Matplotlib 03-布局格式定方圆

Matplotlib 03-布局格式定方圆

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

一、子图

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('样例1', size=20)
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('第%d行，第%d列'%(i+1,j+1))axs[i][j].set_xlim(-5,5)axs[i][j].set_ylim(-5,5)if i==1: axs[i][j].set_xlabel('横坐标')if j==0: axs[i][j].set_ylabel('纵坐标')
fig.tight_layout()

除了常规的直角坐标系，也可以通过projection方法创建极坐标系下的图表

N = 150
r = 2 * np.random.rand(N)
theta = 2 * np.pi * np.random.rand(N)
area = 200 * r**2
colors = theta
plt.subplot(projection='polar')
plt.scatter(theta, r, c=colors, s=area, cmap='hsv', alpha=0.75)
plt.show()

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])
fig.suptitle('样例2', 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('第%d行，第%d列'%(i+1,j+1))if i==1: ax.set_xlabel('横坐标')if j==0: ax.set_ylabel('纵坐标')
fig.tight_layout()

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共能

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])
fig.suptitle('样例3', size=20)
# sub1
ax = fig.add_subplot(spec[0, :3])
ax.scatter(np.random.randn(10), np.random.randn(10))
# sub2
ax = fig.add_subplot(spec[0, 3:5])
ax.scatter(np.random.randn(10), np.random.randn(10))
# sub3
ax = fig.add_subplot(spec[:, 5])
ax.scatter(np.random.randn(10), np.random.randn(10))
# 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()

二、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

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

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

常用直线的画法为： axhline, axvline, axline （水平、垂直、任意方向）

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

使用 grid 可以加灰色网格

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

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('大标题', 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')axs[j].set_title('子标题1')axs[j].set_ylabel('对数坐标')else:axs[j].set_title('子标题1')axs[j].set_ylabel('普通坐标')
fig.tight_layout()

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')
ax.text(x=0, y=0,s='这是一段文字', fontsize=16, rotation=70, rotation_mode='anchor', color='green')
ax.annotate('这是中点', xy=(0.5, 0.5), xytext=(0.8, 0.2), arrowprops=dict(facecolor='yellow', edgecolor='black'), fontsize=16)

Text(0.8, 0.2, '这是中点')

fig, ax = plt.subplots()
ax.plot([1,2],[2,1],label="line1")
ax.plot([1,1],[1,2],label="line1")
ax.legend(loc=1)
plt.show()

其中，图例的 loc 参数如下：

string	code
best	0
upper right	1
upper left	2
lower left	3
lower right	4
right	5
center left	6
center right	7
lower center	8
upper center	9
center	10

作业

1. 墨尔本1981年至1990年的每月温度情况

ex1 = pd.read_csv('../data/layout_ex1.csv')
ex1.head()

	Time	Temperature
0	1981-01	17.712903
1	1981-02	17.678571
2	1981-03	13.500000
3	1981-04	12.356667
4	1981-05	9.490323

• 请利用数据，画出如下的图：

ex1[['Year','Month']] = [*ex1['Time'].apply(lambda x:x.split('-'))]
ex1['Month'] = ex1['Month'].apply(lambda x:int(x))

ex1.head()

	Time	Temperature	Year	Month
0	1981-01	17.712903	1981	1
1	1981-02	17.678571	1981	2
2	1981-03	13.500000	1981	3
3	1981-04	12.356667	1981	4
4	1981-05	9.490323	1981	5

fig, axs = plt.subplots(2, 5, figsize=(12, 4), sharex=True, sharey=True)
fig.suptitle('墨尔本1981年至1990年月温度曲线', size=15)
axs, gb = axs.flatten() , ex1.groupby('Year')
for i,year in enumerate(gb.groups.keys()):group = gb.get_group(year)axs[i].plot(group.Month, group.Temperature, marker='*')axs[i].set_title(f'{year}年')if i//5: axs[i].set_xlabel('Month'), axs[i].set_xticks(group.Month)if not i%5: axs[i].set_ylabel('Temperature') 
fig.tight_layout()

2. 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

#非均匀子图分割方法一
np.random.seed(666)
x,y = np.random.randn(2,300)
fig = plt.figure(figsize=(7,6))
spec = fig.add_gridspec(nrows=2, ncols=2, width_ratios=[5,1], height_ratios=[1,5])ax = fig.add_subplot(spec[0,0])
ax.hist(x, rwidth=0.9, density=True)
ax.axis('off')ax = fig.add_subplot(spec[1,0])
ax.scatter(x,y)
ax.set_xlabel('data_x')
ax.set_ylabel('data_y')
ax.grid()ax = fig.add_subplot(spec[1,1])
ax.hist(y, orientation='horizontal', rwidth=0.9, density=True)
ax.axis('off')
fig.tight_layout()

#非均匀子图分割方法二
np.random.seed(888)
x,y = np.random.randn(2,300)
fig = plt.figure(figsize=(7, 6))
spec = fig.add_gridspec(nrows=5, ncols=4, width_ratios=[1.1,1.6,2.3,1], height_ratios=[0.2,0.8,2.4,1.3,1.9])ax = fig.add_subplot(spec[:2, :-1])
ax.hist(x, rwidth=0.9, density=True)
ax.axis('off')ax = fig.add_subplot(spec[2:, :-1])
ax.scatter(x,y)
ax.set_xlabel('data_x')
ax.set_ylabel('data_y')
ax.grid()ax = fig.add_subplot(spec[2:, -1:])
ax.hist(y, orientation='horizontal', rwidth=0.9, density=True)
ax.axis('off')
fig.tight_layout()