Matlab地图可视化实战：用scatter与plot实现数据空间分布与关联分析-育师

1. 项目概述：从数据到洞察，地图可视化的核心价值

在地理信息分析、区域经济研究、物流路径规划乃至社会科学调查中，我们常常会面对一组带有地理位置坐标的数据点。这些数据可能是全国各城市的GDP、一条河流沿途的水质监测值、多个物流仓库之间的运输量，或者是一系列历史事件的发生地。单纯看表格里的经纬度和数值是枯燥且低效的，人的大脑更擅长处理图形信息。这时，将数据“落”在地图上，用散点的大小或颜色表示数值，用连线表示关联或路径，就能瞬间让数据“活”起来，揭示出空间分布规律、区域差异和动态联系。

Matlab作为强大的科学计算与数据可视化平台，无疑是完成这项任务的利器。它内置了丰富的地图工具箱和灵活的图形函数，让我们无需依赖专业GIS软件，就能在熟悉的编程环境中实现从数据读取、处理到高级地图绘制的全流程。本次分享的核心，就是围绕plot、scatter、struct和xlsread这几个函数，手把手带你构建一个完整的地图散点连线图项目。无论你是进行学术研究、工程项目还是数据分析，掌握这套方法都能让你在呈现空间数据时更加得心应手。我们将从最基础的数据准备开始，逐步深入到自定义可视化效果的每一个细节，并分享我在多年使用中积累的、在官方文档里找不到的实战技巧和避坑指南。

2. 核心思路与工具选型：为什么是Matlab和这些函数？

在开始敲代码之前，理清整个项目的技术脉络和选型理由至关重要。这决定了我们工作的效率和最终成果的专业性。

2.1 为什么选择Matlab进行地图可视化？

首先，我们需要明确，市面上有QGIS、ArcGIS等专业地理信息系统，也有Python的geopandas、folium库，为何还要用Matlab？答案在于集成度、计算深度和定制灵活性。如果你的工作流核心是复杂的数学模型、信号处理或仿真计算，数据本身就产自Matlab环境，那么直接在Matlab内完成可视化可以避免繁琐的数据导出导入，保证数据处理链条的完整性。其次，Matlab的图形系统（Handle Graphics）允许对图元的每一个属性进行像素级控制，从线型、标记符号到色彩映射，都能实现高度定制化，这对于发表高质量学术图表尤为重要。最后，对于熟悉Matlab语法和矩阵操作的用户来说，其学习曲线相对平缓，可以快速上手。

2.2 核心函数角色解析

我们的项目标题点名了四个函数，它们在整个流程中扮演着不同角色，构成了一个高效协作的“流水线”：

xlsread：数据搬运工。我们的原始数据通常存储在Excel或CSV文件中，xlsread函数负责将磁盘上的表格数据读入Matlab工作空间，转换为我们可以直接操作的数值矩阵或元胞数组。它是整个项目的起点，数据读取的准确性和效率直接影响后续所有步骤。
struct：数据建筑师。从文件读入的原始数据往往是扁平的矩阵。为了更清晰地管理不同类型的数据（如城市名、经度、纬度、经济指标），我们使用struct（结构体）来构建一个层次化的数据容器。这就像为数据建造了一栋有清晰房间分类的房子，访问和管理起来逻辑清晰，不易出错。
scatter：分布描绘者。这是绘制散点图的核心函数。与plot函数主要绘制连线不同，scatter专精于绘制离散点，并且其核心优势在于可以非常方便地将第三维数据（如人口、温度）映射到每个点的大小（SizeData）和颜色（CData）上。这使我们能在一张二维地图上同时展示三个甚至四个维度的信息（X，Y，大小，颜色）。
plot：关系连接者。当我们需要展示点与点之间的关联，例如交通路线、迁移轨迹、关联关系时，plot函数就登场了。它负责用线条将这些散点连接起来。通过精细控制线型、颜色和宽度，我们可以表达出关系的强弱、方向或类型。

这个组合的逻辑是：xlsread导入原料，struct整理和归类原料，scatter将原料塑造成具有大小颜色特征的“点”，plot则在点之间搭建“关系桥梁”。整个流程清晰、模块化，易于调试和扩展。

注意：在较新版本的Matlab（R2019a以后）中，官方推荐使用readtable或readmatrix来替代xlsread，因为它们功能更强大、性能更好且返回更易用的表格（table）数据类型。但考虑到大量遗留代码和教程仍在使用xlsread，且其语法简单直观，本文仍以其为例进行讲解，但会在关键处指出现代做法的优势。

3. 数据准备与结构化：从混乱表格到清晰结构体

万事开头难，数据准备是可视化项目中最耗时但也最基础的一环。处理得好，后续编码顺风顺水；处理得差，则bug频出。

3.1 使用xlsread读取Excel数据

假设我们有一个名为city_data.xlsx的Excel文件，其中包含以下几列：CityName（城市名），Longitude（经度），Latitude（纬度），GDP（GDP数值），Population（人口）。我们的目标是读取这些数据。

% 使用 xlsread 读取数据 % 语法：[num, txt, raw] = xlsread(filename, sheet, range) [num, txt, raw] = xlsread('city_data.xlsx');

这里需要详细解释一下输出：

num：一个数值矩阵，包含了Excel中所有可识别为数字的单元格。如果某单元格是文本，则在num中对应位置为NaN。在我们的例子中，Longitude,Latitude,GDP,Population这几列会进入num。
txt：一个文本元胞数组，包含了Excel中所有可识别为文本的单元格。CityName这一列会在这里。
raw：一个元胞数组，包含了指定范围内所有单元格的原始内容，数字和文本混合。当数据格式复杂时，直接处理raw有时更稳妥。

一个更精准的读取方式是分别读取文本和数字列：

% 假设数据从A1单元格开始，且我们知道各列顺序 % 读取文本列（第一列：城市名） [~, city_names] = xlsread('city_data.xlsx', 'A:A'); % 读取A列 city_names = city_names(2:end); % 去掉标题行 % 读取数字列（B到E列：经度、纬度、GDP、人口） num_data = xlsread('city_data.xlsx', 'B:E'); longitude = num_data(:, 1); latitude = num_data(:, 2); gdp = num_data(:, 3); population = num_data(:, 4);

实操心得1：处理表头与缺失值xlsread默认会将第一行识别为数据的一部分。如果你的Excel第一行是表头，记得像上面代码一样用(2:end)将其剔除。另外，Excel中的空单元格或非数值内容在num中会变成NaN。在后续计算（如归一化）前，一定要用isnan函数检查并处理这些NaN值，否则会导致绘图错误或计算失效。常见的处理方法是删除该行数据或用均值/中位数填充。

3.2 使用struct构建清晰的数据容器

现在我们有了一堆独立的变量：city_names,longitude,latitude等。管理起来很不方便，尤其是当城市数量很多时。这时，使用结构体（struct）将它们打包是最佳实践。

% 方法1：逐个字段赋值 cityData = struct(); % 创建一个空结构体 for i = 1:length(city_names) cityData(i).Name = city_names{i}; cityData(i).Lon = longitude(i); cityData(i).Lat = latitude(i); cityData(i).GDP = gdp(i); cityData(i).Pop = population(i); end % 方法2：使用结构体数组（更高效，尤其数据量一致时） % 前提：所有向量长度相同 cityData = struct('Name', city_names, ... 'Lon', num2cell(longitude), ... % 将数值向量转换为元胞数组 'Lat', num2cell(latitude), ... 'GDP', num2cell(gdp), ... 'Pop', num2cell(population));

我更推荐方法2，它更简洁高效。现在，cityData就是一个N×1的结构体数组（N为城市数量）。你可以通过cityData(1).Name访问第一个城市的名字，通过[cityData.GDP]获取所有GDP值组成的向量。这种组织方式逻辑清晰，极大地增强了代码的可读性和可维护性。

实操心得2：为结构体添加计算字段结构体的强大之处在于可以动态添加字段。我们可以在数据预处理阶段，直接为每个城市计算一些衍生指标并存入结构体，例如人均GDP：

for i = 1:length(cityData) cityData(i).GDP_per_Capita = cityData(i).GDP * 1e8 / cityData(i).Pop; % 假设GDP单位是亿元，换算为人均元 end

这样，所有原始数据和衍生数据都封装在cityData这个对象里，后续绘图时调用非常方便。

4. 基础地图绘制与散点图叠加

有了结构化的数据，我们就可以开始绘制地图了。Matlab绘制地图主要有两种思路：使用Mapping Toolbox中的专业函数，或使用普通二维坐标“模拟”地图。

4.1 绘制底图：世界地图或区域地图

如果你有Mapping Toolbox，绘制一个基础世界地图非常简单：

figure('Position', [100, 100, 1200, 600]); % 创建一个指定位置和大小的图形窗口 ax = worldmap('World'); % 创建世界地图坐标系 setm(ax, 'Origin', [0 180 0]); % 设置地图中心（可选） land = shaperead('landareas', 'UseGeoCoords', true); % 读取陆地形状文件 geoshow(ax, land, 'FaceColor', [0.9 0.9 0.8]); % 显示陆地，填充浅灰色

如果没有Mapping Toolbox，或者你只需要展示一个相对位置关系（例如中国主要城市），一个常见的技巧是直接使用plot或scatter在二维笛卡尔坐标系中绘制，将经度作为X轴，纬度作为Y轴。这时，你需要一张简单的边界线数据（可以从公开数据集获取经纬度对）来勾勒出区域轮廓。

% 假设 load_china_border.mat 文件中包含了中国边界的经纬度 lon_border, lat_border load('china_border.mat'); figure; plot(lon_border, lat_border, 'k-', 'LineWidth', 1.5); % 绘制黑色边界线 hold on; % 非常重要！保持当前图形，以便后续叠加散点 axis equal; % 使X轴和Y轴比例尺相同，防止地图变形 xlabel('Longitude (degrees)'); ylabel('Latitude (degrees)'); title('Base Map of China'); grid on;

4.2 使用scatter绘制高级散点图

现在，在已经hold on的地图底图上，我们用scatter来添加城市数据点。scatter的强大之处在于其SizeData和CData参数。

% 从结构体中提取数据 lons = [cityData.Lon]; lats = [cityData.Lat]; gdp_vals = [cityData.GDP]; pop_vals = [cityData.Pop]; % 将人口数据归一化到合适的标记大小范围，例如 [20, 300] minSize = 20; maxSize = 300; pop_normalized = (pop_vals - min(pop_vals)) / (max(pop_vals) - min(pop_vals)); % 归一化到[0,1] sizes = minSize + pop_normalized * (maxSize - minSize); % 映射到[minSize, maxSize] % 将GDP数据归一化，用于颜色映射 gdp_normalized = (gdp_vals - min(gdp_vals)) / (max(gdp_vals) - min(gdp_vals)); % 使用jet色彩映射，将归一化的GDP值映射为颜色 colormap_jet = colormap('jet'); % 获取jet色图矩阵 color_indices = max(1, min(64, round(gdp_normalized * 63 + 1))); % 将[0,1]映射到[1,64]的索引 point_colors = colormap_jet(color_indices, :); % 获取每个点对应的RGB颜色 % 绘制散点图：点的大小代表人口，颜色代表GDP scatter_handle = scatter(lons, lats, sizes, point_colors, 'filled', 'MarkerEdgeColor', 'k', 'LineWidth', 0.5); % 添加颜色条，说明颜色与GDP的对应关系 cbar = colorbar; cbar.Label.String = 'GDP (Normalized)'; % 为了更直观，可以设置颜色条的刻度标签为实际GDP值 cbar.Ticks = linspace(0, 1, 6); % 在0到1之间设置6个刻度 cbar.TickLabels = compose('%.1f', linspace(min(gdp_vals), max(gdp_vals), 6)); % 将刻度标签改为实际GDP值 % 添加图例说明点的大小（这需要一些技巧，因为scatter本身不直接支持大小图例） % 一种方法是创建几个不可见的散点图作为图例句柄 hold on; legend_handles = []; legend_labels = {}; pop_levels = [min(pop_vals), median(pop_vals), max(pop_vals)]; size_levels = [minSize, (minSize+maxSize)/2, maxSize]; for i = 1:3 h = scatter(NaN, NaN, size_levels(i), [0.5 0.5 0.5], 'filled', 'MarkerEdgeColor', 'k'); % 灰色点 legend_handles = [legend_handles, h]; legend_labels = [legend_labels, sprintf('Pop: %.0f万', pop_levels(i)/1e4)]; % 假设人口单位是“人”，转换为“万” end lgd = legend(legend_handles, legend_labels, 'Location', 'northeastoutside'); title(lgd, 'Population');

这段代码实现了信息密度极高的可视化：点的位置是城市地理位置，大小代表人口规模，颜色深浅代表GDP高低。一张图同时传达了三个关键维度的信息。

实操心得3：色彩与大小的艺术

色彩映射选择：jet色图虽然对比强烈，但在表示顺序数据时，中间色调（青色、黄色）的感知顺序可能不直观。对于像GDP这样的顺序数据，更推荐使用parula、viridis或plasma等感知均匀的色图（Matlab R2014b+支持parula）。对于分类数据，可以使用lines或hsv。
大小映射范围：标记大小的最小值（minSize）不要设为0，否则点会看不见。最大值（maxSize）也要根据图形窗口大小和点的密度来调整，避免点之间过度重叠。
处理重叠点：当点非常密集时，可以尝试设置MarkerEdgeAlpha（标记边缘透明度）和MarkerFaceAlpha（标记面透明度）属性为小于1的值（如0.7），制造半透明效果，以显示重叠情况。例如：scatter(..., 'filled', 'MarkerFaceAlpha', 0.7)。

5. 添加连线图揭示空间关系

散点图展示了分布，连线图则能揭示连接、路径或序列关系。例如，我们要展示一条假设的“经济走廊”或主要物流干线，连接几个核心城市。

5.1 使用plot绘制连线

假设我们从cityData中选取了索引为[1, 5, 8, 12]的四个城市，想要用一条线将它们按顺序连接起来。

% 确定需要连线的城市索引 route_indices = [1, 5, 8, 12]; % 提取这些城市的经纬度 route_lons = lons(route_indices); route_lats = lats(route_indices); % 使用plot绘制连线 % 'o-' 表示线上同时带有圆形标记，'LineWidth'控制线宽，'Color'控制颜色 plot_handle = plot(route_lons, route_lats, 'o-', ... 'LineWidth', 2.5, ... 'Color', [0.85, 0.33, 0.10], ... % 一种橙色 'MarkerSize', 10, ... 'MarkerFaceColor', [1, 0.5, 0], ... % 标记填充色 'MarkerEdgeColor', 'k'); % 可以在连线节点（城市）上添加标签 for i = 1:length(route_indices) idx = route_indices(i); % 使用text函数在点的右上方添加城市名 % 稍微偏移一点，避免文字和点重叠 text(route_lons(i) + 0.2, route_lats(i) + 0.1, cityData(idx).Name, ... 'FontSize', 10, 'FontWeight', 'bold', 'Color', 'blue'); end

5.2 绘制复杂网络或多条连线

有时我们需要展示的不是一条简单的折线，而是一个网络，比如城市间的航班连接。这时需要构建一个邻接矩阵或边列表。

% 假设我们有一个NxN的邻接矩阵`connectivity_matrix`，其中connectivity_matrix(i,j)=1表示城市i和j有连接 % 或者有一个Mx2的边列表`edge_list`，每一行是一对相连城市的索引 % 方法：遍历所有连接并绘制 figure; % 在新图上演示，或继续在之前的地图上 hold on hold on; % 先绘制所有城市散点（灰色，小点） scatter(lons, lats, 30, [0.7 0.7 0.7], 'filled'); % 假设使用边列表 edge_list for k = 1:size(edge_list, 1) city1_idx = edge_list(k, 1); city2_idx = edge_list(k, 2); % 绘制一条从city1到city2的线 plot([lons(city1_idx), lons(city2_idx)], ... [lats(city1_idx), lats(city2_idx)], ... 'b-', 'LineWidth', 0.5, 'Color', [0, 0.45, 0.74, 0.3]); % 使用带透明度的颜色 end % 再绘制一次散点，使点在线条之上（更清晰） scatter(lons, lats, 50, [0.2 0.6 1.0], 'filled', 'MarkerEdgeColor', 'k');

实操心得4：优化连线可视化的技巧

避免线条杂乱：当连线非常多时，图形会变得一团糟。解决方案有：1) 使用浅色和低透明度（如上例中的[0, 0.45, 0.74, 0.3]，最后一个参数0.3是Alpha透明度），使重叠线条区域颜色加深，自然突出连接密集区。2) 只绘制权重（如流量）高于某个阈值的连接。3) 使用曲线（如plot的-是直线，可以尝试用spline插值绘制曲线）或使用graph和plot函数绘制力导向布局图，但这已超出简单地图范围。
添加箭头表示方向：如果连线有方向（如货物运输方向），可以使用quiver函数绘制箭头。但需要将经纬度坐标转换为平面坐标（如果地图投影不是等距的，这很复杂），或者在简单二维图上直接使用。一个更简单的方法是用plot画线，然后在终点用scatter画一个三角形标记。
交互式探索：对于复杂网络，静态图可能不够。可以考虑使用uicontrol创建简单的GUI，让用户通过下拉菜单筛选显示特定类型的连线，或者使用Brush/Select Data工具进行交互式高亮。

6. 集成与美化：打造出版级图表

将散点图和连线图组合后，我们还需要进行一系列美化工作，让图表不仅正确，而且美观、专业。

6.1 坐标轴与比例尺调整

% 确保地图比例正确，避免拉伸 axis equal; % 等比例坐标轴，这是地图可视化的关键！ axis tight; % 使坐标轴紧贴数据范围 % 根据数据范围手动设置坐标轴范围，留出一些边距 lon_margin = (max(lons) - min(lons)) * 0.05; lat_margin = (max(lats) - min(lats)) * 0.05; xlim([min(lons)-lon_margin, max(lons)+lon_margin]); ylim([min(lats)-lat_margin, max(lats)+lat_margin]); % 添加网格和坐标轴标签 grid on; box on; % 显示坐标轴边框 xlabel('Longitude (\circ)'); % 使用LaTeX语法显示度数符号 ylabel('Latitude (\circ)'); title('Economic Distribution and Major Corridors', 'FontSize', 14, 'FontWeight', 'bold');

6.2 添加图例、指北针与比例尺

对于专业地图，指北针和比例尺是重要元素。Matlab Mapping Toolbox中有northarrow和scaleruler函数。如果没有，可以手动绘制简单的替代品。

% 添加一个简单的指北针（绘制在图形角落） % 假设在图形右上角添加 ax_pos = get(gca, 'Position'); % 获取当前坐标轴位置 % 创建一个新的坐标轴用于绘制指北针 north_ax = axes('Position', [ax_pos(1)+ax_pos(3)-0.1, ax_pos(2)+ax_pos(4)-0.1, 0.05, 0.05]); axis off; % 隐藏坐标轴 % 绘制一个简单的箭头 annotation('arrow', [0.9 0.9], [0.9 0.85], 'HeadWidth', 10, 'HeadLength', 10); text(0.5, 0.2, 'N', 'HorizontalAlignment', 'center', 'FontWeight', 'bold', 'Parent', north_ax); delete(north_ax); % 删除这个临时坐标轴，箭头和文字会保留 % 添加比例尺文本（简化版，假设是等经纬度投影，比例尺是近似的） % 计算地图中心点附近1度经纬度对应的近似公里数（赤道上1度经度约111km，1度纬度约111km） approx_km_per_degree = 111; scalebar_km = 500; % 想显示500km的比例尺 scalebar_degree = scalebar_km / approx_km_per_degree; % 在图形左下角绘制一条线段和文字 hold on; plot([min(lons)+lon_margin, min(lons)+lon_margin+scalebar_degree], ... [min(lats)+lat_margin, min(lats)+lat_margin], ... 'k-', 'LineWidth', 3); text(min(lons)+lon_margin+scalebar_degree/2, min(lats)+lat_margin-0.2*lat_margin, ... sprintf('%d km', scalebar_km), 'HorizontalAlignment', 'center', 'FontSize', 9);

6.3 图形导出与保存

最后，将精心绘制的图表导出为高分辨率图片，用于报告或出版物。

% 设置图形窗口的渲染器和分辨率 set(gcf, 'Renderer', 'painters'); % 对于矢量图形（线条、文字）多的图，'painters'渲染器效果更好 % set(gcf, 'Renderer', 'opengl'); % 对于带透明度、复杂光照的3D图，'opengl'更好 % 保存为PNG（位图，高分辨率） print('-dpng', '-r600', 'my_map_plot.png'); % '-r600' 设置分辨率为600 DPI % 保存为PDF（矢量图，无限缩放，印刷质量最佳） print('-dpdf', '-bestfit', 'my_map_plot.pdf'); % 保存为FIG文件（Matlab原生格式，可后续编辑） savefig('my_map_plot.fig');

实操心得5：导出图片的坑与技巧

分辨率与尺寸：-r600参数中的600是DPI（每英寸点数）。印刷标准通常是300 DPI，屏幕显示72-150 DPI即可。更高的DPI意味着更大的文件尺寸和更清晰的细节。使用-bestfit选项可以让PDF自动适应图形内容。
背景透明：如果想让图片背景透明（便于嵌入其他文档），可以在保存前设置图形背景色为none：set(gcf, 'Color', 'none');保存时使用-transparent选项（适用于PDF和PNG）：print('-dpng', '-r300', '-transparent', 'plot.png');。
字体嵌入：保存为PDF时，如果使用了非系统默认字体，可能需要确保字体被嵌入。Matlab通常会自动处理。如果发现字体在别的电脑上显示不正确，可以尝试将文字转换为曲线（图形对象），但这会失去可编辑性。
FIG文件：务必保存.fig文件！它是可编辑的源文件，包含了所有图形对象和数据。当你需要修改一个标签颜色或调整图例位置时，重新运行脚本可能很麻烦，直接打开.fig文件在图形窗口中编辑则非常方便。

7. 常见问题与排查技巧实录

在实际操作中，你一定会遇到各种意想不到的问题。下面是我总结的一些典型“坑”及其解决方法。

7.1 数据读取与预处理问题

问题1：xlsread读取中文或特殊字符时出现乱码。

原因：文件编码与Matlab会话编码不匹配。
解决：
1. 尝试使用readtable函数，它通常有更好的编码处理能力：dataTable = readtable('city_data.xlsx', 'FileEncoding', 'UTF-8');。
2. 在Excel中另存为文件时，选择“CSV UTF-8 (逗号分隔)(*.csv)”格式，然后用readtable读取CSV文件。
3. 对于顽固乱码，可以尝试在Windows系统下，使用[~, ~, raw] = xlsread('file.xlsx', -1);，-1模式会以交互方式打开Excel，有时能绕过编码问题。

问题2：数据中包含非数值单元格（如“N/A”、“--”），导致数值矩阵num中出现大量NaN。

解决：

% 读取原始数据 [num, txt, raw] = xlsread('data.xlsx'); % 找到num中为NaN的位置 nan_mask = isnan(num); % 策略1：删除包含NaN的行（如果整行数据无效） valid_rows = all(~nan_mask, 2); % 找出所有列都不是NaN的行 num_clean = num(valid_rows, :); txt_clean = txt(valid_rows, :); % 策略2：用列均值填充NaN（如果只是个别缺失） for col = 1:size(num, 2) col_data = num(:, col); col_mean = mean(col_data, 'omitnan'); col_data(isnan(col_data)) = col_mean; num(:, col) = col_data; end

7.2 图形绘制与显示问题

问题3：散点图上的点大小或颜色没有按预期变化。

排查步骤：
1. 检查数据范围：用于映射大小和颜色的数据（如pop_vals,gdp_vals）是否包含异常值（极大或极小）？异常值会压缩正常数据的动态范围，导致大部分点看起来大小颜色差不多。使用min(),max(),histogram()检查数据分布。
2. 检查归一化过程：确保归一化公式正确。(x - min(x)) / (max(x) - min(x))会将数据缩放到[0,1]。如果max(x) == min(x)（即所有值相同），分母为零会导致错误。
3. 检查scatter参数：scatter(x, y, sz, c)中，sz可以是标量（所有点一样大）或与x等长的向量。c可以是颜色字符串（所有点同色）、RGB三元组矩阵（Nx3）或向量（此时颜色取自当前色图）。确认你传递的参数格式正确。
4. 检查图形窗口：有时图形渲染需要刷新。尝试在绘图命令后添加drawnow。

问题4：使用hold on后，之前绘制的底图（如地图边界）被散点图覆盖或遮挡。

原因：Matlab中图形对象的绘制顺序（堆叠顺序）会影响显示。后绘制的对象默认显示在先绘制的对象之上。

解决：调整对象的Children顺序或使用uistack函数。

% 假设 ax 是地图坐标轴 % 先绘制底图 h_basemap = plot(lon_border, lat_border, 'k-'); hold on; % 再绘制散点 h_scatter = scatter(...); % 如果散点挡住了底图，将底图提到最前面 uistack(h_basemap, 'top'); % 或者，更直接地控制绘制顺序：先画散点，再画底图边框（如果边框是线，通常不会被完全遮挡）

问题5：保存的图片（尤其是PDF）中文字体错位或变成图片。

原因：Matlab在导出PDF时，默认会将部分字体转换为轮廓，或者字体未正确嵌入。
解决：
1. 在保存前，将图形渲染器设置为painters：set(gcf, 'Renderer', 'painters');。这是最常用的矢量导出渲染器。
2. 检查并设置图形和坐标轴的字体为系统常用字体（如Arial, Helvetica, Times New Roman）。
3. 尝试使用exportgraphics函数（R2020a及以上），它对PDF导出有更好的控制：exportgraphics(gcf, 'plot.pdf', 'ContentType', 'vector');。
4. 如果问题依旧，最后的办法是将文字也转换为图形对象（但会失去文本编辑属性）：在保存为PDF后，用Adobe Illustrator等软件打开，将文字创建轮廓。

7.3 性能优化问题

问题6：当散点数量极大（超过1万个）时，绘图和交互卡顿。

解决：
1. 数据抽样：如果可行，在可视化前对数据进行下采样。
2. 使用scatter的优化模式：对于大量简单散点（颜色、大小单一），使用plot函数可能更快：plot(x, y, '.')。
3. 简化标记：避免使用复杂的标记符号（如'pentagram'），使用'.'或'o'。
4. 关闭抗锯齿：在绘图前设置set(gcf, 'GraphicsSmoothing', 'off');，但这会降低图形质量。
5. 考虑使用gscatter或自编函数：对于分类数据，gscatter可能更高效。对于极大数据集，可以考虑将数据分块，使用image或pcolor以图像形式显示密度。

问题7：循环绘制大量连线（如网络图）速度极慢。

解决：绝对避免在循环内调用plot绘制单条线段。这是最常见的性能瓶颈。

向量化绘制：将所有连线的起点和终点坐标收集到两个矩阵中，使用单个plot调用绘制所有线。

% 假设 edge_list 是 Mx2 的连接索引，lons, lats 是坐标向量 x_lines = [lons(edge_list(:,1)); lons(edge_list(:,2)); NaN(1, size(edge_list,1))]; y_lines = [lats(edge_list(:,1)); lats(edge_list(:,2)); NaN(1, size(edge_list,1))]; % x_lines 和 y_lines 现在是 3xM 的矩阵，每列是 [x1; x2; NaN] plot(x_lines(:), y_lines(:), 'b-'); % 一次性绘制所有线段，NaN用于分隔线段

这种方法将M次plot调用减少为1次，性能提升巨大。

地图散点连线图的绘制，从数据读取到最终美化导出，是一个环环相扣的过程。每个环节的细节处理都直接影响最终成果的专业程度。我个人的体会是，可视化工作80%的时间花在数据清洗和结构设计上，真正的绘图代码可能只占一小部分。养成使用struct或table规范管理数据的好习惯，能让你在后续的调试和功能扩展中事半功倍。另外，不要满足于画出图形，要多思考如何让图形“说话”——如何通过颜色、大小、连线、标注等视觉元素的精心设计，最清晰、最准确地传达数据背后的故事。最后，务必保存好每一步的源代码和中间数据（.m和.mat文件），并使用版本控制（如Git）进行管理，这在长期项目或协作中至关重要。当你需要复现三个月前的某张图，或者根据审稿意见修改某个颜色时，你会感谢当初这个规范的自己。