuals); sigma = std(residuals); x_norm = linspace(min(residuals), max(residuals), 100); y_norm = normpdf(x_norm, mu, sigma); plot(ax_hist, x_norm, y_norm, ‘r-‘, ‘LineWidth‘, 2); hold(ax_resid, ‘off‘); title(ax_hist, ‘残差分布直方图‘); xlabel(ax_hist, ‘残差值‘); ylabel(ax_hist, ‘概率密度‘); legend(ax_hist, {‘残差分布‘, ‘正态分布拟合‘}); grid(ax_hist, ‘on‘); ax_hist.FontSize = 10; %% 步骤6：绘制Q-Q图 (右下) - 检验正态性的另一种方法 ax_qq = nexttile; % 使用统计工具箱中的qqplot，如果没有，可以手动实现或跳过 % 这里假设有统计工具箱 qqplot(ax_qq, residuals); title(ax_hist, ‘残差Q-Q图 (正态性检验)‘); grid(ax_qq, ‘on‘); ax_qq.FontSize = 10; % 调整Q-Q图的标题和标签（qqplot会自动设置，我们覆盖它） title(ax_qq, ‘残差Q-Q图‘); xlabel(ax_qq, ‘标准正态分位数‘); ylabel(ax_qq, ‘残差分位数‘); %% 步骤7：整体美化与输出 % 统一某些坐标轴范围，例如让两个残差分析图的x轴范围与主图对齐（如果需要） linkaxes([ax_main, ax_resid], ‘x‘); % 链接主图和残差图的x轴 xticklabels(ax_resid, {}); % 隐藏残差图的x轴刻度标签，避免重复 % 可以调整一下布局边距 t.Padding = ‘loose‘; % 从‘compact‘改为‘loose‘，让图周围有点空间 % 如果需要保存为高分辨率图片 print(fig, ‘-dpng‘, ‘-r300‘, ‘Linear_Regression_Analysis.png‘); % 保存为300DPI的PNG % print(fig, ‘-dsvg‘, ‘Linear_Regression_Analysis.svg‘); % 保存为矢量图SVG，用于论文

通过这个综合案例，你将图形标注（标题、标签、图例、文本框）、坐标控制（linkaxes链接坐标轴、xlim/ylim调整范围）、图形保持（hold on在子图内叠加参考线）以及图形窗口分割（tiledlayout创建复杂布局）全部融合在了一起。这张图的信息密度很高，但布局清晰，每个子图都有明确的职责，共同支撑起“数据线性回归分析”这个主题。这正是一个专业图表该有的样子：不仅仅是展示数据，更是系统地讲述数据背后的故事。