前言：

由于写论文需要测试算法的效率，所以需要使用某画图工具来将算法（分布式共识算法）的效率体现出来，本人一开始想到的是使用MATLAB，然后先不说其安装有多麻烦，仅仅是大小，我这个苏菲婆就顶不住了，然后问了问师姐，师姐：Python。嗯。

用需要用到三个库：
• numpy
• matplotlib
• scipy
具体的作用就不介绍了，懂得都懂，但是安装只要安装后面两个就好了，matplotlib包含numpy

安装：

因为本人使用的是conda环境，所以在安装前先将一些东西升级

conda update conda
conda update anaconda
conda update anaconda-navigator    //update最新版本的anaconda-navigator

然后进入已经创建的环境，再安装matplotlib：

conda install matplotlib
conda install scipy

安装完成后开始测试（也可以省略这个步骤，我这段代码已经没了…或者你可以直接跑下面的代码，一样的）：

说明你的一切都已经就绪了，剩下的就只要按照自己的需求画出对应的图即可。

代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import make_interp_spline
 
# 两个是配置代码，第一行表示，允许使用中文，第二个表示允许使用负数
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
 
# 这三个表示就跟名字一样，标识作用
plt.title("Four Nodes State")
plt.xlabel("Time(sec)")
plt.ylabel("State xi i=0,1,...4")
 
# 这个前两参数表示横坐标的开始和结尾，第三个参数表示你要分成多少份
x = np.linspace(0, 10, 1000)
 
 
# 下面是节点个状态信息，一定要使用numpy自带的array，不然会出错
node1State = np.array([-4, -3, -2, -1, 0, 1, 2, 1, 0, -1, 0, 1, 0, -1, 0, 1, 0, -1, 0, 1, 0])
times = np.array([0, 0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4, 4.5, 5, 5.5, 6, 6.5, 7, 7.5, 8, 8.5, 9, 9.5, 10])
 
# 这个就是最重要的平滑操作了，要是不使用这个操作的话，画出来的就是点和点之间的直线
model0 = make_interp_spline(times, node1State)
ys0 = model0(x)
 
# 给每条线设定颜色，和添加label，linestyle表示你要使用曲线的样式，有多少种网上有
plt.plot(x, ys0, color='red', label='Node 0', linestyle='-.')
 
# legend() 函数只有在你需要使用laber 这个参数的时候才会用到
plt.legend()
plt.show()

上述代码跑出来图如下：

问题：

至于节点数据的问题，我这里就是使用现成的数据，因为本人是使用golang来跑算法的，但是golang画图的库真的能让人哭出来，所以就直接跑算法的时候将相关数据存取来，然后在导入到Python这边。
其他问题，实力有限，确实爱莫能助。

参考：

https://www.delftstack.com/zh/howto/matplotlib/matplotlib-plot-smooth-curve/
https://blog.csdn.net/TeFuirnever/article/details/88944438
https://blog.csdn.net/weixin_40683253/article/details/87367437
https://www.runoob.com/numpy/numpy-matplotlib.html
https://blog.csdn.net/cdqn10086/article/details/70143616