matplotlib之pyplot模块——添加次坐标轴(第二坐标轴)(twinx())

ROS TF坐标变化,小乌龟跟随案例 ROS TF的基础,四元数、欧拉角理论见该篇文章,讲解非常详细 https://blog.youkuaiyun.com/zhanghm1995/article/details/84644984 1.程序说明 本实例创建两个乌龟,乌龟1乌龟2,控制乌龟1随意移动,保证乌龟2实时跟随乌龟1。想要达到这个效果,程序设计思路为: 1)我们需要获取乌龟1的位姿信息,本程序只考虑x,y,以及欧拉角的偏航角(Yaw),将乌龟1的位姿变换到世界坐标系(tf变换),并发布乌龟1的位姿信息 2)有了乌龟1的位姿信息,我们还需要. 阅读详情
AI摘要

本文介绍如何使用Matplotlib的twinx函数创建共享x轴的双坐标轴图表,并通过一个具体案例展示了如何实现不同数据尺度的图表在同一图形中的展示。

当前有效matplotlib版本为:3.4.1。

次坐标轴

次坐标轴也被称为第二坐标轴或副坐标轴,用于在一个图形中显示两个不同坐标尺度的图表。

twinx函数

twinx函数的功能为创建并返回一个共享x轴的子图。

twinx函数的签名为matplotlib.pyplot.twinx(ax=None)。参数ax的值类型为Axes对象,默认值为None即当前子图。

twinx函数的功能为创建并返回一个共享x轴的子图。新子图将会与ax重叠,新创建的子图的x轴将会隐藏,y轴将会位于子图的右侧。

twinx函数的返回值为 Axes对象,即新创建的子图。

twinx函数相关源码

matplotlib.pyplot.twinx()

def twinx(ax=None):
    if ax is None:
        ax = gca()
    ax1 = ax.twinx()
    return ax1

matplotlib.Axes.twinx()

def twinx(self):
    ax2 = self._make_twin_axes(sharex=self)
    ax2.yaxis.tick_right()
    ax2.yaxis.set_label_position('right')
    ax2.yaxis.set_offset_position('right')
    ax2.set_autoscalex_on(self.get_autoscalex_on())
    self.yaxis.tick_left()
    ax2.xaxis.set_visible(False)
    ax2.patch.set_visible(False)
    return ax2

matplotlib.Axes._make_twin_axes()

def _make_twin_axes(self, *args, **kwargs):
    """Make a twinx axes of self. This is used for twinx and twiny."""
    # Typically, SubplotBase._make_twin_axes is called instead of this.
    if 'sharex' in kwargs and 'sharey' in kwargs:
        raise ValueError("Twinned Axes may share only one axis")
    ax2 = self.figure.add_axes(
        self.get_position(True), *args, **kwargs,
        axes_locator=_TransformedBoundsLocator(
            [0, 0, 1, 1], self.transAxes))
    self.set_adjustable('datalim')
    ax2.set_adjustable('datalim')
    self._twinned_axes.join(self, ax2)
    return ax2

案例

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

# 构造数据
t = np.arange(0.01, 10.0, 0.01)
data1 = np.exp(t)
data2 = np.sin(2 * np.pi * t)
# 第一个子图
ax1 = plt.gca()
ax1.set_xlabel('time (s)')
ax1.set_ylabel('exp', color='r')
ax1.plot(t, data1, color='r')
ax1.tick_params(axis='y', labelcolor='r')
# 创建与ax1共享x轴的第二个子图
ax2 = ax1.twinx() 
ax2.set_ylabel('sin', color='b') 
ax2.plot(t, data2, color='b')
ax2.tick_params(axis='y', labelcolor='b')

plt.tight_layout()
plt.show()
Matplotlib坐标轴设置进阶:从set_xlim到刻度定位器实战指南 在数据可视化中,坐标轴是承载数据、传递信息的关键框架。其核心原理在于通过控制坐标轴的范围和刻度,精准地映射数据空间到视觉空间,从而影响图表的可读性与信息传递效率。掌握坐标轴精细化配置的技术价值在于,它能将原始数据转化为专业、清晰且具有说服力的可视化成果,避免因默认设置不当导致的信息扭曲或误导。这一技能在科研绘图、商业数据分析报告及学术论文图表制作等应用场景中至关重要。本文聚焦于Matplotlib的`Axes`对象,深入讲解如何通过`set_xlim`/`set_ylim`控制显示范围,并利用`set_xt 阅读详情

相关推荐

GPT4o科研绘图实战:从Excel丑图到出版级图表的七步法

数据可视化是科研与工程中连接数据与洞见的关键环节,其本质是将统计结果、业务逻辑和视觉表达三者精准对齐。传统方案依赖Matplotlib等库的手动编码,要求用户同时掌握数据处理、图形学原理与出版规范,学习成本高、调试耗时长。GPT4o凭借原生多模态理解能力,可直接解析自然语言指令中的数据语义、坐标映射与格式约束,自动生成符合期刊要求的矢量图表代码。它不替代统计思维,但显著压缩‘懂数据却卡在绘图实现’的中间损耗,尤其适用于需快速产出LaTeX兼容PDF、Excel嵌入SVG或双Y轴误差带图表的科研场景。本文聚焦

weixin_34067102的博客 375

Matplotlib中twinx() 函数的用法

Matplotlib中twinx() 函数的用法

峰爸的博客 2128

GPT-4数据可视化实战:用三层提示词生成可审计图表

数据可视化本质是逻辑翻译而非图像生成,其核心在于将业务目标、原始数据与呈现规范精准映射为可执行、可验证、可复现的交付物。理解GPT-4作为‘可视化协作者’而非‘智能画图按钮’的角色定位,是提升专业度的前提;掌握结构化提示词(业务层+数据层+呈现层)能显著提升输出准确性与可控性。技术价值体现在代码即文档、逻辑可追溯、修改可预期,尤其适用于金融、医疗、政务等强合规场景。典型应用包括销售分析、用户归因、成本对比等需向决策者‘让数字开口说话’的商业汇报。本文聚焦真实工作流中可落地的提示工程方法与Python图表生成

weixin_34021089的博客 359

Python中matplotlib.pyplot中的twinx()函数

# Implementation of matplotlib function import numpy as np import matplotlib.pyplot as plt from matplotlib.widgets import TextBox fig, ax = plt.subplots() plt.subplots_adjust(bottom = 0.2) t = np.arange(-2.0, 2.0, 0.001) s = np.sin(t)+np.cos(2

明德zhuang 1万+

LoadRunner性能测试可视化素材集:从数据到洞察的完整指南

在软件性能测试领域,数据可视化是将抽象指标转化为直观洞察的核心技术。其原理在于通过图表、图形等视觉元素,将海量的性能数据(如响应时间、TPS、并发用户数)进行结构化呈现,从而揭示系统行为模式与瓶颈。这项技术的价值在于极大提升了测试结果的分析效率与团队协作的沟通效果,让性能问题变得可讨论、可追溯。在工程实践中,可视化广泛应用于测试报告生成、性能瓶颈定位、测试方案评审以及团队知识传承等场景。本文聚焦于LoadRunner这一经典性能测试工具,深入探讨如何构建一套体系化的可视化素材集,其中重点涵盖了【事务响应时间

weixin_30667649的博客 414

用ggplot2绘制可信气候数据图:温度、CO₂与海冰协同可视化

气候数据可视化不是简单画折线图,而是对长时序、多源异构、含不确定性的真实科学数据进行结构化表达。其核心原理在于将数据清洗、变量映射、统计建模与视觉编码分层解耦,从而确保图表兼具科学严谨性与传播有效性。ggplot2凭借其分层语法(data → mapping → geom → scale → theme)天然适配气候分析范式,支持滚动均值平滑、双Y轴归一化、置信区间渲染等关键操作,显著优于Excel的手动调整和matplotlib的命令式堆砌。该技术已广泛应用于IPCC报告辅助制图、政策简报、环境科普及教学

weixin_34284188的博客 845

Matplotlib模块-阶段三

image 3D图形 多合一显示最简版 多合一显示(1) 多合一显示(2) 多合一显示(3) 图中图 次坐标轴 动画 image import numpy as np from matplotlib import pyplot as plt a = np.array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7,...

小白太白的博客 127

YOLO26训练指标可视化与性能分析实战

目标检测是计算机视觉的核心任务之一,而mAP(mean Average Precision)作为评估模型性能的关键指标,通过计算不同IoU阈值下的平均精度来全面反映检测器的定位和识别能力。在深度学习模型训练过程中,损失函数曲线和精度指标的可视化分析能够直观展示模型收敛状态,为超参数调优提供数据依据。本文以YOLO26为例,详细解析如何利用Python绘制训练过程中的box_loss、cls_loss等损失曲线以及mAP@0.5、mAP@0.5:0.95等精度指标变化图,这些技术同样适用于YOLOv5、YOL

weixin_34152820的博客 327

Matplotlib多Y轴绘图实战:从原理到避坑指南

在数据可视化领域,多Y轴绘图是一种用于在同一图表中展示多个量纲或数值范围差异巨大数据序列的核心技术。其基本原理是通过创建共享同一X轴但拥有独立Y轴的坐标系,实现不同维度数据的清晰对比,避免因尺度差异导致的信息失真。这项技术的核心价值在于能够高效揭示多变量间的关联与趋势,在金融分析、系统监控和环境监测等需要多维数据关联分析的场景中尤为重要。实践中,Matplotlib的`twinx()`机制和图层化思想是实现灵活多Y轴图表的关键,而Plotly等库则为交互式探索提供了高性能替代方案。掌握多Y轴绘图,能显著提升

chunqingtai2922的博客 325

好东西就该分享,Python绘图坐标轴共享与复用

在一副图像中表现多组数据时,可能会遇到不同数据之间数据相差较大的情况,为此可在同一个坐标框中设置不同的坐标刻度,以实现下图所示效果。为了实现这一功能,关键函数即为twinx。

微小冷的学习笔记 1606

自定义设置主坐标轴刻度和次坐标轴刻度 Python

当我们需要在图表中设置主坐标轴刻度和次坐标轴刻度时,可以使用Matplotlib提供的函数和方法来完成。下面我将为你详细介绍如何自定义设置主坐标轴刻度和次坐标轴刻度的方法,并提供相应的源代码示例。主坐标轴的刻度值为0到5,步长为1,次坐标轴的刻度值为0.5到4.5,步长为1。这些方法接受一个包含刻度值的列表作为参数,我们可以根据需要自定义刻度的位置和间隔。总结一下,通过使用Matplotlib库,我们可以轻松地自定义设置主坐标轴刻度和次坐标轴刻度。方法,我们可以传递刻度值的列表来设置刻度的位置和间隔。

2301_78484069的博客 953

次坐标轴

1、第一个y坐标 有时候我们会用到次坐标轴,即在同个图上有第2个y轴存在。同样可以用matplotlib做到,而且很简单。 import matplotlib.pyplot as plt import numpy as np x = np.arange(0, 10, 0.1) y1 = 0.05 * x**2 y2 = -1 * y1 可以看到,y2和y1是互相倒...

weixin_30466421的博客 202

切比雪夫(最小区域法)直线拟合算法

切比雪夫,最小区域法直线拟合

闪电彬彬的博客 3962

Matplotlib数据可视化:从基础图形到高级定制化实战指南

数据可视化是数据分析与科学计算中的核心环节,它通过图形化手段将抽象数据转化为直观洞察。其原理在于利用视觉编码系统,将数据维度映射为图形属性(如位置、颜色、大小),从而揭示数据中的模式、趋势和异常。掌握可视化技术对于提升数据分析效率、增强报告说服力具有重要价值,广泛应用于商业智能、学术研究、机器学习模型评估等场景。本文聚焦于Python生态中的matplotlib库,深入解析其面向对象的图形对象层级(Figure, Axes)和艺术家模型,并系统讲解折线图、散点图、柱状图、直方图等基础图形的绘制与样式控制。针

weixin_34268169的博客 339

MATLAB2022b安装

图文并茂,手把手教会你怎么安装MATLAB2022b

1万+

FLUKA软件在Ubuntu的安装指南(亲测有效)

FLUKA其强大的蒙特卡洛模拟能力使得用户能够模拟复杂的辐射相互作用过程

chencheng1127的博客 2886

别再让Matplotlib的1e6丑到你了!手把手教你自定义科学计数法刻度(附完整代码)

本文详细介绍了如何通过Matplotlib自定义科学计数法刻度,解决默认显示方式在学术和商业场景中的视觉问题。文章提供了两种高阶方法:`ticklabel_format`的精细化配置和`FuncFormatter`的完全自定义,并附有完整代码示例,帮助用户实现期刊级精美的数据可视化效果。

weixin_30675247的博客 444

aarch64环境安装minio

1.去官网查看最新版本2.使用命令安装,采取wget和dnf安装wgetminio.rpmdnfdnfdnfdnf。

Myuanforever的博客 2180

Python双轴折柱混合图实战:多维度数据可视化与竞赛应用

数据可视化是数据分析与商业智能的核心环节,其原理在于将抽象数据转化为直观图形,以揭示模式、趋势与关联。在技术价值层面,优秀的可视化能显著提升信息传达效率,辅助决策制定。常见应用场景包括商业报告、运营监控和学术研究。本文聚焦于多维度数据对比场景,通过Python的Pandas与Matplotlib技术栈,深入讲解如何构建双轴折柱混合图,以协同展示省份与地区两级消费指标。文中将结合大数据竞赛实战,详解数据处理、双Y轴实现及样式优化等关键步骤,并融入数据聚合与可视化设计等热词,为数据从业者提供一套可直接复用的工程

weixin_33851604的博客 390

SPSS_Process—简单&平行&链式中介模型

本篇文章介绍采用SPSS的插件Process对简单中介、链式中介、平行中介模型进行检验的操作方法及结果解读。

m0_54401011的博客 4万+

地方政府预算数据抓取:利用Python爬虫获取预算安排、资金分配与支出情况

爬虫是通过模拟浏览器行为,从互联网上自动获取数据的程序。在本案例中,我们将通过爬虫从地方政府的官方网站或预算公开平台抓取各类预算信息。这些信息一般以HTML网页的形式呈现,可以通过爬虫对网页内容进行解析,提取所需的预算数据。Python作为数据抓取的强大工具,凭借其简洁的语法、强大的第三方库(如requestsSelenium等)以及丰富的数据处理能力,成为了开发爬虫应用的首选语言。

2201_76125261的博客 941

Python数据分析实战:用Pandas与Matplotlib高效绘制多列数据图表

数据可视化是数据分析与科学计算中的核心环节,它将抽象的数字转化为直观的图形,帮助人们快速洞察数据背后的模式与趋势。其基本原理在于通过坐标映射、图形编码等方式,将多维数据属性映射为视觉元素,如位置、颜色、形状等。这项技术的价值在于极大地提升了数据探索、结果呈现和决策支持的效率,是数据驱动决策的基石。在工程实践与科研领域,数据可视化广泛应用于传感器监控、业务报表生成、实验数据分析等场景。本文聚焦于使用Python生态中的Pandas进行多列数据读取与清洗,并利用Matplotlib库进行从基础到高级的图表定制,

weixin_34234721的博客 398

【AI黑话日日新】什么是算力调度?

算力调度 = 在有限资源下,把任务智能分配到最合适的计算节点,实现效率、成本、稳定性最优。更完整的定义:算力调度是对 CPU、GPU、内存、网络、存储等异构资源进行统一抽象、感知、决策、分配、监控与自愈的全生命周期管理,是分布式系统的“智能管家”。算力调度不是玄学,它是资源管理 + 算法 + 工程实践的结合。先懂概念 → 再玩工具 → 再写策略 → 再优化算法从单机到集群,从CPU到GPU,从离线到在线,循序渐进未来AI与算力网络时代,算力调度是性价比最高、最稀缺、最长期吃香的技术方向之一。

专注:太空算力、AI infra、异构调度、大模型成本工程 268

天然气水合物资源量概率建模:分布选型、小样本校正与Copula不确定性传播

资源量估计是地质统计学与能源勘探工程的核心任务,其本质是多源随机参数的联合概率建模问题。理解孔隙度、饱和度、厚度等参数的物理约束(如取值区间、生成机制)是选择Beta、Lognormal、Weibull等合理边缘分布的前提;而小样本钻井数据下,传统最大似然估计易导致方差低估和分布偏移,需借助Bootstrap重采样或经验贝叶斯方法实现稳健参数校正;进一步地,参数间非线性相关性必须通过Copula函数(如Vine Copula)刻画,才能准确传递不确定性至最终资源量——尤其影响P10/P90等决策关键分位数。

weixin_34252686的博客 466

【华为OD机试真题 2025双机位A卷】958、 高效的任务规划 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS)

【华为OD机试真题 2025双机位A卷】958、 高效的任务规划 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS) 华为od机试,华为od机试真题,华为od机试E卷,华为odE卷,华为od机试真题E卷,华为OD,华为OD机试,华为OD机试真题,华为od机考,华为od机试D卷,华为od机试真题D卷,华为od手撕代码,华为od,华为od机试C卷,华为od e卷,华为2025e卷,od机试,2025E卷,华为OD机试E卷,什么是华为od,华为od介绍,全面了解华为od,2025华为od,

KJ.JK 1072

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

pandas移动平均三大类型原理与实战避坑指南

移动平均是时间序列分析中最基础也最易误用的数据平滑技术,其核心在于通过窗口聚合降低噪声、揭示趋势。它并非单一方法,而是包含简单移动平均(SMA)、累积移动平均(CMA)和指数移动平均(EMA)三种数学本质迥异的范式:SMA强调局部平稳性与刚性切片,CMA体现全局历史均值锚定,EMA则基于指数衰减实现动态加权与状态记忆。在pandas中,它们分别由.rolling()、.expanding()和.ewm()接口实现,差异不仅在于API调用,更体现在缺失值处理、初始值敏感性、计算滞后性及内存行为等工程细节。真实

weixin_30335575的博客 557

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

上一篇: matplotlib之pyplot模块——显示/关闭子图边框(轴脊)(box())
下一篇: matplotlib之pyplot模块——暂停(pause())
mighty13
博客等级 码龄23年 728粉丝 438原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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