模拟3D细胞-Python工程化从0到可部署的多细胞模拟器（三）

下面直接给你第6章：可视化与后处理（Matplotlib / PyVista、指标曲线、导出视频/动画）的完整正文风格（工程可复现版），默认沿用你前面已经落盘的cells 快照 + metrics.csv管线（你在第3章里已经把“指标与快照落盘”作为核心能力之一了 ，并且路线里明确写了“Matplotlib 离线帧 → PyVista 交互/视频” ，本章就是把它写成“能出图、能出视频、能复现实验对比”的闭环 ）。

第6章 可视化与后处理：指标体系、轨迹回放、帧渲染、导出视频/动画

本章目标（工程向）：

1. 统一输出口径：每次 run 的目录结构固定，后处理脚本“拿到 run_dir 就能画图/出视频”。

2. 指标曲线：从metrics.csv自动生成对比友好的曲线图（带平滑/置信区间可选）。

3. 几何回放：从cells_*.npz（或你保存的快照格式）生成：

   • Matplotlib：快速离线帧（适合 CI / 无界面服务器）
   • PyVista：更“像真的”3D 渲染（可交互、可导出 mp4/gif）

4. 导出视频/动画：一键python scripts/render_video.py --run outputs/xxx。

依赖提醒：你前面工程化里已经把matplotlib作为项目依赖之一 ；PyVista/VTK、ffmpeg 建议在“可选依赖”或 extra 里放（部署章节再写）。

6.1 运行目录约定：让后处理“零猜测”

强烈建议每次 run 生成类似结构：

outputs/ 2026-02-22_15-03-10_seed123/ config.yaml meta.json metrics.csv snapshots/ cells_000000.npz cells_000010.npz ... field/ # 如果你第5章开了 RD 场 oxygen_000000.npz ... renders/ metrics.png trajectory.png pvista.mp4 mpl.mp4

关键原则：后处理只依赖 run_dir 内的相对路径，不要依赖“当前工作目录”或“手动传一堆参数”。

6.2 指标体系：你到底要画哪些曲线？

你可以先把metrics.csv设计成“列名稳定、可扩展”的表：

最低配（MVP）建议列：

• step,time
• n_cells
• mean_radius
• mean_contacts
• energy_total（或E_rep,E_adh分项）
• hypoxia_frac/necrosis_frac（如果做肿瘤球案例很常用）

工程细节建议：

• 同一列名永远同一含义（不要今天 mean_radius 明天变成 median_radius）
• 缺失列允许存在（比如没开 field 就没有 hypoxia_frac），后处理脚本要能优雅跳过

6.3 Matplotlib：指标曲线一键出图（对比友好）

建议写一个通用脚本：scripts/plot_metrics.py

6.3.1 单次 run 曲线

说明：按你系统约束，图表上的文字建议默认用英文（标题/坐标/图例），这样更方便读者复用到论文/报告里。

# scripts/plot_metrics.pyfrompathlibimportPathimportpandasaspdimportmatplotlib.pyplotaspltdefplot_one(run_dir:Path,out:Path|None=None):df=pd.read_csv(run_dir/"metrics.csv")out=outor(run_dir/"renders"/"metrics.png")out.parent.mkdir(parents=True,exist_ok=True)fig,ax=plt.subplots(figsize=(7,4))ax.plot(df["time"],df["n_cells"],label="n_cells")ax.set_xlabel("time")ax.set_ylabel("count")ax.set_title("Cell count over time")ax.grid(True,alpha=0.3)ax.legend()fig.tight_layout()fig.savefig(out,dpi=180)plt.close(fig)if__name__=="__main__":importargparse ap=argparse.ArgumentParser()ap.add_argument("--run",type=str,required=True)args=ap.parse_args()plot_one(Path(args.run))

6.3.2 多次 run 对比（同图叠加）

对比时强烈建议：每条曲线来自一个 run_dir，标签来自meta.json（比如 seed、关键参数摘要）。

defplot_compare(run_dirs:list[Path],key="n_cells",out="compare.png"):fig,ax=plt.subplots(figsize=(7,4))forrdinrun_dirs:df=pd.read_csv(rd/"metrics.csv")label=rd.name# 或从 meta.json 读一个更短的 labelax.plot(df["time"],df[key],label=label,linewidth=1.5)ax.set_xlabel("time")ax.set_ylabel(key)ax.set_title(f"{key