用Codex高效绘制数学建模论文图表：从数据清洗到论文级美化

先说结论：如果你正在准备数学建模竞赛，又被论文里一摞图表搞到凌晨三点还在调坐标轴，那 Codex 值得你花一小时认真试一下。我用它画 2023 国赛 C 题（蔬菜类商品的自动定价与补货决策）的图表时，从数据清洗到论文插图，整个流程比手搓 matplotlib 舒服太多了。这篇文章不是 Codex 的官方文档翻译，而是一次完整实战复盘：为什么用 Codex、怎么装、C 题到底要画哪些图、怎么把图从“能看”调到“能放进论文”，最后再把我踩过的坑全部交代干净。适合所有想用 AI 辅助建模绘图、又怕被工具反噬的同学参考。

1. 为什么我用 Codex 画论文图，而不是继续手搓 matplotlib

1.1 Codex 到底是个什么工具

Codex 是 OpenAI 出的一个命令行编程智能体，属于当下很热门的 agent 类工具。你给它一句自然语言任务，比如“把 data 文件夹里的销售数据按品类聚合，画一张按月销量折线图，中文标签，保存到 figs 目录”，它会自己写代码、运行代码、看报错信息，然后继续改到通过为止。整个过程中你可以像使唤一个实习生一样跟它对话，也可以随时打断它、纠正它。

数学建模竞赛里，我们常用的绘图方式无非三种：一是 Excel 直接插入图表，适合快速但丑，几乎不进论文；二是 Python matplotlib / seaborn 手写代码，灵活但调试耗时；三是 Origin、GraphPad 这类专业软件，功能强但处理大数据集时反而麻烦。Codex 本质上是把第二种方式的“写代码、查文档、改 bug”这个环节自动化了，让你把精力留在赛题分析和结果解释上。

对我来说，Codex 最大的价值不是“能画图”，而是“能理解画图意图”。建模论文里的图表往往需要反复调整：坐标轴范围、图例位置、字体大小、配色风格、标注显著性。手写代码时每改一处都要重新跑一遍、看效果、再改，一个图磨半小时是常事。Codex 模式下，你只需要说“把中文字体设为黑体，去掉上边框和右边框，图例放左上角，输出 300 DPI 的 PNG”，它会在几秒内完成修改。

1.2 数学建模绘图这件事，痛点到底在哪

参加过数学建模国赛的同学应该都有体会：三天的比赛时间，真正留给画图的时间可能只有半天，但论文里对图片质量的要求又特别高。每年评阅规则里都会强调“图表清晰、信息完整、排版规范”，一张模糊的、缺单位、缺图题的图，很可能直接影响评阅体验。

我整理过建模绘图的几个典型痛点：

• 数据格式乱：附件里经常是多个 Sheet、多张表，日期是文本、销量是对象类型，直接拿原始表画图必报错。
• 中文字体崩：matplotlib 默认字体不支持中文，出来的图全是方框，不设置rcParams根本没法用。
• 坐标系和单位不规范：坐标轴没有标签，刻度密度不合理，图上没有标题和数据来源说明。
• 迭代效率低：特征工程、模型调参导致的多次重跑，使得同样一张图要连续改七八版。

这些问题 Codex 都能解决一部分，尤其是“数据格式乱”和“中文字体崩”这种重复性高、又特别消耗耐心的工作，交给它会非常划算。不过我要提前打个预防针：Codex 不是你扔一句“帮我画张图”就能拿高分图的，它需要你会提需求。换句话说，你脑子里必须先有这张图的草图，Codex 只是把你的意图最快变成成品。

1.3 Codex 适合解决绘图流程里的哪些环节

结合我自己的使用经验，Codex 在建模绘图里的优势场景很明确：

• 数据探索阶段：快速画出所有变量的分布图、相关性热力图、时间序列总览，帮你建立对赛题数据的直觉。
• 批量出图阶段：同一套分析逻辑套用到不同品类、不同时间段，Codex 可以批量产出几十张图。
• 论文精修阶段：把图导出成 PDF 或高分辨率 PNG，调整字体统一、尺寸规范、配色统一。

不太适合的场景也有：比如你完全不知道自己要画什么，指望 Codex 帮你想清楚赛题思路，这是一个误区。Codex 能帮你画图，但不能替你做建模决策。你要先知道“我想表达什么”，它才能把“怎么表达”这件事做好。

2. 上手准备：把 Codex 装好并跑通一次绘图

2.1 安装前的环境准备

Codex 目前是一个命令行工具，我用的环境是 macOS，但它在 Windows 和 Linux 上也能跑。安装之前确保你的电脑满足两个基本条件：

• Node.js 18 或更高版本（Codex 本体是 npm 包，需要 Node 运行时）。
• Python 3.9 或更高版本（因为我们画图的主体是 matplotlib，建议顺手装好 pandas、numpy、seaborn）。

检查 Node 和 Python 版本很简单，终端里跑：

node -v python --version

如果你还没装 Node，去 Node 官网下一个 LTS 版本安装即可，不展开。Python 环境我推荐直接用 Anaconda 或 Miniconda，因为建模需要的库基本都预装了，省得后期一堆依赖冲突。

2.2 最简安装与登录

Codex 的安装命令非常短，用 npm 全局安装：

npm install -g @openai/codex

安装完成后，在终端输入codex回车，会进入初始化流程，核心是登录账号并完成授权。按终端里的提示操作就行，登录成功后会生成一个会话，你可以在里面直接输入任务描述。

还有一个细节：Codex 默认会执行它生成的 shell 命令，所以第一次运行某个命令时，它会弹出确认提醒，问你是否允许执行。我一般直接选“允许本次”，后面它跑起来会顺畅很多。如果你用的是国内模型服务商的 OpenAI 兼容接口，也可以在~/.codex/config.toml里单独指定模型提供方和接口地址，这样 Codex 就能用你更熟悉的模型来跑任务。

提示：Codex 本质上是一个“能碰你文件系统”的编程智能体，建议在专门的建模项目目录里使用，不要直接在系统根目录或重要项目里随便跑，防止它一顿操作把文件改坏。

2.3 用命令行把第一张图画出来

装完之后，我先在一个空目录里放了一个测试数据文件test.csv，里面就是几行模拟数据：

category,month,sales 叶菜类,2023-01,120 叶菜类,2023-02,98 茄果类,2023-01,80 茄果类,2023-02,110

然后我在终端里进入这个目录，输入codex，在交互界面里直接跟它说：

“读取 test.csv，用 matplotlib 画一张各品类月度销量折线图，中文字体用 SimHei，保存成 figs/test_trend.png。”

Codex 开始干活后，会先读取文件内容，然后写一段 Python 脚本，运行，如果报错它会看到错误信息并自动修改。大概一两分钟后，它就返回了“图片已保存”的提示。我打开figs/test_trend.png，发现图已经画好了，坐标轴、图例、标题都正常，中文没有乱码。

这一张图跑通，Codex 绘图的基础链路就算建立了。接下来就可以进入正题，开始处理 2023 国赛 C 题。

3. 2023 国赛 C 题到底要画哪些图：从赛题出发拆绘图任务

3.1 C 题背景与核心数据

2023 年高教社杯全国大学生数学建模竞赛的 C 题是“蔬菜类商品的自动定价与补货决策问题”。背景是生鲜商超里蔬菜保鲜期短，商家需要在凌晨补货时，根据历史销售数据判断第二天进多少货、定什么价，既要减少损耗，又要最大化利润。

题目给出的数据大致包括：蔬菜各品类的销售流水明细（销售日期、商品编码、商品名称、销售量、销售单价等信息）、批发价格、损耗率，以及对应的商品分类信息。年份跨度我记得是 2020 年 7 月到 2023 年 6 月，数据量不算小，处理时需要按日期、品类做聚合。

比赛的问题链路很清晰：

• 第一问：分析各品类和单品的销售总量、销售总额的分布规律及相互关系，同时分析品类销售总量与成本加成定价之间的关系。
• 第二问：给出各蔬菜品类未来一周的日补货总量和定价策略。
• 第三问：在预测基础上，把补货和定价细化到单品层面，给出完整方案。
• 第四问：结合分析提出改进建议。

从这个任务链可以看出，C 题本质上是一道“数据描述 → 规律挖掘 → 预测优化 → 决策建议”的综合题。图表的任务也就非常明确：你要通过图把数据规律、模型结果、决策方案呈现给评阅老师。

3.2 论文里真正能用得上的图

赛题论文里不是图越多越好，而是每张图都要有明确的信息指向。我结合 C 题的数据结构和评阅偏好，整理了这样一份“图表清单”：

这个清单不是绝对的，但基本覆盖了 C 题论文的插图需求。有了这个清单，你在用 Codex 的时候就不再是“乱画一通”，而是按图索骥，一张一张补齐。

3.3 先建一个规范的绘图工作目录

建模比赛时间紧张，目录乱了会直接拉低效率。我在动手分析之前先把项目目录收拾清楚，Codex 跑起来也会少很多困惑。一个典型结构是：

c_2023_codex/ ├── data/ │ ├── raw/ # 原始附件 │ └── processed/ # 清洗后的数据 ├── scripts/ # Codex 自动生成的代码 ├── figs/ # 最终论文用图 └── explore/ # 临时探索脚本

给 Codex 下指令时，我通常会明确告诉它“读取data/processed/sales_clean.csv，输出到figs/”。路径越明确，它出错越少。很多人觉得 Codex 会找文件，其实它只是根据你的描述主动去探索，但目录规范能大幅减少它找错文件、写错路径的概率。

4. Codex 绘图实战：从数据到图表全流程

4.1 让 Codex 先把数据摸清楚

拿到赛题附件后，我不急着画图，先让 Codex 做一轮“数据体检”。这一步非常重要，因为后续所有图表的正确性都建立在数据清洗之上。

我当时的指令大概是这样的：

“读取 data/raw 下的销售流水文件，检查字段名、数据类型、缺失值、日期范围，把日期统一成 datetime 类型，销售量和销售单价转成数值类型，按 商品编码、销售日期、品类 几个字段输出清洗后的汇总表，保存为 data/processed/sales_clean.csv，同时打印前 20 行数据。”

注意，这句话里我同时给了“读什么、做什么、输出什么、保存到哪”四个信息，Codex 的执行就会非常明确。它跑完后会打印出前 20 行数据，我可以快速确认字段是否正确、日期格式有没有问题、有没有离谱的缺失值。如果哪个字段被读成了对象类型，我再补一句“把销售单价里的元字去掉，转成 float”。

这一步里，Codex 比手动写代码高效的地方在于：它会自动看报错、自动尝试多种读法。比如 Excel 文件里如果存在合并单元格或者多级表头，手动写 pandas 读起来很烦，Codex 反而会自己尝试调整参数把它读进来。

4.2 按论文需求批量生成描述性图表

数据清洗完成后，我就开始根据前面那张“图表清单”批量出图。

第一张先做“各品类月度销量趋势折线图”。我给的指令是：

“基于 data/processed/sales_clean.csv，把销售日期按月聚合，统计每个品类每月的销售总量，用 matplotlib 画一张多品类折线图，横轴是月份，纵轴是销售总量，每种品类一条线，颜色要色盲友好，图例放在右下角，图片大小 10x5，保存为 figs/category_monthly_trend.png，分辨率 300 DPI。”

Codex 生成的代码大致会是下面这个路子：

import matplotlib.pyplot as plt import pandas as pd plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Noto Sans CJK SC'] plt.rcParams['axes.unicode_minus'] = False df = pd.read_csv('data/processed/sales_clean.csv') df['销售日期'] = pd.to_datetime(df['销售日期']) df['月份'] = df['销售日期'].dt.to_period('M') monthly = df.groupby(['品类', '月份'], as_index=False)['销售数量'].sum() fig, ax = plt.subplots(figsize=(10, 5)) for cat, grp in monthly.groupby('品类'): ax.plot(grp['月份'].astype(str), grp['销售数量'], label=cat) ax.set_xlabel('月份') ax.set_ylabel('销售总量') ax.set_title('各品类月度销量趋势') ax.legend(loc='lower right') plt.xticks(rotation=45) plt.tight_layout() plt.savefig('figs/category_monthly_trend.png', dpi=300, bbox_inches='tight') plt.close()

我拿到图片后看了一眼，整体没问题，但横轴刻度太密，标签全挤在一起。于是加一句：“把横轴刻度改成每 6 个月一个标签，月份标签旋转 45 度”。Codex 会很快修改并重新输出图片。

第二张画“各品类销售额占比”。我让它基于销售量和单价的乘积做月度聚合，然后画一张堆叠柱状图，这个图在第一问里能直观展示品类结构。因为数据是 6 年的，我还会让它单独截取 2022 年或者 2023 年上半年，避免图太拥挤。

4.3 多轮对话迭代优化图表

Codex 的一个核心竞争力是“多轮迭代”。我第一次让它画图时，出来的往往是“能看但不够精致”的水平，需要二次甚至三次修改。比如 2023 C 题里需要画“价格与销量关系”的散点图，我第一轮直接说：

“画一张销售单价与销售数量的散点图，横轴是单价，纵轴是销量，点的大小表示销售金额，点的颜色表示品类。”

出来的图问题很明显：数据点太多，重叠严重，几乎看不出趋势。这时候我没有重新写代码，而是补充了一句：

“把数据按单品的平均单价和平均日销量聚合，再画散点图，这样点不会重叠，顺便用颜色区分品类，并在每个品类旁边标注品类名。”

Codex 重新聚合数据后，图立刻清爽了很多。后面我又加了“用浅色圆环表示每个品类的置信椭圆”，它就真的用 matplotlib 的Ellipse加了一个椭圆，用来展示聚类特征。这个效果在论文里看起来非常专业，实际上我只花了几句话的功夫。

这里有一个我很想强调的心得：Codex 修改图的时候，不要一次给它五六条修改意见。它会执行，但如果中途有一条理解偏差，整个图可能越改越乱。我一般一轮只调整一个方面，比如第一轮只改字体，第二轮改配色，第三轮改标注，这样每一步都是可控的，出了问题也知道是哪一步造成的。

5. 论文级图表的美化与格式规范

5.1 中文字体与坐标轴规范

数学建模论文几乎都是中文写的，所以图里绝对不能出现乱码方框。Codex 虽然能根据指令设置中文字体，但前提是你得告诉它用什么字体。不同系统可用的字体不一样，我最常用的三组：

• Windows：SimHei（黑体）、Microsoft YaHei（微软雅黑）
• macOS：PingFang SC、Heiti SC
• Linux：Noto Sans CJK SC

为了让 Codex 生成的所有图都统一，我会在第一次绘图指令里就附带这样一句：

“在脚本开头设置 matplotlib 全局字体为 ['SimHei', 'Microsoft YaHei', 'Noto Sans CJK SC']，并禁用 Unicode 负号，避免负号显示为方框。”

在代码里对应的就是：

plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Noto Sans CJK SC'] plt.rcParams['axes.unicode_minus'] = False

还有一个容易被忽略的点：坐标轴的刻度数量。默认情况下 matplotlib 会自己选刻度，但建模论文里我往往希望横轴是具体的年份月份，纵轴是明确的数值区间，这时候直接用plt.xticks()或ax.set_xticks()指定刻度列表。Codex 下指令时你就说“横轴刻度设置为 2020-07 到 2023-06 每半年一个刻度”，它会帮你排好。

5.2 导出尺寸与格式

国赛论文通常要求提交 PDF 或 Word 版本，图片清不清楚，直接影响打印和评阅。我个人对于论文插图有两条硬性标准：

• 分辨率不低于 300 DPI，重要图片建议 600 DPI。
• 优先保存 PDF 或 SVG 矢量格式，方便后续排版放大缩小不失真。

用 Codex 批量出图时，我会在指令里直接要求同时导出两种格式：

“图片尺寸 8x4 英寸，保存为 figs/figure_name.png（dpi=300）和 figs/figure_name.pdf 两个版本。”

实际跑出来之后，PDF 版本我会用于最终的论文排版，PNG 版本用于平时快速预览。

另外，bbox_inches='tight'这个参数建议大家要求 Codex 默认加上。它会把图表的空白边框裁掉，让图片在论文里看起来更紧凑，不会出现四周大片留白的情况。

5.3 图表在 LaTeX 或 Word 里的最终排版

图图画得好，排版也不能拖后腿。我见过很多人 Codex 图都生成了，结果插入 Word 的时候把 PDF 直接拖进去，显示不出来，或者图片被拉伸变形。我的建议是：

• 如果是 Word 排版，优先插入 PNG，并且图片宽度统一设置为 14 厘米左右，保证版式统一。
• 如果是 LaTeX 排版，把 PDF 文件放到figs/目录，用\includegraphics引入，width=0.85\textwidth这样比较合适。
• 图片编号和图题保持统一格式，比如“图 1 各品类月度销量趋势”，图题放在图片下方，居中，字号比正文小一号。

其实这种排版细节完全可以继续交代给 Codex：比如“把这几张图都改成统一宽度、统一字号”，它虽然不能直接在 Word 里操作，但可以帮你重新生成符合版式需求的图片版本。总体上，Codex 能解决“图好看”的问题，排版“图规范”的问题还需要你自己把关。

6. 高频踩坑与排查记录

6.1 Codex 生成的代码有 bug 怎么办

Codex 虽然会自动修 bug，但偶尔也会出现“它觉得自己修好了、实际还是有问题”的情况。有一个标志性行为：它反复执行同一条命令，然后每次都显示相同的报错。这时候最有效的办法是打断它，然后明确说：

“别继续执行了，先分析当前代码和报错原因，告诉我你打算怎么改，等我说开始你再改。”

这样能让 Codex 从“盲目重试”切换到“分析模式”。我实测下来，把它从“行动模式”拉回“思考模式”后，大部分 bug 都能被它自己定位到，比如数据类型不对、列名写错、目录不存在等等。

6.2 数据量大时数据读取慢、图表卡顿

C 题的销售流水数据量不小，如果直接让 Codex 读原始明细再逐行绘图，代码跑起来会非常慢，有时候一张图要卡好几分钟。我的处理办法是先把数据聚合好，生成一层“分析用的中粒度数据”，再让 Codex 基于聚合后的数据画图。

具体来说，我在数据清洗阶段就让 Codex 先生成几个中间文件：

• sales_daily_by_category.csv：按日期、品类聚合的日销量
• sales_monthly_by_category.csv：按月份、品类聚合的月销量
• item_summary.csv：按单品聚合的平均价格、总销量、销售额

后面只要画图就基于这些 CSV，画图速度从几十秒降到一两秒。Codex 跑得顺畅，我有更多时间看图的含义。

6.3 图片不符合论文要求时的补救技巧

如果 Codex 生成的图片整体没问题，但就是有些细节过不去，比如单位没标、图例太小、颜色太艳，不要重新画，直接针对细节下指令。Codex 对“微调”类指令的响应往往比“重新画”更好。

我常用的微调指令包括：

• “把图例字号改成 9，坐标轴标签字号改成 11，标题字号改成 12 加粗。”
• “纵轴单位是‘件（万）’，在坐标轴标签里标明。”
• “把边框去掉，只保留左轴和下轴。”
• “每个柱子顶部标上具体数值，保留一位小数。”

一轮只给一两条，改完保存，打开看看，再继续下一轮。这样五六个来回之后，图片基本就能达到直接放进论文的水平。

6.4 常见问题与排查速查表

这个速查表是我用 Codex 绘图这段时间沉淀出来的最实用内容。碰到问题先查表，比反复试错效率高得多。

还有一个独家经验：Codex 在绘图时默认生成的配色是 matplotlib 的经典配色，虽然不难看，但放论文里显得不够高级。我通常会让它使用一套固定色系，比如“低饱和度的蓝、橙、绿、红四色”，或者一句话让它是用 seaborn 的deep配色方案。统一色系之后，全篇论文的图片放在一起会非常协调，这个细节在评阅时很加分。

最后再分享一个小技巧

如果你准备在正式比赛里用 Codex 绘图，我建议你在赛前先花一个晚上，把自己要画的图表类型列一遍，然后批量写一些“绘图 prompt 模板”。比如“读取某 CSV，画某品类的销量趋势，保存到某目录，中文字体统一，300 DPI”，这些模板在比赛当天可以直接复用，省下大量现场组织语言的时间。

我自己在实际操作中最深的体会是：Codex 不是替你画图的，而是替你实现画图意图的。你对赛题理解得越透、对图表想要表达的内容越清楚，Codex 给你带来的效率提升就越夸张。反过来，如果脑子里的图还是糊的，那 Codex 再强也画不出能用的论文图。先想清楚再让 Codex 动手，这句话值得刻在比赛桌面上。