DataWhale_Matplotlib_布局格式定方圆

原创 于 2020-12-20 21:10:28 发布 · 361 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#可视化 #python #数据可视化 #数据分析

0 序

这一章主要讲解了子图种类和子图上的方法。对于数据分析来说，针对某一类数据往往需要给出不同维度的图表分析，以形成可视化看板，所以子图的排版以及操作方法的熟练掌握就显的尤为重要了。
章节内容不多，但是同样重要，上代码～

1 导入三方模块

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 解决中文乱码的问题
plt.rcParams['font.sans-serif'] = ['SimHei']

# 解决负号异常显示问题
plt.rcParams['axes.unicode_minus'] = False

这里的plt.rcParams可以解决大多数中文乱码的问题了。因为时间问题，我还没有细细研究mac上的字体解决方案（尝试了几个都还是乱码，所以暂时先用英文啦～）

2 子图

2.1 使用plt.subplots绘制均匀状态下的子图

返回元素分别是画布和子图构成的列表，第一个数字为行，第二个为列
figsize参数可以指定整个画布的大小
sharex和sharey分别表示是否共享横轴和纵轴刻度
tight_layout函数可以调整子图的相对大小使字符不会重叠

fig, axs = plt.subplots(2, 5, figsize=(10, 4), sharex=True, sharey=True)
fig.suptitle('sample1',size=20)
'''整个画布的标题'''

for i in range(2):
    for j in range(5):
        axs[i][j].scatter(np.random.randn(10), np.random.randn(10))
        axs[i][j].set_title('row%d, column%d'%(i+1, j+1))
        '''设置每个子图的子标题'''
        
        axs[i][j].set_xlim(-5, 5)
        axs[i][j].set_ylim(-5, 5)
        if i==1: axs[i][j].set_xlabel('xlabel')
        '''xlabel只在最底部显示'''
        
        if j==0: axs[i][j].set_ylabel('ylabel')
        '''ylabel只在最左侧显示'''
        
fig.tight_layout()
'''调整子图的相对大小使字符不会重叠'''

在这里插入图片描述

2.2 使用GridSpec绘制非均匀子图

所谓非均匀包含两层含义:
第一是指图的比例大小不同但没有跨行或跨列
第二是指图为跨列或跨行状态

利用 add_gridspec 可以指定相对宽度比例 width_ratios 和相对高度比例参数 height_ratios

fig = plt.figure(figsize=(10, 4))
spec = fig.add_gridspec(nrows=2, ncols=5, width_ratios=[1, 2, 3, 4, 5], height_ratios=[1, 3])
'''width_ratios和height_ratios都是比例'''

'''下面的代码和上一段代码意思相近'''
fig.suptitle('sample2', size=20)

for i in range(2):
    for j in range(5):
        ax = fig.add_subplot(spec[i, j])
        ax.scatter(np.random.randn(10), np.random.randn(10))
        ax.set_title('row%d, column%d'%(i+1, j+1))
        if i==1: ax.set_xlabel('xlabel')
        if j==0: ax.set_ylabel('ylabel')
fig.tight_layout()

在这里插入图片描述
在上面的例子中出现了 spec[i, j] 的用法，事实上通过切片就可以实现子图的合并而达到跨图的功能

fig = plt.figure(figsize=(10, 4))
spec = fig.add_gridspec(nrows=2, ncols=6, 
                        width_ratios=[2, 2.5, 3, 1, 1.5, 2], height_ratios=[1, 2])

# sub1
ax = fig.add_subplot(spec[0, :3])
'''sub1占用的大小为第一行，宽度为第零块到第二块'''

ax.scatter(np.random.randn(10), np.random.randn(10))

# sub2
ax = fig.add_subplot(spec[0, 3: 5])
'''sub占用的大小为第一行，宽度为第三块到第四块'''

ax.scatter(np.random.randn(10), np.random.randn(10))

# sub3
ax = fig.add_subplot(spec[:, 5])
'''整列（1行+2行），第五块'''

ax.scatter(np.random.randn(10), np.random.randn(10))


'''下同，类似切片，画画图就能理解了'''
# sub4
ax = fig.add_subplot(spec[1, 0])
ax.scatter(np.random.randn(10), np.random.randn(10))

# sub5
ax = fig.add_subplot(spec[1, 1:5])
ax.scatter(np.random.randn(10), np.random.randn(10))

fig.tight_layout()

在这里插入图片描述

3 子图上的方法

在 ax 对象上定义了和 plt 类似的图形绘制函数，常用的有： plot, hist, scatter, bar, barh, pie

绘制直线

fig, ax = plt.subplots(figsize=(4, 3))
ax.plot([1, 2], [2, 1])

在这里插入图片描述

绘制直方图

fig, ax = plt.subplots(figsize=(4, 3))
ax.hist(np.random.randn(1000))

在这里插入图片描述
常用直线的画法为： axhline, axvline, axline （水平、垂直、任意方向）

添加水平/垂直辅助线

fig, ax = plt.subplots(figsize=(4, 3))

# 这里的0.2和0.8不知道设置什么
ax.axhline(0.5, 0.2, 0.8)
ax.axvline(0.5, 0.2, 0.8)
ax.axline([0.3, 0.3], [0.7, 0.7])

在这里插入图片描述

使用grid加灰色网格

fig, ax = plt.subplots(figsize=(4, 3))
ax.grid(True)

在这里插入图片描述
使用 set_xscale, set_title, set_xlabel 分别可以设置坐标轴的规度（指对数坐标等）、标题、轴名

fig, axs = plt.subplots(1, 2, figsize=(10, 4))
fig.suptitle('sample3', size=20)

for j in range(2):
    axs[j].plot(list('abcd'), [10 ** i for i in range(4)])
    if j==0:
        axs[j].set_yscale('log')
        '''y轴刻度为log坐标'''
        
        axs[j].set_title('sub_title1')
        axs[j].set_ylabel('log_label')
    else:
        axs[j].set_title('sub_title1')
        axs[j].set_ylabel('normal_label')
        '''y轴刻度为普通坐标'''
fig.tight_layout()

在这里插入图片描述
与一般的 plt 方法类似， legend, annotate, arrow, text 对象也可以进行相应的绘制

fig, ax = plt.subplots()

ax.arrow(0, 0, 1, 1, head_width=0.03, head_length=0.05, facecolor='red', edgecolor='blue')
'''
绘制箭头
0，0 - 箭头起点坐标
1，1 - 箭头终点坐标
head_width - 箭头头部的宽
head_length - 箭头头部的高
facecolor - 箭头填充色
edgecolor - 箭头的轮廓色
'''

ax.text(x=0, y=0, s='this is a graph', fontsize=16, rotation=70, 
        rotation_mode='anchor', color='green')
'''
x,y - 文字的坐标
s - 文字内容
fontsize - 字体大小
rotation - 旋转的角度
rotation_mode - 对齐方式
'''

ax.annotate('this is mid point', xy=(0.5, 0.5), 
            xytext=(0.8, 0.2), arrowprops=dict(facecolor='yellow', edgecolor='black'), 
            fontsize=16)
'''
xy - 箭头坐标
xytext - 文字起始坐标
arrowprops - 箭头的参数字典：填充颜色和边缘色
'''

在这里插入图片描述
这里有点丑，可以把画布调整大点或把箭头的注释字体弄小点

fig, ax = plt.subplots()
ax.plot([1, 2], [2, 1], label='line1')
ax.plot([1, 1], [1, 2], label='line1')
ax.legend(loc=1)
'''loc=1 - 图例在右上方''

在这里插入图片描述
为了方便，我网上找了一个图例参数-代码的对照表，po给大家：
在这里插入图片描述

4 作业

第一题

数据为墨尔本1981年至1990年的每月温度情况，请利用数据，画出如下的图：
在这里插入图片描述
先看一下数据

data = pd.read_csv('./data/layout_ex1.csv')

data.head()

在这里插入图片描述
我看每个子图的x轴是月份刻度，但是数据里面是yyyy-mm，所以我选择做一下提取。

data['Time_month'] = data['Time'].apply(lambda x: int(str(x)[-2:]))
data.head(15)

在这里插入图片描述
然后准备每个子图的x轴和y轴的数据

x1 = list(data['Time_month'][0: 12])
x2 = list(data['Time_month'][12: 24])
x3 = list(data['Time_month'][24: 36])
x4 = list(data['Time_month'][36: 48])
x5 = list(data['Time_month'][48: 60])
x6 = list(data['Time_month'][60: 72])
x7 = list(data['Time_month'][72: 84])
x8 = list(data['Time_month'][84: 96])
x9 = list(data['Time_month'][96: 108])
x10 = list(data['Time_month'][108: 120])

x_list = [x1, x2, x3, x4, x5, x6, x7, x8, x9, x10]


y1 = list(data['Temperature'][0: 12])
y2 = list(data['Temperature'][12: 24])
y3 = list(data['Temperature'][24: 36])
y4 = list(data['Temperature'][36: 48])
y5 = list(data['Temperature'][48: 60])
y6 = list(data['Temperature'][60: 72])
y7 = list(data['Temperature'][72: 84])
y8 = list(data['Temperature'][84: 96])
y9 = list(data['Temperature'][96: 108])
y10 = list(data['Temperature'][108: 120])

y_list = [y1, y2, y3, y4, y5, y6, y7, y8, y9, y10]

开始画图！！！

fig, axs = plt.subplots(2, 5, figsize=(20, 5), sharex=True, sharey=True)
fig.suptitle('Temperature curve of Melbourne from 1981 to 1990', size=25)
subtitle = ['1981', '1982', '1983', '1984', '1985', '1986', '1987', 
            '1988', '1989', '1990']
'''搞了一个子标题的列表，方便循环的时候直接用'''



k = 0
'''这个k用于数子标题以及数据的选择'''

for i in range(2):
    for j in range(5):
        axs[i][j].plot(x_list[k], y_list[k], marker='p')
        '''marker='p' - 标记点为五角星～～～'''
        
        axs[i][j].set_title(subtitle[k])
        axs[i][j].set_yticks([0, 5, 10, 15,20])
        if i == 1: axs[i][j].set_xticks([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
        '''只在第二行的子图显示x轴刻度'''
        
        if j == 0: axs[i][j].set_ylabel('Temperature')
        '''在第一列的子图显示y轴刻度'''
        
        k += 1
fig.tight_layout（）

在这里插入图片描述

第二题

画出数据的散点图和边际分布

用 np.random.randn(2, 150) 生成一组二维数据，使用两种非均匀子图的分割方法，做出该数据对应的散点图和边际分布图，如下图：
在这里插入图片描述

fig = plt.figure(figsize=(10, 10))
'''正方形'''

spec = fig.add_gridspec(nrows=2, ncols=2, width_ratios=[5, 1], height_ratios=[1, 6])
'''划分块块，方便分区'''

# sub1
ax = fig.add_subplot(spec[1, 0])
'''这里还是比较抽象，画个图就能理解'''

ax.scatter(np.random.randn(2, 150)[0], np.random.randn(2, 150)[1])
'''二维数据，我第一行用来当x，第一行用来当y'''

plt.xlabel('my_data_x')
plt.ylabel('my_data_y')

# sub2
ax = fig.add_subplot(spec[0, 0])
ax.hist(np.random.randn(2, 150)[0], bins=10)
ax.set_xticks([])
ax.set_yticks([])

# sub3
ax = fig.add_subplot(spec[1, 1])
ax.hist(np.random.randn(2, 150)[1], bins=10, orientation='horizontal')
'''orientation='horizontal'表示条形为水平方向'''

ax.set_xticks([])
ax.set_yticks([])


plt.tight_layout()
plt.subplots_adjust(wspace=0, hspace=0)
'''冬天了，让图靠得紧一点'''

在这里插入图片描述
画出来丑丑的，边界的色块也不知道该怎么调，不过肯定有方法，后面学会了再完善呀～

5 结

这一期内容并不多，但是axes在matplotlib中的地位十分重要，希望通过这一篇文章可以提高大家的认识和基础功，下篇我们再会～

评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值