拓冰网站定制 
1. 为什么自己写一个函数绘图器需求来源与整体设计1.1 市面工具的痛点与自研的边界先聊个实际场景。做数学演示、理科教学或者平时自己分析函数趋势时我经常需要快速画一张 y f(x) 的图。手边能用的工具其实不少网页版绘图器功能挺全但要么需要联网要么表达式语法跟常见数学符号差异太大用 MATLAB、Mathematica 这类专业软件解决一个“画个函数看看长什么样”的问题又显得杀鸡用牛刀启动慢、授权重学生党装一套下来折腾半天。所以自己动手写一个 Python 版本的数学函数绘图软件是我一直想做的事。这个项目的定位很明确轻量、直观、能离线运行、看得懂源码。它不需要做到 MATLAB 那种可视化编程、符号推导、数值仿真全家桶但至少要满足几个刚需——输入一个自然数学表达式回车之后立刻在画布上看到曲线支持常见函数如三角函数、对数、指数、幂函数能调整坐标范围最好还能同时画两条曲线做对比。基于这些需求我把成品功能定成了下面这套输入框直接录入表达式例如x**3 - 2*x 1或sin(x)/x支持sin、cos、tan、log、log10、exp、sqrt、abs等常用数学函数坐标范围可调支持自定义 X 轴范围Y 轴自动适配或手动指定网格、坐标轴、曲线颜色与图例支持多函数叠加对比一键清除画布保存当前绘图结果为 PNG 图片错误输入有明确提示不崩溃不闪退这个规模对一个 Python 初学者来说既不会大到啃不动又覆盖了图形界面、表达式解析、科学计算、数据可视化这几个关键知识点。源码加配套文档加起来几百行核心代码正好适合当作课程设计或者练手项目来复现。1.2 技术选型为什么不选 PyQt 而选 tkinter技术栈方面我最终选了tkinter matplotlib numpy的组合。很多人一上来就会问桌面 GUI 为什么不用 PyQt界面不是更漂亮吗这里有个取舍问题。PyQt 功能确实强控件丰富样式也现代但它的学习曲线和体积对“函数绘图”这个项目来说偏重。tkinter 是 Python 自带的图形界面库不需要额外安装跨平台表现稳定对于“输入框 按钮 画布区域”这种标准布局完全够用。更重要的是tkinter 和 matplotlib 的嵌入方案非常成熟FigureCanvasTkAgg这个适配器可以直接把绘图画布塞进 tkinter 的窗口里事件循环、鼠标交互都能正常工作。用一个词来说就是“省心”。numpy 承担的是数值计算部分。画函数曲线本质上是取一系列 X 坐标点计算对应的 Y 值然后用折线逼近真实曲线。这个过程的高效实现依赖 numpy 的向量化运算否则用纯 Python for 循环逐点计算几百个点还会有点卡顿感用 numpy 一次算完一整个数组速度完全不在一个量级。1.3 项目目录结构与配套文档的设计思路源码和配套文档是一个整体拿到压缩包后结构是这么设计的math_plotter/ ├── main.py # 程序入口启动 tkinter 窗口 ├── expr_parser.py # 表达式解析与安全计算模块 ├── plotter.py # 绘图画布封装与刷新逻辑 ├── requirements.txt # 依赖清单 ├── README.md # 快速开始与功能介绍 └── docs/ ├── 设计说明.md # 架构设计与模块职责划分 └── 使用手册.md # 操作步骤与常见问题排查文档方面我刻意做了拆分设计说明写给想看源码的人讲清楚三个模块各负责什么、数据怎么流动、为什么 parser 要独立出来使用手册写给最终用户哪怕完全不懂代码照着截图也能把函数画出来。这种“源码 文档”配套的交付形式无论是作为课程设计提交材料还是作为开源项目发布都比丢一堆零散 py 文件靠谱得多。2. 函数表达式解析从用户输入到可计算对象的完整方案2.1 无脑 eval 会出什么问题先说我当初踩过的坑。第一版为了省事拿到用户输入后直接用 Python 的eval()处理比如输入sin(x)先把sin替换成 numpy 里的np.sin再eval一下就能算出值。但这样做有三个隐患安全风险eval 会执行任意 Python 代码。用户输入__import__(os).system(ls)这类内容系统命令就会被执行。虽然这是一个本机离线小工具不联网但作为教学演示项目把这种不安全的写法教给刚入门的人是会坏习惯的。表达式不干净用户习惯写2x、3sin(x)这类带隐式乘法的自然表达式但 Python 语法里2x直接语法报错。业务上遇到的表达式五花八门靠字符串替换处理起来又乱又脆。边界情况难控制1/0、sqrt(-1)、log(0)这类无定义点在 eval 时直接抛异常需要额外套一层 try-except但异常信息对用户完全不友好。2.2 AST 解析方案的基本原理真正工程化的做法是走 AST抽象语法树解析。用 Python 内置的ast模块把用户输入的数学表达式字符串解析成一颗语法树然后只允许遍历树上的“合法节点类型”完成计算。approach 大致是这样把用户输入的字符串用ast.parse()解析成语法树树上的节点只能是Expression、BinOp、UnaryOp、Call、Name、Constant、Pow、Add、Sub、Mult、Div、Mod这些数学运算相关的类型遇到sin、cos、log这类函数名映射到 numpy 的对应函数去执行遇到变量名只允许x这个符号其他名称一律拒绝通过白名单校验的树再编译执行得到结果代码核心长这样import ast import math import numpy as np # 允许调用的数学函数白名单 FUNC_MAP { sin: np.sin, cos: np.cos, tan: np.tan, log: np.log, log10: np.log10, ln: np.log, exp: np.exp, sqrt: np.sqrt, abs: np.abs, floor: np.floor, ceil: np.ceil, sign: np.sign, } # 允许出现的运算符节点集合 ALLOWED_NODES ( ast.Expression, ast.BinOp, ast.UnaryOp, ast.Call, ast.Name, ast.Constant, ast.Add, ast.Sub, ast.Mult, ast.Div, ast.Pow, ast.Mod, ast.USub, ast.UAdd, ast.Load, ) class SafeEvaluator: def __init__(self, variablesNone): self.variables variables or {x: 0.0} def visit(self, node): if isinstance(node, ast.Expression): return self.visit(node.body) if not isinstance(node, ALLOWED_NODES): raise ValueError(f不支持的语法节点: {type(node).__name__}) if isinstance(node, ast.Constant): return node.value if isinstance(node, ast.Name): if node.id in self.variables: return self.variables[node.id] raise ValueError(f未知变量: {node.id}) if isinstance(node, ast.BinOp): left self.visit(node.left) right self.visit(node.right) if isinstance(node.op, ast.Add): return left right if isinstance(node.op, ast.Sub): return left - right if isinstance(node.op, ast.Mult): return left * right if isinstance(node.op, ast.Div): return left / right if isinstance(node.op, ast.Pow): return left ** right if isinstance(node.op, ast.Mod): return left % right if isinstance(node, ast.UnaryOp): operand self.visit(node.operand) if isinstance(node.op, ast.USub): return -operand if isinstance(node.op, ast.UAdd): return operand if isinstance(node, ast.Call): if not isinstance(node.func, ast.Name): raise ValueError(不支持的函数调用形式) func_name node.func.id if func_name not in FUNC_MAP: raise ValueError(f不支持的函数: {func_name}) args [self.visit(arg) for arg in node.args] return FUNC_MAP[func_name](*args) raise ValueError(f无法处理的节点: {type(node).__name__})这套方案的核心思想是白名单校验。通过 AST 遍历从结构上保证“进来的每一个节点都是可以被理解的数学运算”从源头上杜绝任意代码执行。测试下来即使输入__import__(os).system(cls)解析到Attribute节点时就会立刻被拦截抛出一个可读的报错。2.3 隐式乘法和常见书写习惯的预处理纯 AST 方案还是有一个解决不了的痛点用户习惯的书写方式和 Python 语法不一致。最典型的就是2x、3sin(x)、(x1)(x-2)这类隐式乘号。AST 解析器看到2x会直接报语法错误因为这在 Python 里不是合法的表达式写法。所以解析前要加一道预处理函数把常见的数学书写习惯转换成合法 Python 表达式。我的实现思路是用正则按位置规则插入乘号。import re def preprocess_expr(expr: str) - str: # 去掉所有空白 expr re.sub(r\s, , expr) # 数字/右括号 后面紧跟 字母/左括号 时补乘号 # 例如: 2x - 2*x, 2sin(x) - 2*sin(x), (x1)(x-2) - (x1)*(x-2) expr re.sub(r(\d|\))([a-zA-Z\(]), r\1*\2, expr) # 右括号 后面紧跟 数字 时补乘号 # 例如: (x1)2 - (x1)*2 expr re.sub(r(\))(\d), r\1*\2, expr) return expr预处理虽小但对使用体验提升极其明显。如果跳过这一步用户每次输入2sin(x)cos(x)都会被语法错误弹一脸然后被迫改写2*sin(x)*cos(x)这种感觉非常“程序员气”对目标用户不够友好。加了预处理后两种写法都能跑通对外表现和自然数学书写一致。2.4 错误提示的友好化封装解析和求值过程中抛出的异常不能直接丢给用户看。TypeError: unsupported operand type(s) for *: int and NoneType这种信息对非技术用户毫无意义。我单独定义了一个统一的异常出口把所有错误信息收敛成人类能读懂的短句class ExpressionError(Exception): pass def validate_and_build(expr: str): try: processed preprocess_expr(expr) tree ast.parse(processed, modeeval) evaluator SafeEvaluator() # 先用 x0 试算一次提前发现明显错误 evaluator.variables[x] 0.0 evaluator.visit(tree) except SyntaxError: raise ExpressionError(表达式语法不正确请检查括号与运算符) except ValueError as e: raise ExpressionError(str(e)) except ZeroDivisionError: raise ExpressionError(表达式中存在除数为 0 的情况请检查定义域) except TypeError: raise ExpressionError(表达式中存在不支持的运算组合) return tree提前用x0试算一遍的目的是把错误在点击“绘制”按钮的瞬间暴露出来而不是等画布刷新时弹一个不明所以的报错。函数定义域边界的问题虽然无法在预检阶段完全覆盖但基础错误大都能拦在前面。3. 图形界面与绘图引擎tkinter 里嵌 matplotlib 的全流程3.1 FigureCanvasTkAgg 的嵌入逻辑界面层的核心问题是怎么把 matplotlib 的 Figure 嵌入 tkinter 的窗口。要理解这个先搞清楚 matplotlib 的架构Figure 是整张画纸Axes 是画纸上的坐标系区域Canvas 负责把画纸渲染到不同的后端终端、浏览器、GUI 窗口。在 tkinter 环境里FigureCanvasTkAgg就是连接 matplot 与 tkinter 之间的适配器。实现步骤很清晰from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg, NavigationToolbar2Tk from matplotlib.figure import Figure class PlotterFrame(tk.Frame): def __init__(self, masterNone): super().__init__(master) self.figure Figure(figsize(7, 5), dpi100) self.axes self.figure.add_subplot(111) self.canvas FigureCanvasTkAgg(self.figure, masterself) self.canvas.get_tk_widget().pack(sidetk.TOP, filltk.BOTH, expandTrue) # 可选把 matplotlib 自带的工具栏也加进来 self.toolbar NavigationToolbar2Tk(self.canvas, self) self.toolbar.update() self.canvas.draw()self.figure.add_subplot(111)创建了一个默认坐标系之后的绘图刷新全部通过self.axes完成。self.canvas.draw()是手动刷新画布的动作任何一次绘图操作结束后都要调用否则界面不会更新。有一点要提醒的是工具栏的加入。matplotlib 自带的NavigationToolbar2Tk提供了缩放、平移、返回视图等交互能力几乎零成本就能获得一套完整的坐标轴控制功能。我自己一开始没加后来发现演示时想放大某个局部区域靠改输入范围重画一次效率太低。加上之后体验瞬间提升一个档次。3.2 界面布局从上到下三重结构tkinter 的界面布局用pack还是grid取决于控件分布。我的布局是顶部表达式输入框 绘制按钮 清空按钮中部坐标范围设置区X 最小值、X 最大值、Y 最小值、Y 最大值、步长下部matplotlib 画布区域 状态栏布局代码非常直白控件按行排布self.input_expr tk.Entry(self, font(Helvetica, 12)) self.input_expr.insert(0, sin(x)/x) self.input_expr.pack(filltk.X, padx8, pady8)需要强调的是坐标范围区域的默认值这是绘图体验的关键细节。X 范围默认给-10 到 10步长默认给0.01Y 轴范围默认设置为自动适配。如果 Y 轴也固定死用户画1/x和画x**2时图像会被拉伸压缩得完全没法看。自动适配的逻辑是根据当前函数的 Y 值最小值最大值做一点边界延伸def auto_adjust_y_limits(self, y_values): y_min, y_max np.nanmin(y_values), np.nanmax(y_values) y_span y_max - y_min if y_span 1e-12: y_span 1.0 margin y_span * 0.1 self.axes.set_ylim(y_min - margin, y_max margin)注意这里用np.nanmin而不是np.min。因为1/x在x0附近会产生 inf 或 nan直接np.min会得到 nan整个坐标轴就废了。用 nan 感知的统计函数能自动跳过这些无效值。3.3 动态采样步长与图像质量的权衡绘图时 X 轴的采样点数决定曲线平滑度。用户可调的步长dx与采样点数num_points有关x_start float(self.entry_x_start.get()) x_end float(self.entry_x_end.get()) dx float(self.entry_dx.get()) x np.arange(x_start, x_end dx, dx)步长越小曲线越平滑但计算量线性增长。我这里默认步长0.01x范围为-10 到 10时有 2001 个采样点对 numpy 来说毫秒级完成完全感觉不到卡顿。曾经试过调到0.0001采样点 20 万个绘图时 matplotlib 的折线渲染会明显变慢而且画面几乎没有肉眼可见的改善。2001 个点对于显示屏幕上的 1200 像素宽画布来说已经超额了每个像素有接近两个数据点足够平滑。这里有一个工程常识数据量够用就行不要为了理论上的精确无限加采样。对于tan(x)这类有垂直渐近线的函数采样会产生一个问题——渐近线附近会出现一条竖直的连线。比如tan(x)在pi/2两侧取到的值从巨大正数跳到巨大负数matplotlib 把这两个点用直线连起来图像上就会多出一根竖线。处理方式可以在计算 Y 值后把连续两点之间差值极陡的地方段掉y np.where(np.abs(np.diff(np.concatenate((y[:1], y)))) 1e6, np.nan, y)更简单的方法是利用 numpy 的 nan 特性对 y 数组做一次阈值过滤把超过设定范围的绝对值替换成 nanmatplotlib 默认不会连接空值区域。这也是“动态采样与渲染”一节里最值得写进文档的细节。3.4 多函数叠加与图例管理支持多条函数对比数据流设计上是维护一个表达式列表。用户每次点击“绘制”新表达式不会清空旧曲线而是追加绘制点击“清空”才重置画布。图例自动用输入表达式作为标签不同的曲线颜色按顺序轮换。COLOR_CYCLE [#1f77b4, #ff7f0e, #2ca02c, #d62728, #9467bd, #8c564b] def add_curve(self, expr: str, x: np.ndarray, y: np.ndarray): color COLOR_CYCLE[len(self.plotted) % len(COLOR_CYCLE)] self.axes.plot(x, y, colorcolor, linewidth1.8, labelexpr) self.plotted.append(expr) self.axes.legend(locbest) self.canvas.draw()这里有个小改进点每次追加曲线后调用legend()是必要的不然新曲线对应的图例不会刷新。而且locbest由 matplotlib 自动选择图例放置位置避免遮挡关键曲线区域。如果自定义位置经常把图像最核心的特征盖住我试过几次后干脆全交给 matplotlib 自动判断。4. 绘图交互与异常处理从按下按钮到看到曲线的完整链路4.1 按钮事件流与状态管理整个软件的事件流转是这样的用户输入表达式 → 点击“绘制”按钮 → 程序读取输入的字符串 → 预处理 → AST 解析 → 合法性校验 → numpy 网格采样求值 → 绘图刷新 → 状态栏更新。如果哪一步出错状态栏显示错误描述画布保持上一次的结果不变。这个“画布保持原状”是刻意的设计。有很多绘图软件在输入错误时会整个画面清空用户好不容易画好的几条曲线瞬间没了体验很糟。我把它设计成“只有成功求值才刷新画布失败只提示错误”避免误操作导致工作成果丢失。按钮与事件的绑定btn_draw tk.Button(self, text绘制, commandself.handle_draw) btn_draw.pack(sidetk.LEFT, padx5) btn_clear tk.Button(self, text清空, commandself.handle_clear) btn_clear.pack(sidetk.LEFT, padx5) def handle_draw(self): expr self.input_expr.get().strip() if not expr: self.set_status(请输入函数表达式) return try: tree validate_and_build(expr) x np.arange(...) evaluator SafeEvaluator(variables{x: x}) y evaluator.visit(tree) if np.all(np.isnan(y)): raise ExpressionError(函数在当前坐标范围内没有有效取值) self.add_curve(expr, x, y) self.set_status(f已绘制: {expr}) except ExpressionError as e: self.set_status(f错误: {e})这里有个非常容易忽略的点variables里x绑定的值直接是整个 numpy 数组。这意味着 AST 求值过程天然向量化np.sin(x)处理的是整个数组速度远超 for 循环逐点调用。这也是前文说 numpy 向量化计算的关键体现。4.2 特殊点的处理策略分母为零与负对数定义域用户不可能只画定义域良好的多项式函数。1/x、log(x)、sqrt(x)这些带定义域限制的函数在正常采样时很容易触及无定义点。x从 -10 到 10 的等距采样里0本身可能不在采样点上但-0.01和0.01处的 y 值一个负很大一个正很大图像会拉出一条脱离自然形态的竖线log(x)在负数区域直接产生 nan。处理逻辑分两层第一层numpy 函数本身具备 nan 传播能力np.log(-1)只是产生 nan 并伴随一个 RuntimeWarning不会中断程序。这个警告可以用np.errstate吞掉with np.errstate(divideignore, invalidignore): y evaluator.visit(tree)第二层把 nan 和 inf 值在渲染前过滤掉。matplotlib 绘制折线时不会画出 nan 点但会尝试连接 inf 点附近的有效区域。更稳妥的做法是手动做一次替换y np.where(np.isfinite(y), y, np.nan)这样1/x图像在 0 点左右两侧自然断开不会有多余的垂直线。自动 Y 轴范围计算时也因为这个替换避开了 inf 的干扰。4.3 图像保存与复制出图保存图片这个功能看起来小实现起来要处理一个细节matplotlib 的savefig默认保存的是 Figure 对象当前状态。如果用户在 tkinter 窗口里用工具栏缩放过了坐标轴保存出来的图片应该保留缩放后的视野还是一开始的原始视野我的选择是保留当前视野这样“看到什么就保存什么”用户心理预期不会落空def save_figure(self): file_path filedialog.asksaveasfilename( defaultextension.png, filetypes[(PNG 图片, *.png), (JPG 图片, *.jpg)] ) if file_path: self.figure.savefig(file_path, dpi200, bbox_inchestight)bbox_inchestight会自动裁剪掉图片周围的空白边距让曲线占满整个画幅。dpi200保存的图片放大看也不会产生明显锯齿。这里没有用 tkinter 自带的Image模块导出因为 matplotlib 渲染的图片质量远高于 tkinter 截图。4.4 状态栏信息与错误字典状态栏这个控件容易被忽略但实际使用中它承担了“用户反馈”的全部职责。我在页面底部放了一个只读的 Label 控件所有操作结果都实时回显。错误信息不只是简单抛出异常字段而是经过一层映射。我整理了一份常用错误提示对照表写进了使用手册用户输入示例具体错误用户看到的提示x 表达式不完整表达式语法不正确请检查括号与运算符sin()函数缺少参数函数调用参数不完整2x^2插入乘号后x^2中的^语法报错建议使用**表示乘方例如2*x**21/0ZeroDivisionError表达式中存在除数为 0 的情况y x变量名含未知符号只支持变量 x请移除等号和变量名这条对照表非常建议写进任何“源码 文档”交付的软件里。错误信息设计直接决定用户能否独立解决自己的问题。开发者自己调试时看见的是原始异常但交付给别人用的时候每一处面向用户的输出都要经过“翻译”。5. 实测与踩坑实录那些文档里不写但迟早遇到的事5.1 中文字体乱码问题matplotlib 默认字体不包含中文字符这是老生常谈但第一次跑通程序看到标题和图例全是方块的时候还是很崩溃。解决方案是手动指定支持中文的字体import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, PingFang SC] plt.rcParams[axes.unicode_minus] False第二行axes.unicode_minus经常被人漏掉。如果不设置坐标轴上的负号会显示成一条不正常的横线和中文字体混在一起看着特别难受。补充一个跨平台细节SimHei在 Windows 系统上有Linux 上不一定有Microsoft YaHei是微软雅黑Windows 和 macOS 都有较高覆盖PingFang SC是 macOS 上的苹方字体。把这些候选字体放在列表里matplotlib 会按顺序寻找第一个可用的最大化跨平台兼容。5.2 重复点击绘制导致曲线堆积多函数叠加模式下同一个表达式重复点击绘制会画出一模一样的线条并叠加图例。次数多了画布上全是同色系重叠曲线分不清哪些是重复的。我的对策是在add_curve里做了去重判断如果新表达式已经在self.plotted列表里就把旧曲线数据移除重新绘制一遍而不是再叠一条。这个逻辑不复杂但很实用写文档时也可以提醒用户“每个函数只会保留最新的曲线不会重复叠加”。5.3 高次幂函数的数值溢出画x**10这类高次幂函数时x10时 y 值是 10^10x-10时 y 值也是正的 10^10完全超出了常规坐标轴的显示范围。图像会变成一根几乎贴着 Y 轴边界的竖线其他区域全部被压扁。这不是 bug而是数学事实——高次幂函数的动态范围太宽。但从绘图软件的角度看用户体验很差。我建议对 Y 轴做一次压缩变换如果 Y 值的最大绝对值超过 10^6自动切换为对数刻度显示。matplotlib 支持set_yscale(symlog)对称对数坐标能同时显示正负大数值if np.nanmax(np.abs(y)) 1e6: self.axes.set_yscale(symlog) else: self.axes.set_yscale(linear)这个细节不写进文档用户永远只能看到一根诡异的竖线。写进文档软件的“专业感”立刻上来了。5.4 打包成 exe 时的 matplotlib 体积问题如果要把软件打包发给不装 Python 的人用PyInstaller 是最常用的工具。但 matplotlib 体积大、依赖杂直接pyinstaller -F main.py打出来的 exe 可能超过 100MB启动还慢。实测后我调整了打包命令pyinstaller -F -w \ --exclude-module numpy \ main.py等等反了。numpy 不能排除matplotlib 依赖它。正确的优化方向是排除用不到的 matplotlib 后端和功能模块pyinstaller -F -w \ --exclude-module PyQt5 \ --exclude-module scipy \ --exclude-module pandas \ main.pyPyQt5 完全用不到排除之后体积能省下几十 MB。最终 exe 会在 55MB 上下启动时间 2 秒左右还能接受。-w参数控制不弹出黑色的控制台窗口GUI 程序必加。6. 扩展方向与学习路径建议6.1 极坐标、参数方程与隐函数基础函数绘图跑通之后这个项目天然可以扩展三种更复杂的图形极坐标曲线r f(θ)把x r*cos(θ)、y r*sin(θ)代入即可参数方程x f(t)、y g(t)增加一个 t 变量输入框隐函数图像F(x, y) 0这个复杂一些通常用matplotlib.pyplot.contour提取零等值线实现这三个方向对应了 matplotlib 的三个高级绘图能力但改动量都在可控范围内。以极坐标为例只需增加一个“极坐标”模式单选按钮把 X 轴变量替换为角度 θ再在求值时同时返回 x、y 两个数组。文档里给出每个扩展的设计思路比直接加功能更有教学意义。6.2 对初学者的建议先抄后造如果你拿这份源码当练习材料我建议按这个顺序读代码先跑通main.py熟悉界面每个按钮对应的功能读expr_parser.py重点理解 AST 白名单机制这是整个项目安全性的基座再读plotter.py看 matplotlib 是怎么接收 numpy 数组完成渲染的最后回到main.py把按钮事件到函数调用的链路整体串一遍读代码不是逐行背而是回答三个问题数据从哪里来经过哪些处理最后显示到哪里这个三问分析法对任何一个绘图类工具项目都适用。动手改造的话我建议从最简单的一步开始把颜色循环表换掉改成你自己喜欢的一套配色。这个改动只影响十几行代码但完成之后你就对“源码的哪一段控制界面的哪个视觉元素”有了第一手感知。6.3 个人实际体验与最后提醒这个项目从第一版到完善最深的体会是表达式解析的安全边界值得认真对待。一个离线小工具用 eval 也能跑但养成埋雷的习惯以后做 Web 服务也是这个思路到时候面对的就是真实攻击。AST 解析只用 Python 标准库代码量和 eval 版本差不太多安全性却是两个等级。另外写配套文档的时间不要省。我最初草率写了十来行 README 就发出去后续收到使用问题全要靠聊天逐一解答。后来认真写了使用手册录入常见错误对照表时间成本花了两小时但把答疑工作量几乎降为零。源码是讲“怎么实现”的文档是讲“怎么用”和“出错了怎么办”的两者配合才是完整交付。别嫌写文档麻烦你以后回顾这个项目时会感谢当时留下的记录。 用Python实现轻量级函数绘图器：AST安全解析与tkinter嵌入
1. 为什么自己写一个函数绘图器需求来源与整体设计1.1 市面工具的痛点与自研的边界先聊个实际场景。做数学演示、理科教学或者平时自己分析函数趋势时我经常需要快速画一张 y f(x) 的图。手边能用的工具其实不少网页版绘图器功能挺全但要么需要联网要么表达式语法跟常见数学符号差异太大用 MATLAB、Mathematica 这类专业软件解决一个“画个函数看看长什么样”的问题又显得杀鸡用牛刀启动慢、授权重学生党装一套下来折腾半天。所以自己动手写一个 Python 版本的数学函数绘图软件是我一直想做的事。这个项目的定位很明确轻量、直观、能离线运行、看得懂源码。它不需要做到 MATLAB 那种可视化编程、符号推导、数值仿真全家桶但至少要满足几个刚需——输入一个自然数学表达式回车之后立刻在画布上看到曲线支持常见函数如三角函数、对数、指数、幂函数能调整坐标范围最好还能同时画两条曲线做对比。基于这些需求我把成品功能定成了下面这套输入框直接录入表达式例如x**3 - 2*x 1或sin(x)/x支持sin、cos、tan、log、log10、exp、sqrt、abs等常用数学函数坐标范围可调支持自定义 X 轴范围Y 轴自动适配或手动指定网格、坐标轴、曲线颜色与图例支持多函数叠加对比一键清除画布保存当前绘图结果为 PNG 图片错误输入有明确提示不崩溃不闪退这个规模对一个 Python 初学者来说既不会大到啃不动又覆盖了图形界面、表达式解析、科学计算、数据可视化这几个关键知识点。源码加配套文档加起来几百行核心代码正好适合当作课程设计或者练手项目来复现。1.2 技术选型为什么不选 PyQt 而选 tkinter技术栈方面我最终选了tkinter matplotlib numpy的组合。很多人一上来就会问桌面 GUI 为什么不用 PyQt界面不是更漂亮吗这里有个取舍问题。PyQt 功能确实强控件丰富样式也现代但它的学习曲线和体积对“函数绘图”这个项目来说偏重。tkinter 是 Python 自带的图形界面库不需要额外安装跨平台表现稳定对于“输入框 按钮 画布区域”这种标准布局完全够用。更重要的是tkinter 和 matplotlib 的嵌入方案非常成熟FigureCanvasTkAgg这个适配器可以直接把绘图画布塞进 tkinter 的窗口里事件循环、鼠标交互都能正常工作。用一个词来说就是“省心”。numpy 承担的是数值计算部分。画函数曲线本质上是取一系列 X 坐标点计算对应的 Y 值然后用折线逼近真实曲线。这个过程的高效实现依赖 numpy 的向量化运算否则用纯 Python for 循环逐点计算几百个点还会有点卡顿感用 numpy 一次算完一整个数组速度完全不在一个量级。1.3 项目目录结构与配套文档的设计思路源码和配套文档是一个整体拿到压缩包后结构是这么设计的math_plotter/ ├── main.py # 程序入口启动 tkinter 窗口 ├── expr_parser.py # 表达式解析与安全计算模块 ├── plotter.py # 绘图画布封装与刷新逻辑 ├── requirements.txt # 依赖清单 ├── README.md # 快速开始与功能介绍 └── docs/ ├── 设计说明.md # 架构设计与模块职责划分 └── 使用手册.md # 操作步骤与常见问题排查文档方面我刻意做了拆分设计说明写给想看源码的人讲清楚三个模块各负责什么、数据怎么流动、为什么 parser 要独立出来使用手册写给最终用户哪怕完全不懂代码照着截图也能把函数画出来。这种“源码 文档”配套的交付形式无论是作为课程设计提交材料还是作为开源项目发布都比丢一堆零散 py 文件靠谱得多。2. 函数表达式解析从用户输入到可计算对象的完整方案2.1 无脑 eval 会出什么问题先说我当初踩过的坑。第一版为了省事拿到用户输入后直接用 Python 的eval()处理比如输入sin(x)先把sin替换成 numpy 里的np.sin再eval一下就能算出值。但这样做有三个隐患安全风险eval 会执行任意 Python 代码。用户输入__import__(os).system(ls)这类内容系统命令就会被执行。虽然这是一个本机离线小工具不联网但作为教学演示项目把这种不安全的写法教给刚入门的人是会坏习惯的。表达式不干净用户习惯写2x、3sin(x)这类带隐式乘法的自然表达式但 Python 语法里2x直接语法报错。业务上遇到的表达式五花八门靠字符串替换处理起来又乱又脆。边界情况难控制1/0、sqrt(-1)、log(0)这类无定义点在 eval 时直接抛异常需要额外套一层 try-except但异常信息对用户完全不友好。2.2 AST 解析方案的基本原理真正工程化的做法是走 AST抽象语法树解析。用 Python 内置的ast模块把用户输入的数学表达式字符串解析成一颗语法树然后只允许遍历树上的“合法节点类型”完成计算。approach 大致是这样把用户输入的字符串用ast.parse()解析成语法树树上的节点只能是Expression、BinOp、UnaryOp、Call、Name、Constant、Pow、Add、Sub、Mult、Div、Mod这些数学运算相关的类型遇到sin、cos、log这类函数名映射到 numpy 的对应函数去执行遇到变量名只允许x这个符号其他名称一律拒绝通过白名单校验的树再编译执行得到结果代码核心长这样import ast import math import numpy as np # 允许调用的数学函数白名单 FUNC_MAP { sin: np.sin, cos: np.cos, tan: np.tan, log: np.log, log10: np.log10, ln: np.log, exp: np.exp, sqrt: np.sqrt, abs: np.abs, floor: np.floor, ceil: np.ceil, sign: np.sign, } # 允许出现的运算符节点集合 ALLOWED_NODES ( ast.Expression, ast.BinOp, ast.UnaryOp, ast.Call, ast.Name, ast.Constant, ast.Add, ast.Sub, ast.Mult, ast.Div, ast.Pow, ast.Mod, ast.USub, ast.UAdd, ast.Load, ) class SafeEvaluator: def __init__(self, variablesNone): self.variables variables or {x: 0.0} def visit(self, node): if isinstance(node, ast.Expression): return self.visit(node.body) if not isinstance(node, ALLOWED_NODES): raise ValueError(f不支持的语法节点: {type(node).__name__}) if isinstance(node, ast.Constant): return node.value if isinstance(node, ast.Name): if node.id in self.variables: return self.variables[node.id] raise ValueError(f未知变量: {node.id}) if isinstance(node, ast.BinOp): left self.visit(node.left) right self.visit(node.right) if isinstance(node.op, ast.Add): return left right if isinstance(node.op, ast.Sub): return left - right if isinstance(node.op, ast.Mult): return left * right if isinstance(node.op, ast.Div): return left / right if isinstance(node.op, ast.Pow): return left ** right if isinstance(node.op, ast.Mod): return left % right if isinstance(node, ast.UnaryOp): operand self.visit(node.operand) if isinstance(node.op, ast.USub): return -operand if isinstance(node.op, ast.UAdd): return operand if isinstance(node, ast.Call): if not isinstance(node.func, ast.Name): raise ValueError(不支持的函数调用形式) func_name node.func.id if func_name not in FUNC_MAP: raise ValueError(f不支持的函数: {func_name}) args [self.visit(arg) for arg in node.args] return FUNC_MAP[func_name](*args) raise ValueError(f无法处理的节点: {type(node).__name__})这套方案的核心思想是白名单校验。通过 AST 遍历从结构上保证“进来的每一个节点都是可以被理解的数学运算”从源头上杜绝任意代码执行。测试下来即使输入__import__(os).system(cls)解析到Attribute节点时就会立刻被拦截抛出一个可读的报错。2.3 隐式乘法和常见书写习惯的预处理纯 AST 方案还是有一个解决不了的痛点用户习惯的书写方式和 Python 语法不一致。最典型的就是2x、3sin(x)、(x1)(x-2)这类隐式乘号。AST 解析器看到2x会直接报语法错误因为这在 Python 里不是合法的表达式写法。所以解析前要加一道预处理函数把常见的数学书写习惯转换成合法 Python 表达式。我的实现思路是用正则按位置规则插入乘号。import re def preprocess_expr(expr: str) - str: # 去掉所有空白 expr re.sub(r\s, , expr) # 数字/右括号 后面紧跟 字母/左括号 时补乘号 # 例如: 2x - 2*x, 2sin(x) - 2*sin(x), (x1)(x-2) - (x1)*(x-2) expr re.sub(r(\d|\))([a-zA-Z\(]), r\1*\2, expr) # 右括号 后面紧跟 数字 时补乘号 # 例如: (x1)2 - (x1)*2 expr re.sub(r(\))(\d), r\1*\2, expr) return expr预处理虽小但对使用体验提升极其明显。如果跳过这一步用户每次输入2sin(x)cos(x)都会被语法错误弹一脸然后被迫改写2*sin(x)*cos(x)这种感觉非常“程序员气”对目标用户不够友好。加了预处理后两种写法都能跑通对外表现和自然数学书写一致。2.4 错误提示的友好化封装解析和求值过程中抛出的异常不能直接丢给用户看。TypeError: unsupported operand type(s) for *: int and NoneType这种信息对非技术用户毫无意义。我单独定义了一个统一的异常出口把所有错误信息收敛成人类能读懂的短句class ExpressionError(Exception): pass def validate_and_build(expr: str): try: processed preprocess_expr(expr) tree ast.parse(processed, modeeval) evaluator SafeEvaluator() # 先用 x0 试算一次提前发现明显错误 evaluator.variables[x] 0.0 evaluator.visit(tree) except SyntaxError: raise ExpressionError(表达式语法不正确请检查括号与运算符) except ValueError as e: raise ExpressionError(str(e)) except ZeroDivisionError: raise ExpressionError(表达式中存在除数为 0 的情况请检查定义域) except TypeError: raise ExpressionError(表达式中存在不支持的运算组合) return tree提前用x0试算一遍的目的是把错误在点击“绘制”按钮的瞬间暴露出来而不是等画布刷新时弹一个不明所以的报错。函数定义域边界的问题虽然无法在预检阶段完全覆盖但基础错误大都能拦在前面。3. 图形界面与绘图引擎tkinter 里嵌 matplotlib 的全流程3.1 FigureCanvasTkAgg 的嵌入逻辑界面层的核心问题是怎么把 matplotlib 的 Figure 嵌入 tkinter 的窗口。要理解这个先搞清楚 matplotlib 的架构Figure 是整张画纸Axes 是画纸上的坐标系区域Canvas 负责把画纸渲染到不同的后端终端、浏览器、GUI 窗口。在 tkinter 环境里FigureCanvasTkAgg就是连接 matplot 与 tkinter 之间的适配器。实现步骤很清晰from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg, NavigationToolbar2Tk from matplotlib.figure import Figure class PlotterFrame(tk.Frame): def __init__(self, masterNone): super().__init__(master) self.figure Figure(figsize(7, 5), dpi100) self.axes self.figure.add_subplot(111) self.canvas FigureCanvasTkAgg(self.figure, masterself) self.canvas.get_tk_widget().pack(sidetk.TOP, filltk.BOTH, expandTrue) # 可选把 matplotlib 自带的工具栏也加进来 self.toolbar NavigationToolbar2Tk(self.canvas, self) self.toolbar.update() self.canvas.draw()self.figure.add_subplot(111)创建了一个默认坐标系之后的绘图刷新全部通过self.axes完成。self.canvas.draw()是手动刷新画布的动作任何一次绘图操作结束后都要调用否则界面不会更新。有一点要提醒的是工具栏的加入。matplotlib 自带的NavigationToolbar2Tk提供了缩放、平移、返回视图等交互能力几乎零成本就能获得一套完整的坐标轴控制功能。我自己一开始没加后来发现演示时想放大某个局部区域靠改输入范围重画一次效率太低。加上之后体验瞬间提升一个档次。3.2 界面布局从上到下三重结构tkinter 的界面布局用pack还是grid取决于控件分布。我的布局是顶部表达式输入框 绘制按钮 清空按钮中部坐标范围设置区X 最小值、X 最大值、Y 最小值、Y 最大值、步长下部matplotlib 画布区域 状态栏布局代码非常直白控件按行排布self.input_expr tk.Entry(self, font(Helvetica, 12)) self.input_expr.insert(0, sin(x)/x) self.input_expr.pack(filltk.X, padx8, pady8)需要强调的是坐标范围区域的默认值这是绘图体验的关键细节。X 范围默认给-10 到 10步长默认给0.01Y 轴范围默认设置为自动适配。如果 Y 轴也固定死用户画1/x和画x**2时图像会被拉伸压缩得完全没法看。自动适配的逻辑是根据当前函数的 Y 值最小值最大值做一点边界延伸def auto_adjust_y_limits(self, y_values): y_min, y_max np.nanmin(y_values), np.nanmax(y_values) y_span y_max - y_min if y_span 1e-12: y_span 1.0 margin y_span * 0.1 self.axes.set_ylim(y_min - margin, y_max margin)注意这里用np.nanmin而不是np.min。因为1/x在x0附近会产生 inf 或 nan直接np.min会得到 nan整个坐标轴就废了。用 nan 感知的统计函数能自动跳过这些无效值。3.3 动态采样步长与图像质量的权衡绘图时 X 轴的采样点数决定曲线平滑度。用户可调的步长dx与采样点数num_points有关x_start float(self.entry_x_start.get()) x_end float(self.entry_x_end.get()) dx float(self.entry_dx.get()) x np.arange(x_start, x_end dx, dx)步长越小曲线越平滑但计算量线性增长。我这里默认步长0.01x范围为-10 到 10时有 2001 个采样点对 numpy 来说毫秒级完成完全感觉不到卡顿。曾经试过调到0.0001采样点 20 万个绘图时 matplotlib 的折线渲染会明显变慢而且画面几乎没有肉眼可见的改善。2001 个点对于显示屏幕上的 1200 像素宽画布来说已经超额了每个像素有接近两个数据点足够平滑。这里有一个工程常识数据量够用就行不要为了理论上的精确无限加采样。对于tan(x)这类有垂直渐近线的函数采样会产生一个问题——渐近线附近会出现一条竖直的连线。比如tan(x)在pi/2两侧取到的值从巨大正数跳到巨大负数matplotlib 把这两个点用直线连起来图像上就会多出一根竖线。处理方式可以在计算 Y 值后把连续两点之间差值极陡的地方段掉y np.where(np.abs(np.diff(np.concatenate((y[:1], y)))) 1e6, np.nan, y)更简单的方法是利用 numpy 的 nan 特性对 y 数组做一次阈值过滤把超过设定范围的绝对值替换成 nanmatplotlib 默认不会连接空值区域。这也是“动态采样与渲染”一节里最值得写进文档的细节。3.4 多函数叠加与图例管理支持多条函数对比数据流设计上是维护一个表达式列表。用户每次点击“绘制”新表达式不会清空旧曲线而是追加绘制点击“清空”才重置画布。图例自动用输入表达式作为标签不同的曲线颜色按顺序轮换。COLOR_CYCLE [#1f77b4, #ff7f0e, #2ca02c, #d62728, #9467bd, #8c564b] def add_curve(self, expr: str, x: np.ndarray, y: np.ndarray): color COLOR_CYCLE[len(self.plotted) % len(COLOR_CYCLE)] self.axes.plot(x, y, colorcolor, linewidth1.8, labelexpr) self.plotted.append(expr) self.axes.legend(locbest) self.canvas.draw()这里有个小改进点每次追加曲线后调用legend()是必要的不然新曲线对应的图例不会刷新。而且locbest由 matplotlib 自动选择图例放置位置避免遮挡关键曲线区域。如果自定义位置经常把图像最核心的特征盖住我试过几次后干脆全交给 matplotlib 自动判断。4. 绘图交互与异常处理从按下按钮到看到曲线的完整链路4.1 按钮事件流与状态管理整个软件的事件流转是这样的用户输入表达式 → 点击“绘制”按钮 → 程序读取输入的字符串 → 预处理 → AST 解析 → 合法性校验 → numpy 网格采样求值 → 绘图刷新 → 状态栏更新。如果哪一步出错状态栏显示错误描述画布保持上一次的结果不变。这个“画布保持原状”是刻意的设计。有很多绘图软件在输入错误时会整个画面清空用户好不容易画好的几条曲线瞬间没了体验很糟。我把它设计成“只有成功求值才刷新画布失败只提示错误”避免误操作导致工作成果丢失。按钮与事件的绑定btn_draw tk.Button(self, text绘制, commandself.handle_draw) btn_draw.pack(sidetk.LEFT, padx5) btn_clear tk.Button(self, text清空, commandself.handle_clear) btn_clear.pack(sidetk.LEFT, padx5) def handle_draw(self): expr self.input_expr.get().strip() if not expr: self.set_status(请输入函数表达式) return try: tree validate_and_build(expr) x np.arange(...) evaluator SafeEvaluator(variables{x: x}) y evaluator.visit(tree) if np.all(np.isnan(y)): raise ExpressionError(函数在当前坐标范围内没有有效取值) self.add_curve(expr, x, y) self.set_status(f已绘制: {expr}) except ExpressionError as e: self.set_status(f错误: {e})这里有个非常容易忽略的点variables里x绑定的值直接是整个 numpy 数组。这意味着 AST 求值过程天然向量化np.sin(x)处理的是整个数组速度远超 for 循环逐点调用。这也是前文说 numpy 向量化计算的关键体现。4.2 特殊点的处理策略分母为零与负对数定义域用户不可能只画定义域良好的多项式函数。1/x、log(x)、sqrt(x)这些带定义域限制的函数在正常采样时很容易触及无定义点。x从 -10 到 10 的等距采样里0本身可能不在采样点上但-0.01和0.01处的 y 值一个负很大一个正很大图像会拉出一条脱离自然形态的竖线log(x)在负数区域直接产生 nan。处理逻辑分两层第一层numpy 函数本身具备 nan 传播能力np.log(-1)只是产生 nan 并伴随一个 RuntimeWarning不会中断程序。这个警告可以用np.errstate吞掉with np.errstate(divideignore, invalidignore): y evaluator.visit(tree)第二层把 nan 和 inf 值在渲染前过滤掉。matplotlib 绘制折线时不会画出 nan 点但会尝试连接 inf 点附近的有效区域。更稳妥的做法是手动做一次替换y np.where(np.isfinite(y), y, np.nan)这样1/x图像在 0 点左右两侧自然断开不会有多余的垂直线。自动 Y 轴范围计算时也因为这个替换避开了 inf 的干扰。4.3 图像保存与复制出图保存图片这个功能看起来小实现起来要处理一个细节matplotlib 的savefig默认保存的是 Figure 对象当前状态。如果用户在 tkinter 窗口里用工具栏缩放过了坐标轴保存出来的图片应该保留缩放后的视野还是一开始的原始视野我的选择是保留当前视野这样“看到什么就保存什么”用户心理预期不会落空def save_figure(self): file_path filedialog.asksaveasfilename( defaultextension.png, filetypes[(PNG 图片, *.png), (JPG 图片, *.jpg)] ) if file_path: self.figure.savefig(file_path, dpi200, bbox_inchestight)bbox_inchestight会自动裁剪掉图片周围的空白边距让曲线占满整个画幅。dpi200保存的图片放大看也不会产生明显锯齿。这里没有用 tkinter 自带的Image模块导出因为 matplotlib 渲染的图片质量远高于 tkinter 截图。4.4 状态栏信息与错误字典状态栏这个控件容易被忽略但实际使用中它承担了“用户反馈”的全部职责。我在页面底部放了一个只读的 Label 控件所有操作结果都实时回显。错误信息不只是简单抛出异常字段而是经过一层映射。我整理了一份常用错误提示对照表写进了使用手册用户输入示例具体错误用户看到的提示x 表达式不完整表达式语法不正确请检查括号与运算符sin()函数缺少参数函数调用参数不完整2x^2插入乘号后x^2中的^语法报错建议使用**表示乘方例如2*x**21/0ZeroDivisionError表达式中存在除数为 0 的情况y x变量名含未知符号只支持变量 x请移除等号和变量名这条对照表非常建议写进任何“源码 文档”交付的软件里。错误信息设计直接决定用户能否独立解决自己的问题。开发者自己调试时看见的是原始异常但交付给别人用的时候每一处面向用户的输出都要经过“翻译”。5. 实测与踩坑实录那些文档里不写但迟早遇到的事5.1 中文字体乱码问题matplotlib 默认字体不包含中文字符这是老生常谈但第一次跑通程序看到标题和图例全是方块的时候还是很崩溃。解决方案是手动指定支持中文的字体import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, PingFang SC] plt.rcParams[axes.unicode_minus] False第二行axes.unicode_minus经常被人漏掉。如果不设置坐标轴上的负号会显示成一条不正常的横线和中文字体混在一起看着特别难受。补充一个跨平台细节SimHei在 Windows 系统上有Linux 上不一定有Microsoft YaHei是微软雅黑Windows 和 macOS 都有较高覆盖PingFang SC是 macOS 上的苹方字体。把这些候选字体放在列表里matplotlib 会按顺序寻找第一个可用的最大化跨平台兼容。5.2 重复点击绘制导致曲线堆积多函数叠加模式下同一个表达式重复点击绘制会画出一模一样的线条并叠加图例。次数多了画布上全是同色系重叠曲线分不清哪些是重复的。我的对策是在add_curve里做了去重判断如果新表达式已经在self.plotted列表里就把旧曲线数据移除重新绘制一遍而不是再叠一条。这个逻辑不复杂但很实用写文档时也可以提醒用户“每个函数只会保留最新的曲线不会重复叠加”。5.3 高次幂函数的数值溢出画x**10这类高次幂函数时x10时 y 值是 10^10x-10时 y 值也是正的 10^10完全超出了常规坐标轴的显示范围。图像会变成一根几乎贴着 Y 轴边界的竖线其他区域全部被压扁。这不是 bug而是数学事实——高次幂函数的动态范围太宽。但从绘图软件的角度看用户体验很差。我建议对 Y 轴做一次压缩变换如果 Y 值的最大绝对值超过 10^6自动切换为对数刻度显示。matplotlib 支持set_yscale(symlog)对称对数坐标能同时显示正负大数值if np.nanmax(np.abs(y)) 1e6: self.axes.set_yscale(symlog) else: self.axes.set_yscale(linear)这个细节不写进文档用户永远只能看到一根诡异的竖线。写进文档软件的“专业感”立刻上来了。5.4 打包成 exe 时的 matplotlib 体积问题如果要把软件打包发给不装 Python 的人用PyInstaller 是最常用的工具。但 matplotlib 体积大、依赖杂直接pyinstaller -F main.py打出来的 exe 可能超过 100MB启动还慢。实测后我调整了打包命令pyinstaller -F -w \ --exclude-module numpy \ main.py等等反了。numpy 不能排除matplotlib 依赖它。正确的优化方向是排除用不到的 matplotlib 后端和功能模块pyinstaller -F -w \ --exclude-module PyQt5 \ --exclude-module scipy \ --exclude-module pandas \ main.pyPyQt5 完全用不到排除之后体积能省下几十 MB。最终 exe 会在 55MB 上下启动时间 2 秒左右还能接受。-w参数控制不弹出黑色的控制台窗口GUI 程序必加。6. 扩展方向与学习路径建议6.1 极坐标、参数方程与隐函数基础函数绘图跑通之后这个项目天然可以扩展三种更复杂的图形极坐标曲线r f(θ)把x r*cos(θ)、y r*sin(θ)代入即可参数方程x f(t)、y g(t)增加一个 t 变量输入框隐函数图像F(x, y) 0这个复杂一些通常用matplotlib.pyplot.contour提取零等值线实现这三个方向对应了 matplotlib 的三个高级绘图能力但改动量都在可控范围内。以极坐标为例只需增加一个“极坐标”模式单选按钮把 X 轴变量替换为角度 θ再在求值时同时返回 x、y 两个数组。文档里给出每个扩展的设计思路比直接加功能更有教学意义。6.2 对初学者的建议先抄后造如果你拿这份源码当练习材料我建议按这个顺序读代码先跑通main.py熟悉界面每个按钮对应的功能读expr_parser.py重点理解 AST 白名单机制这是整个项目安全性的基座再读plotter.py看 matplotlib 是怎么接收 numpy 数组完成渲染的最后回到main.py把按钮事件到函数调用的链路整体串一遍读代码不是逐行背而是回答三个问题数据从哪里来经过哪些处理最后显示到哪里这个三问分析法对任何一个绘图类工具项目都适用。动手改造的话我建议从最简单的一步开始把颜色循环表换掉改成你自己喜欢的一套配色。这个改动只影响十几行代码但完成之后你就对“源码的哪一段控制界面的哪个视觉元素”有了第一手感知。6.3 个人实际体验与最后提醒这个项目从第一版到完善最深的体会是表达式解析的安全边界值得认真对待。一个离线小工具用 eval 也能跑但养成埋雷的习惯以后做 Web 服务也是这个思路到时候面对的就是真实攻击。AST 解析只用 Python 标准库代码量和 eval 版本差不太多安全性却是两个等级。另外写配套文档的时间不要省。我最初草率写了十来行 README 就发出去后续收到使用问题全要靠聊天逐一解答。后来认真写了使用手册录入常见错误对照表时间成本花了两小时但把答疑工作量几乎降为零。源码是讲“怎么实现”的文档是讲“怎么用”和“出错了怎么办”的两者配合才是完整交付。别嫌写文档麻烦你以后回顾这个项目时会感谢当时留下的记录。