01

Draw.io

Draw.io（现更名为 diagrams.net）是一款功能强大、易于使用的、开源免费的在线流程图绘制工具，它支持用户创建各种类型的图表、流程图、网络图、组织结构图、UML 图等。

Draw.io 不仅支持在线版，还可以在 Windows 、 macOS 和 Linux 等多个平台安装桌面客户端版本，提供跨平台支持能力的同时，也尊重了你不想安装软件的权利。

除了跨平台支持的特点，Draw.io 还提供了：

丰富的图形库：内置大量预设图形和模板，满足各种绘图需求。
实时多人协作：支持团队成员实时在线协作，提高工作效率。
自定义形状和模板：用户可以创建并保存个性化的设计。
多格式导出：支持导出 PDF 、 SVG 、 PNG 、 JPEG 以及 HTML 等多种格式。
插件扩展性：通过插件系统，用户可以根据自己的需求扩展软件功能。

以下是一些 Draw.io 模板示例：

网页版地址：https://app.diagrams.net/

GitHub 客户端地址：https://github.com/jgraph/drawio-desktop/releases

02

Excalidraw

Excalidraw 同样是一款开源免费的画图软件，它的特点在于提供了一种手绘风格的图片输出形态，绘图体验简单、直观却又功能丰富，非常适合用于创建图表、线框图、思维导图和流程图等等程序员日常工作中会遇到的画图场景。

Excalidraw 可以直接通过浏览器访问，也可以通过 Docker 部署到私有服务器上。此外，Excalidraw 还支持与其他应用程序集成，并可通过插件系统扩展功能，包括支持脚本自定义等高级功能。同时还支持端对端加密的在线协作，只需要将一个链接发送给协议方，就能实现画图在线协作。

如果基本的图形无法满足诉求的话，Excalidraw 还提供了在线模板库，供设计师把他们的图形，图标分享给其他用户。例如系统架构图，组件图，UML 图，手绘人物图等等，应有尽有，不一而足。

以下是鹅厂工程师的一些画图示例：

官网地址：https://excalidraw.com/

模板库地址：https://libraries.excalidraw.com/?theme=light&sort=default

03

Graphviz

Graphviz 是一款由 AT&T Labs Research 发起的开源工具包，它使用 DOT 语言来描述图形结构，并通过自动布局算法生成可视化图形。

与微软出品的「Visio」的最大不同之处在于，前者是手动的，需要绘图者指定点线之间的布局，而 Graphviz 支持自动布局，只需告知 Graphviz 点与线的关系，它就能实现「自动布局」。

主要特点如下：

简单易用：Graphviz 使用简单的文本描述语言来定义图形结构，无需复杂的绘图技巧。
丰富的图形类型：支持有向图、无向图、流程图、组织结构图、类图、网络拓扑图等多种图形类型。
灵活的布局算法：提供多种布局算法，可以根据图形的特点和需求进行选择，自动处理节点的位置、边的布局以及图形的整体结构。
跨平台支持：可以在 Windows、Mac 和 Linux 等多个操作系统上运行。
丰富的输出格式：支持将图形导出为 PNG、SVG、PDF 等多种格式，方便嵌入到文档、网页或演示文稿中。
可扩展性：提供了丰富的 API 和插件机制，允许开发者根据自己的需求进行定制和扩展。

以下是 Graphviz 的一些官方示例库：：

官网地址：https://www.graphviz.org/

04

Matplotlib

Matplotlib 是一个在 Python 中广泛使用的数据可视化库，它提供了丰富的绘图功能，支持创建静态、动态和交互式的图表，适用于数据分析、科学研究和工程可视化等领域。

其主要特点如下：

简单易用：Matplotlib 的 API 设计简单直观，易于上手，用户可以快速创建各种类型的图形
多样性：支持多种图形类型，包括线图、散点图、柱状图、饼图、箱线图等，满足用户对不同数据类型的可视化需求
自定义性：用户可以对图形的各种元素（如线条、颜色、标签等）进行个性化定制，以满足个性化的需求
支持多种输出格式：可以将图形输出为多种格式，包括图片文件（如 PNG、JPEG）、PDF 文件、SVG 文件等
与 NumPy 和 Pandas 集成：与 NumPy 和 Pandas 等常用数据处理库集成紧密，可以直接使用这些库中的数据结构来绘制图形
开源免费：用户可以免费使用并根据需要对其源代码进行修改和定制

以下展示一个代码输出示例：

import matplotlib.pyplot as plt
import numpy as np

# Fixing random state for reproducibility
np.random.seed(19680801)

dt = 0.01
t = np.arange(0, 30, dt)
nse1 = np.random.randn(len(t))                 # white noise 1
nse2 = np.random.randn(len(t))                 # white noise 2

# Two signals with a coherent part at 10 Hz and a random part
s1 = np.sin(2 * np.pi * 10 * t) + nse1
s2 = np.sin(2 * np.pi * 10 * t) + nse2

fig, axs = plt.subplots(2, 1, layout='constrained')
axs[0].plot(t, s1, t, s2)
axs[0].set_xlim(0, 2)
axs[0].set_xlabel('Time (s)')
axs[0].set_ylabel('s1 and s2')
axs[0].grid(True)

cxy, f = axs[1].cohere(s1, s2, 256, 1. / dt)
axs[1].set_ylabel('Coherence')

plt.show()