计算机

matplotlib

Python中matplotlib库的学习

Posted by CHY on July 15, 2020

matplotlib 简介

matplotlib绘图元素

  1. figure
    figure 是图片的载体，可以看做是画布，图片必须在画布的基础上进行创建
  2. axes
    axes 表示绘图区域或者窗口，用来容纳一张具体的图片。axes 位于 figure 上，同一个 figure 上可以存在多个 axes。
  3. axis
    axis 表示坐标轴，比如常见的 x 轴，y 轴以及对应的刻度线和标签。
  4. artist
    atrist 表示广义的绘图元件，往大了说，figure, axes, axis 都属于绘图元件，往小了说，图片标题，图例，刻度，刻度标签等一幅图像上的具体元素都属于绘图元件。
# 通过plt.subplots创建一个figure和axes对象，然后通过axes对象的各种方法来创建图表
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4], [1, 2, 3, 4])
绘图输出结果 backend

backend 可以分为两类：

  1. 交互式设备，比如 qt,wxpython 等 GUI 窗口 matplotlib输出1
  2. 非交互式设备，比如 png, jpeg, pdf 等各种格式的文件 matplotlib输出2
修改内置 backend
# 修改配置文件matplotlibrc
import matplotlib
matplotlib.matplotlib_fname() # 找到配置文件位置
 # 修改backend值

# 设置环境变量
export  MPLBACKEND='agg'

# 绘图脚本的开头进行设置
import matplotlib
matplotlib.use('agg')

# 弹出对应结果
plt.show()  # 交互式图形设备
plt.savefig('out.png') # 非交互式图形设备

matplotlib 基础绘图命令之 plot

# plot命令主要用于绘制折线图
import matplotlib.pyplot ad plt
plt.plot([1,2,3,4],[1,2,3,4])
# 第一个参数的值作为x轴坐标，第二个参数的值作为y轴坐标
# 当只提供一个数值参数时，自动将其作为y轴坐标，x轴坐标为对应的数值下标
import pandas as pd
data_dict = pd.DataFrame({'xlabel':[1, 2, 3, 4], 'ylabel':[1, 2, 3, 4]})
plt.plot('xlabel', 'ylabel', data=data_dict)

# plot绘制散点图
import numpy as np
x = np.array([1, 2, 3, 4])
y = np.array([1, 2, 3, 4])
plt.plot(x,y,'o')  # 散点图
plt.plot(x,y,marker='o', linestyle='--', linewidth=2) # 散点图与直线图叠加

对于点而言，拥有以下基本属性

  1. 填充色， markerfillcolor, 简写为 mec
  2. 边框颜色，markeredgecolor, 简写为 mfc
  3. 边框的线条宽度，markeredgewidth, 简写为 mfc
  4. 大小, markersize, 简写为 ms
  5. 形状, marker

对于线而言，用于以下基本属性

  1. 颜色, color, 简写为 c
  2. 宽度，linewidth, 简写为 lw
  3. 风格，实线还是虚线，linestyle. 简写为 ls

plot参数简写1
plot参数简写2
plot参数简写3

# 图形叠加
plt.plot(x, y, label = 'sampleA')
plt.plot(x, y + 1, label = 'sampleB')
plt.plot(x, y + 2, label = 'sampleC')
plt.legend()

matplotlib 基础绘图命令之 bar

bar 命令用于绘制柱状图。

plt.bar(x = [1, 2, 3, 4], height = [4, 2, 3, 1])

参数 x 的值作为 x 轴坐标，height 的值作为 y 轴坐标。

  1. width, 柱子的宽度，即在 x 轴上的长度，默认是 0.8
  2. color, 柱子的填充色
  3. edgecolor, 柱子边框的颜色，默认为 None
  4. linewidth, 柱子边框的宽度，默认为 0，表示没有边框
  5. yerr,指定误差值的大小， 用于在柱子上添加误差线
  6. ecolor, 表示 errorbar color, 误差线的颜色
  7. bottom, 柱子底部的 baseline, 默认为 0
# 堆积柱状图
plt.bar(x = [1, 2, 3, 4], height = [4, 3, 2, 1], label = 'sampleA')
plt.bar(x = [1, 2, 3, 4], height = [4, 3, 2, 1], bottom = [4, 3, 2, 1], label = 'sampleB')
plt.legend()
# 核心是通过将第一组柱子的高度作为第二组柱子的底部，即bottom参数，从而实现堆积的效果

# 分组柱状图
width = 0.4
plt.bar(x = np.array([1, 2, 3, 4]) - width / 2, height = [4, 3, 2, 1], width = width, label = 'sampleA')
plt.bar(x = np.array([1, 2, 3, 4]) + width / 2, height = [1, 2, 3, 4], width = width, label = 'sampleB')
plt.legend()
# 核心是根据宽度的值，手动计算柱子的中心坐标，然后自然叠加就可以形成水平展开的分组柱状图

matplotlib 基础绘图命令之 pie

matplotlib 中，pie 方法用于绘制饼图。

plt.pie(x=[1, 2, 3, 4])

pie 方法常用的参数:

  1. labels, 设置饼图中每部分的标签
  2. autopct, 设置百分比信息的字符串格式化方式，默认值为 None,不显示百分比
  3. shadow, 设置饼图的阴影，使得看上去有立体感，默认值为 False
  4. startangle, 饼图中第一个部分的起始角度，
  5. radius, 饼图的半径，数值越大，饼图越大
  6. counterclock, 设置饼图的方向，默认为 True,表示逆时针方向，值为 False 时为顺时针方向
  7. colors，调色盘，默认值为 None, 会使用默认的调色盘，所以通常情况下，不需要设置该参数
  8. explode, 该参数用于突出显示饼图中的指定部分
# 为了将图例和内容有效的区分开来，可以通过设置legend方法的bbox_to_anchor参数,
# 该参数用于设置图例区域在figure上的坐标，其值为4个元素的元组，分别表示x,y,width,height,
data=[1,2,3,4]
labels=['sampleA', 'sampleB', 'sampleC', 'sampleD']
plt.pie(x=data, labels=labels, autopct=lambda pct:'({:.1f}%)\n{:d}'.format(pct, int(pct/100 * sum(data))))
plt.legend(labels,loc="upper left",bbox_to_anchor=(1.2, 0, 0.5, 1))

matplotlib 基础绘图命令之 scatter

scatter 方法用于绘制散点图，与 plot 方法不同之处在于，scatter 主要用于绘制点的颜色和大小呈现梯度变化的散点图，也就是我们常说的气泡图。

plt.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.randn(10))
# x和y参数指定x轴和y轴坐标，s参数指定mark size, 即点的大小，c参数指定color,即颜色。scatter会根据数值自动进行映射
# 难点在于其图例的处理上。scatter函数的返回值为一个PathCollections对象，通过其legend_elements方法，可以获得绘制图例所需的信息

scatter = plt.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.choice(np.arange(4), 10))
plt.legend(*scatter.legend_elements())

scatter = plt.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.choice(np.arange(4), 10))
plt.colorbar(scatter)

# legend_elements方法是有很多参数可以调整的，其中prop参数指定返回的信息，有两种取值，默认是colors, 表示返回的是点的颜色信息，取值为sizes时，返回的是点的大小信息。另外还有一个参数是num, 当图例的取值为连续型时，num指定了图例上展示的点的个数
scatter = plt.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.choice(np.arange(4), 10))
plt.legend(*scatter.legend_elements(prop='sizes', num = 6))

# 组合图例
fig, ax = plt.subplots()
scatter = ax.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.choice(np.arange(4), 10))
legend1 = ax.legend(*scatter.legend_elements(prop='colors'), loc='upper left',title='colors',bbox_to_anchor=(1, 0, 0.5, 1))
ax.add_artist(legend1)
legend2 = ax.legend(*scatter.legend_elements(prop='sizes', num = 6), loc='lower left',title='sizes',bbox_to_anchor=(1, 0, 0.5, 1))

matplotlib 基础绘图命令之 errorbar

在 matplotlib 中，errorbar 方法用于绘制带误差线的折线图。

plt.errorbar(x=[1, 2, 3, 4], y=[1, 2, 3, 4], yerr=1)
# yerr参数用于指定y轴水平的误差，同时该方法也支持x轴水平的误差，对应参数xerr。指定误差值有多种方式，上述代码展示的是指定一个统一标量的用法，此时，所以的点误差值都一样。
plt.errorbar(x=[1, 2, 3, 4], y=[1, 2, 3, 4], yerr=[1, 2, 3, 4]) # 不同误差线
plt.errorbar(x=[1, 2, 3, 4], y=[1, 2, 3, 4], yerr=[[1,2,3,4],[1, 2, 3, 4]]) # 每个点上下误差不一样

# 样式更改
# fmt参数的值和plot方法中指定点的颜色，形状，线条风格的缩写方式相同
plt.errorbar(x=[1, 2, 3, 4], y=[1, 2, 3, 4], yerr=1, fmt='co--')
# ecolor参数指定error bar的颜色，可以和折线的颜色加以区分
plt.errorbar(x=[1, 2, 3, 4], y=[1, 2, 3, 4], yerr=1, fmt='co--', ecolor='g')
# elinewidth参数指定error bar的线条宽度
plt.errorbar(x=[1, 2, 3, 4], y=[1, 2, 3, 4], yerr=1, fmt='ro-',ecolor='k',elinewidth=10)

# lims系列参数
# lims系列参数用于控制误差线的显示，对于x轴水平的误差线而言，有以下两个参数
# 1. xuplims
# 2. xlolims
# 对于y轴水平的误差线而言，有以下两个参数
# 1. uplims
# 2. lolims
# 默认的取值为False， 当取值为True时，对应方向的误差线不显示，同时在另外一个方向上的误差线上，会用箭头加以标识。
plt.errorbar(x=[1, 2, 3, 4], y=[1, 2, 3, 4], yerr=1, uplims=True)
plt.errorbar(x=[1, 2, 3, 4], y=[1, 2, 3, 4], yerr=1, lolims=True)
plt.errorbar(x=[1, 2, 3, 4], y=[1, 2, 3, 4], yerr=1, uplims=True, lolims=True)

# errorevery参数用于指定误差线的抽样频率，默认情况下，每个点的误差线都会显示，当点很多且密集分布时, 每个点都显示误差线的话，就很难看出有效的信息，
plt.errorbar(x=range(100), y=range(100),yerr=50)
plt.errorbar(x=range(100), y=range(100),yerr=50,errorevery=6) # 使用errorevery参数进行抽样

# 样式精细调整
plt.errorbar(x=[1, 2, 3, 4], y=[1, 2, 3, 4], yerr=1, marker='s', mfc='red', mec='green', ms=20, mew=4)

一文搞懂 matplotlib 中的颜色设置

常用颜色的字母表示及缩写
1. red,表示红色,  简写为r
2. green, 表示绿色，简写为g
3. blue,表示蓝色，简写为b
4. yellow,表示黄色，简写为y
5. cyan,表示蓝绿色，简写为c
6. magenta,表示粉紫色，简写为m
7. black,表示黑色，简写为k
8. white,表示白色，简写为w
T10 调色盘

在 matplotlib 中，默认的颜色盘通过参数 rcParams[“axes.prop_cycle”]参数来指定, 初始的调色盘就是 T10 调色盘。
T10 调色盘适用于离散分类，其颜色名称以 tab:为前缀。
在 matplotlib 中，默认就是通过这个 T10 调色盘来个不同的 label 上色的。

1. tab:blue
2. tab:orange
3. tab:green
4. tab:red
5. tab:purple
6. tab:brown
7. tab:pink
8. tab:gray
9. tab:olive
10. tab:cyan
CN 式写法

CN 式写法以字母 C 为前缀，后面加从 0 开始的数字索引，其索引的对象为 rcParams[“axes.prop_cycle”]指定的调色盘。CN 式对应调色板，当切换调色板时，CN 也会对应改变

xkcd 颜色名称

在 matplotlib 中，通过 xkcd:前缀加对应的颜色名称进行使用，而且是不区分大小写的。具体网站为：https://xkcd.com/color/rgb/

X11/CSS4 颜色名称
# 通过字典查看颜色
import matplotlib._color_data as mcd
for key in mcd.CSS4_COLORS:
    print('{}: {}'.format(key, mcd.CSS4_COLORS[key]))
十六进制颜色代码
# 十六进制的颜色代码可以精确的指定颜色，在matplotlib中也支持
plt.pie(x=[1,2,3,4], colors=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728'])
RGB/RGBA 元组
# 所有的颜色都是有RGB三原色构成，在matplotlib中，可以通过一个元组来表示表示red, green, blue三原色的比例，以及一个可选的alpha值来表示透明度，取值范围都是0到1
plt.pie(x=[1,2,3,4], colors=[(0.1, 0.2, 0.5),(0.1, 0.3, 0.5),(0.1, 0.4, 0.5),(0.1, 0.5, 0.5)])
灰度颜色
# 在matplotlib中，通过0到1之间的浮点数来对应灰度梯度，在使用时，为了有效区分，需要通过引号将其装换为字符
plt.pie(x=[1,2,3,4], colors=['0','0.25', '0.5', '0.75'])

matplotlib 基础绘图命令之 hist

hist 方法用于绘制直方图。

plt.hist(x = np.random.normal(size=1000))

具体参数：

  1. bins,控制直方图中的区间个数
  2. color,指定柱子的填充色
  3. edgecolor, 指定柱子边框的颜色
  4. density,指定柱子高度对应的信息，有数值和频率两种选择
  5. orientation，指定柱子的方向，有水平(horizontal)和垂直(vertical)两个方向
  6. histtype，绘图的类型 bar、step

matplotlib 基础绘图命令之 boxplot

plt.boxplot(x=np.random.normal(size=1000))

具体参数：

  1. notch,控制箱体图的形状,控制是否在图中显示中位数的置信区间(True)
  2. sym, 控制离群点的样式
  3. vert,控制箱体的方向,True 竖直，False 水平
  4. patch_artist，进行箱体图的颜色填充
  5. showmeans，显示均值
  6. labels, 指定 x 轴的坐标 boxplot 的返回值是一个字典,包括了箱体图中的各个元素
  7. whiskers, 对应箱体图中箱体上下两侧竖直的线条
  8. caps, 对应箱体图中竖直线条端点的水平线段
  9. boxes, 对应箱体图中的主体方框
  10. medians,对应箱体图中的中位数线段
  11. fiers,对应箱体图中的离群点
  12. means,对应箱体图中表示均值的点

matplotlib 基础绘图命令之 violinplot

plt.violinplot(dataset=np.random.normal(size=1000))

具体参数：

  1. vert,控制图形的方向
  2. showmeans, 是否在图中显示均值
  3. showmedians,是否在图中显示中位数
  4. showextrema, 是否在图中显示最大值和最小值
np.random.seed(19680801)
data = [np.random.normal(size=500), np.random.normal(size=1000)]
violin = plt.violinplot(dataset=data, showextrema=False)
for patch in violin['bodies']:
    patch.set_facecolor('#D43F3A')
    patch.set_edgecolor('black')
    patch.set_alpha(1)
for i,d in enumerate(data):
    min_value,quantile1, median, quantile3, max_value = np.percentile(d, [0, 25, 50, 75, 100])
    print(median)
    plt.scatter(i+1, median, color='white',zorder=4)
    plt.vlines(i+1,quantile1, quantile3, lw=9, zorder=3)
    plt.vlines(i+1,min_value, max_value, zorder=2)
plt.xticks(ticks=[1,2], labels=['A', 'B'])

matplotlib 基础绘图命令之 imshow

imshow 方法用于绘制热图。
imshow 方法首先将二维数组的值标准化为 0 到 1 之间的值，然后根据指定的渐变色依次赋予每个单元格对应的颜色，就形成了热图。

plt.imshow(data)
plt.colorbar()  # 图例
  1. cmap：指定渐变色，完整的内置 colormap 列表https://matplotlib.org/tutorials/colors/colormaps.html
  2. aspect：指定热图的单元格的大小，equal/auto
  3. alpha：指定透明度
  4. origin：指定绘制热图时的方向 upper/lower
  5. vmin 和 vmax：用于限定数值的范围
  6. interprolation：控制热图的显示形式 None/none/nearest/bilinear/bicubic
  7. extent：指定热图 x 轴和 y 轴的极值,前两个数值对应 x 轴的最小值和最大值，后两个参数对应 y 轴的最小值和最大值

渐变色

  1. sequential
    1. perceptually uniform sequential colormaps
    2. sequential colormaps
    3. sequential2 colormaps
  2. diverging
  3. cyclic
  4. qualitative
自定义渐变色
  1. ListedColormap
  2. LinearSegmentedColormap

掌握坐标轴的 log 转换

对于跨度很大其分布离散的数据，常用 log 转换来缩写其差距。

  1. loglog, 同时对 x 轴和 y 轴的值进行 log 转换
  2. semilogx, 只对 x 轴的值进行 log 转换，y 轴的值不变
  3. semilogy, 只对 y 轴的值进行 log 转换，x 轴的值不变

专属参数：

  1. base, 指定对数的值，默认值为 10，即进行 log10 的转换
  2. subs，设定 minor ticks 的位置，默认值为 None
  3. nonpositive, 对非负值的处理，因为只有正数可以取 log, 如果原始值为负值，此时有两种处理方式，第一种是丢掉这个点，也是默认的处理方式，对应该参数的值为 mask, 在图中不显示这个点，第二种是将这个值调整为最接近的正数，对应该参数的取值为 clip

点线图和阶梯图

在 matplotlib 中，通过 step 函数来实现折线图。

import matplotlib.pyplot as plt
x = range(20)
y = range(20)
plt.step(x, y)
# where参数用于控制阶梯的样式
# pre,post,mid：指定折线位置

点线图在 matplotllib 中通过 stem 函数来实现。

plt.stem(x, y)
# markerfmt, linefmt, basefmt3个参数来控制其外观

数据添加置信区间

在 matplotlib 中， 可以通过 fill_between 系列函数来实现图中的置信区间的展示效果。
该系列包含了 fill_between 和 fill_betweenx 两个函数，其中，fill_between 函数用于在两个水平曲线之间进行填充，fill_betweenx 用于在两条数值区间之间进行填充, 两个函数的参数完全一致。
fill_between 函数有 x, y1, y2 这 3 个基本参数，其中通过(x, y1)指定了第一条水平线，（x, y2）指定了第二条水平线，然后在两个水平线之间进行填充。其中，y2 参数是有默认值的，其默认值为 0。
为你的数据添加置信区间

添加直线的两种方式

在 matplotlib 中, hlines 用于绘制水平线，vlines 用于绘制垂直线，二者的用法相同，都需要 3 个基本参数。
hlines 和 vlines 系列函数一次可以绘制多条直线，而且可以根据起始和结束坐标，灵活指定直线的跨度。 axhline 和 axvline 系列函数一次只可以添加一条直线。
axhine 和 axvline 基于绘图区域百分比的形式添加直线，hlines 和 vlines 函数则基于坐标的方式灵活指定直线的范围.

绘制双坐标图

在 matplotlib 中存在两种方式来实现双坐标图：

  1. secondary_axis 系列函数：secondary_axis,secondary_yaxis 第一个参数用于指定第二个坐标轴的位置，双 Y 轴取值为 left/right,双 X 轴取值为 top/bottom，也可取值为 0，1 以及小数 第二个参数用于指定第二个坐标轴的 scale，值为长度为 2 的元组
  2. twin 系列函数：twinx 和 twiny

对图标的坐标轴进行调整

针对坐标轴各个元素的个性化调整，matplotlib 存在对应的函数。

标题
  1. set_xlabel，设置 x 轴的标题
  2. set_ylabel，设置 y 轴的标题
  3. set_title，设置图片标题
刻度线
  1. set_xticks，设置 x 轴的刻度（get_xticks 获取刻度线）
  2. set_yticks，设置 y 轴的刻度（get_yticks 获取刻度线）
刻度线标签
  1. set_xticklabels，设置 x 轴刻度线标签（get_xticklabels 获取刻度线标签）
  2. set_yticklabels，设置 y 轴刻度线标签（get_yticklabels 获取刻度线标签）
坐标轴范围
  1. set_xlim 或 set_xbound, 设置 x 轴的坐标范围（get_xlim/xbound 获取刻度线范围）
  2. set_ylim 或 set_ybound, 设置 y 轴的坐标范围（get_xlim/xbound 获取刻度线范围）
坐标轴反转(坐标轴逆向显示)
  1. invert_xaxis，逆向 x 轴（ax.xaxis_inverted() 检查是否反转）
  2. invert_yaxis，逆向 y 轴（ax.yaxis_inverted() 检查是否反转）
综合性函数

ax.tick_params(direction=’in’,bottom=False,top=True,labeltop=True,labelbottom=False)
direction 参数控制刻度线的方向，bottom 和 top 控制对应方向的刻度线是否显示，labelbottom 和 labeltop 控制对应放下的刻度线标签是否显示.

个性化调整坐标轴

matplotlib 中对于坐标轴轴线的调整需要采用 spines 对象来实现。此外还可以使用 set_visiable 方法

ax.spines['top'].set_color(None)
ax.spines['right'].set_color(None)
# 图像的上下左右四个边框分别对应spines的top, bottom, left, right4个key的值，将其颜色设置为None,就可以起到隐藏对应边框的作用
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

通过 axes 的 spine 属性可以方便的调整坐标轴轴线的属性。

ax.spines['right'].set_color(None)
ax.spines['top'].set_color(None)
ax.spines['left'].set_position('center')
ax.spines['bottom'].set_position('center')

实现一页多图

matplotlib 中存在两种方式实现一页多图(拼图)，一是直接指定，二是动态增加。直接指定是在创建 figure 的时候，就直接定义好多个 axes 的排列方式；动态增加则是根据需要在 figure 上添加 axes。

# 直接指定可以通过pyplot子模块的subplots函数来实现
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2)
ax1.plot([1,2,3,4])
ax2.bar(x = [1, 2, 3, 4], height = [4, 2, 3, 1])
ax3.hist(x = np.random.normal(size=1000), bins=50)
ax4.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.randn(10))
plt.show()

# 动态指定是在生成新的axes对象的同时，指定其排列的位置，通过pyplot子模块的subplot函数来实现
# 前两个数字分别表示布局的行数和列数，第三个数值表示的是索引
ax1 = plt.subplot(221)
ax2 = plt.subplot(222)
ax3 = plt.subplot(223)
ax4 = plt.subplot(224)

ax1.plot([1,2,3,4])
ax2.bar(x = [1, 2, 3, 4], height = [4, 2, 3, 1])
ax3.hist(x = np.random.normal(size=1000), bins=50)
ax4.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.randn(10))
plt.show()

# 支持不同axes占据不同区域，通过pyplot子模块的subplot2grid函数来实现
# 第一个元组表示布局的行数和列数，第二个元组表示axes的数组下标，colspan和rowspan分别指定该axes占据的行数和列数。
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=2)
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2, rowspan=2)
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2)
ax1.bar(x = [1, 2, 3, 4], height = [4, 2, 3, 1])
ax2.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.randn(10))
ax3.hist(x = np.random.normal(size=1000), bins=50)
plt.show()

# 将figure视为左下角为(0,0), 右上角为(1, 1)的坐标系，通过left等参数分别指定上下左右的坐标，从而设置绘图区域的大小。wspace和hspace参数分别指定分割线的宽度和高度，其数值为每个axes width和height的比例。
plt.subplots_adjust(left=0.25, right=0.9, bottom=0.1, top=0.9, wspace=0.2, hspace=0.2)

画中画

matplotlib 实现画中画的方式有两种。

# 第一种：通过在原本axes中插入一个新的axes, 来实现画中画的目的
fig,ax = plt.subplots()
ax.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.randn(10))
ax1 = ax.inset_axes([0.6, 0.5, 0.3, 0.45])  # 插入新的axes
ax1.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.randn(10))
plt.show()

# 第二种：对图中的局部区域进行缩放，属于画中画的一种特殊情况
# indicate_inset_zoom
fig,ax = plt.subplots()
seed = 123456
np.random.seed(seed)
ax.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.randn(10))
ax1 = ax.inset_axes([0.6, 0.5, 0.32, 0.45])
np.random.seed(seed)
ax1.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.randn(10))
ax1.set_xlim(-1.5, -0.8)
ax1.set_ylim(-0.8, -0.3)
ax.indicate_inset_zoom(ax1)
plt.show()

设置不同主题

主题就是指对背景色，坐标轴，标题等元素进行设定。在 matplotlib 中通过 matplotlib.style 模块进行定义。

# 查看所有主题
plt.style.available

# 基本用法
import numpy as np
import matplotlib.pyplot as plt
plt.style.use('dark_background')
plt.plot(np.sin(np.linspace(0, 2 * np.pi)), 'r-o')
plt.show()

# 查看主题的具体定义
import matplotlib
import matplotlib.style
print(matplotlib.style.library['dark_background'])

# 主题中定义修改--rcParams字典实现
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
plt.style.use('ggplot')
mpl.rcParams['xtick.color'] = 'red'
mpl.rcParams['ytick.color'] = 'blue'
plt.plot(np.sin(np.linspace(0, 2 * np.pi)), 'r-o')
plt.show()

# 自定义主题
# 进入matplotlib安装路径下的stylelib文件夹
# 构建自己的主题文件即可

通过 cycler 实现属性的自动映射

这里提到的属性映与 R 语言 ggplot 中的概念其实是一致的。

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 3 * np.pi, 50)
offsets = np.linspace(0, 2 * np.pi, 4, endpoint=False)
for i in range(6):
     y = np.sin(x) + i
     plt.plot(x, y)
plt.show()

matplotlib.rcParams['axes.prop_cycle']  # axes.prop_cycle属性设置颜色的自动映射，超出数量时会自动循环

# 通过cyler模块，可以自定义这样的属性循环
from cycler import cycler
custom_cycler = cycler(color=['c', 'm', 'y', 'k'])
fig, ax = plt.subplots()
ax.set_prop_cycle(custom_cycler)   # set_prop_cycle将该颜色循环添加到特定的axes对象上
x = np.linspace(0, 3 * np.pi, 50)
offsets = np.linspace(0, 2 * np.pi, 4, endpoint=False)
for i in range(6):
 y = np.sin(x) + i
 ax.plot(x, y)
plt.show()

# 该循环可以定义的属性很多，颜色，线条宽度，线条样式等常用属性都可以进行定义，而且不同的循环还可以进行叠加
from cycler import cycler
custom_cycler = cycler(cycler(color=['c', 'm', 'y']) + cycler(linestyle=['-', '--', ':']))
fig, ax = plt.subplots()
ax.set_prop_cycle(custom_cycler)
x = np.linspace(0, 3 * np.pi, 50)
offsets = np.linspace(0, 2 * np.pi, 4, endpoint=False)
for i in range(6):
... y = np.sin(x) + i
... ax.plot(x, y)
plt.show()

添加图例

存在两种添加图例的方式：

  1. 在绘制元素时指定 label,然后 legend 自动识别对应的 label 属性，绘制图例
  2. 绘制元素时不需要指定 label, 但是需要获取对应的 artist 对象，然后在 legend 函数中为其指定对应的 label
# 第一种方法
>>> x = np.linspace(0, 2 * np.pi, 50)
>>> plt.plot(x, np.sin(x), label='sin')
>>> plt.plot(x, np.cos(x), label='cos')
>>> plt.legend()
>>> plt.show()
`
# 第二种方法
>>> x = np.linspace(0, 2 * np.pi, 50)
>>> line1, = plt.plot(x, np.sin(x))
>>> line2, = plt.plot(x, np.cos(x))
>>> plt.legend((line1, line2), ('sin', 'cos'))
>>> plt.show()

# 位置属性
plt.legend(['sin'], loc='upper center')    # 字符串设置
plt.legend(['sin'], loc=(0.65, 0.75))   # 坐标设置

# legend函数存在两种方法，axes.legend 和 figure.legend，默认调用前者

constrained 和 tight layout

constrained 和 tight layout 主要在 matplotlib 中进行图片自动调整，如超出边框显示不全等等。

plt.subplots(constrained_layout=True)
plt.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.randn(10))
plt.title('title', fontsize = 60)
plt.xlabel('xlabel', fontsize = 30)
plt.ylabel('ylabel', fontsize = 30)
plt.show()

plt.scatter(x= np.random.randn(10), y=np.random.randn(10),s=40 * np.arange(10),c=np.random.randn(10))
plt.title('title', fontsize = 60)
plt.xlabel('xlabel', fontsize = 30)
plt.ylabel('ylabel', fontsize = 30)
plt.tight_layout()
plt.show()

用不同的坐标系统对图形元素进行定位

matplotlib 中常用的坐标系统：

  1. data，其实就是最常用的 x 轴和 y 轴了，通过指定 xlim 和 ylim 范围内的数值来指定元素的位置，
  2. axes,将 axes 的左下角视为(0, 0), 右上角视为(1,1),从而对元素进行定位
  3. figure, 将 figure 的左下角视为(0, 0), 右上角视为(1,1),从而对元素进行定位

通过 transform 参数，可以显式指定坐标系统。

三维图绘制

通过 mplot3d 工具可以实现，只需要在 axes 对象中指定 projection 参数为 3d 即可，只需要同时提供 x,y,z 三个坐标轴对应的值即可。

fig = plt.figure()
ax = plt.axes(projection='3d')

设置坐标轴刻度的位置和样式

在 matplotlib 中，通过子模块 ticker 可以对坐标轴刻度的位置和样式进行设置。

  1. set_major_locator
  2. set_minor_locator
  3. set_major_formatter
  4. set_minor_formatter 多种设置方式
    locator 形式
  5. AutoLocator, 默认值，自动对刻度线的位置进行设置
  6. MaxNLocator, 根据提供的刻度线的最大个数，自动设置
  7. IndexLocator, 根据起始位置和间隔来设置刻度线
  8. MultipleLocator, 根据指定的间隔来设置刻度线
  9. FixedLocator, 根据提供的列表元素来设置刻度线
  10. NullLocator,不显示刻度线 formatter 形式
  11. PercentFormatter，标签显示成百分比
  12. StrMethodFormatter，根据字符串格式化语法进行格式化
  13. FormatStrFormatter，根据字符串格式化语法进行格式化
  14. MultipleLocator, 根据指定的间隔来设置刻度线
  15. NullFormatter，不显示标签

图中添加多边形

在 matplotlib 中有一个子模块 patches, 提供了绘制各种多边形的功能 

# 圆形
patch = patches.Circle((0.5, 0.5), radius=0.2, transform=ax.transAxes)
# 椭圆
patch = patches.Ellipse((0.5, 0.5), width=0.4, height= 0.2)
# 箭头
patch = patches.Arrow(x=0.2, y=0.2, dx=0.5, dy=0.6)
# 矩形
patch = patches.Rectangle(xy=(0.2,0.2), width=0.5, height=0.4)
# 多边形
patch = patches.Polygon(np.array(([0.2, 0.2], [0.4, 0.6], [0.6, 0.2])))
# 连线
patch = patches.ConnectionPatch(xyA=(0.2, 0.2), xyB=(0.8, 0.8), coordsA=ax.transData, coordsB=ax.transData)
# 曲线
style = patches.ConnectionStyle.Arc3(rad=0.2)
patch = patches.ConnectionPatch(xyA=(0.2, 0.2), xyB=(0.8, 0.8), coordsA=ax.transData, coordsB=ax.transData,connectionstyle=style)
# 自定义多边形
# 通过子模块path可以自定义形状
from matplotlib.path import Path
fig, ax = plt.subplots(figsize=(4,4))
verts = [(0.2, 0.2),(0.2, 0.6),(0.5,0.8),(0.8,0.6),(0.8,0.2)]
codes = [Path.MOVETO, Path.LINETO, Path.LINETO, Path.LINETO, Path.LINETO]
path = Path(verts, codes)
patch = patches.PathPatch(path)
ax.add_artist(patch)
plt.show()
# 对于单个多边形而言，通过add_artist方法添加到axes上，如果需要绘制多个多边形，可以通过绘制PatchCollection来一次性添加多个

极坐标系

import numpy as np
import matplotlib.pyplot as plt
r = np.arange(0, 2, 0.01)
theta = 2 * np.pi * r
ax = plt.subplot(111, projection='polar')   # projection参数定义极坐标系
ax.plot(theta, r)
ax.set_rticks([0.5, 1, 1.5, 2])
plt.show()

在 matplotlib 的极坐标系中，确定点的坐标需要两个值，第一个值是点的弧度值，第二个是半径，简单理解，弧度看做是笛卡尔坐标系中的 x 轴坐标，半径看做是笛卡尔坐标系中的 y 轴坐标。

vals = [123, 124, 102, 111, 100, 121, 96, 107, 111, 116, 101, 83, 91, 123, 109, 130, 125, 87, 91, 99, 115, 109, 123, 111]
theta = np.linspace(0, 2 * np.pi, len(vals))
ax = plt.subplot(111, projection='polar')
ax.bar(theta, vals, width = 2 * np.pi / len(vals))
ax.tick_params(labelleft=False)
plt.show()

# 显示部分区域
vals = [123, 124, 102, 111, 100, 121, 96, 107, 111, 116, 101, 83, 91, 123, 109, 130, 125, 87, 91, 99, 115, 109, 123, 111]
theta = np.linspace(0, 2 * np.pi, len(vals))
ax = plt.subplot(111, projection='polar')
ax.bar(theta, vals, width = 2 * np.pi / len(vals))
ax.tick_params(labelleft=False)
ax.set_thetamin(45)
ax.set_thetamax(135)
plt.show()

# 设置半径范围
vals = [123, 124, 102, 111, 100, 121, 96, 107, 111, 116, 101, 83, 91, 123, 109, 130, 125, 87, 91, 99, 115, 109, 123, 111]
theta = np.linspace(0, 2 * np.pi, len(vals))
ax = plt.subplot(111, projection='polar')
ax.bar(theta, vals, width = 2 * np.pi / len(vals))
ax.tick_params(labelleft=False)
ax.set_rorigin(-20)
plt.show()

多图排版技巧

# 在matplotlib中，可以通过ImageGrid方法来调节多图的排版问题
# single只显示一个图例
fig = plt.figure()
grid = ImageGrid(fig, rect=(0.05,0.05,0.8,0.8),nrows_ncols=(1, 2), axes_pad=0.25, label_mode="1", cbar_location="right", cbar_mode="single")
for ax in grid:
... im = ax.imshow(data)
grid.cbar_axes[0].colorbar(im)
plt.show()

# each每幅图对应自己的图例
fig = plt.figure()
grid = ImageGrid(fig, rect=(0.05,0.05,0.8,0.8),nrows_ncols=(1, 2), axes_pad=0.5, label_mode="1", cbar_location="right", cbar_mode="each", cbar_pad="3%")
for ax, cax in zip(grid, grid.cbar_axes):
    im = ax.imshow(data)
   cax.colorbar(im)
plt.show()

# 图片大小不一致设置
data1 = np.random.rand(50).reshape(5, 10)
data2 = np.random.rand(30).reshape(5, 6)
data3 = np.random.rand(20).reshape(5, 4)
fig = plt.figure()
grid = ImageGrid(fig, rect=(0.05,0.05,0.8,0.8),nrows_ncols=(1, 3), axes_pad=0.25, label_mode="1", cbar_location="right", cbar_mode="single", cbar_pad="3%")
for ax, data in zip(grid, [data1, data2, data3]):
   im = ax.imshow(data)
grid.cbar_axes[0].colorbar(im)
plt.show()

seaborn 更高效的统计图表制作工具

seaborn 是针对数据的统计学描述，整合了一系列相关的可视化功能。

  1. relplot, 描述数据点之前的关联，可视化形式是散点图和折线图
  2. displot, 描述数据点的分布，可视化形式包括直方图，密度曲线等
  3. catplot, 描述分类变量的分布，可视化形式包括箱体图，柱状图，小提琴图等
import seaborn as sns
sns.relplot(data=df, x='total_bill', y='tip', kind='scatter')
# 使用relplot函数来可视化x和y变量的关系，kind参数的值为scatter
sns.scatterplot(data=df, x='total_bill', y='tip')
属性映射
# hue参数用于映射颜色属性，style颜色用于映射形状属性，size参数用于映射点的大小属性
sns.relplot(data=df, x='total_bill', y='tip', hue='day', style='day')
分面
# 通过row和col参数将数据框的列映射为不同的分面,仅在大类函数中适用
sns.relplot(data=df, x='total_bill', y='tip', hue='day', col='time')

# pairplot
sns.pairplot(df)
# jointplot
sns.jointplot(data=df, x='total_bill', y='tip', hue='day')

seaborn 之折线图和散点图关联

在 seaborn 中，satterplot 绘制散点图，lineplot 绘制折线图。

  1. hue, 用于映射颜色
  2. size, 于映射线条的宽度或者点的大小
  3. style, 用于映射线条的样式或者点的样式
# 散点图绘制
df = pd.read_csv('tips.csv')
sns.scatterplot(data=df, x="total_bill", y="tip", hue="day", style="time", size="size")
plt.show()

# 折线图绘制
sns.lineplot(data=df, x="total_bill", y="tip", hue="day", style="time", size='size')

# 属性映射顺序
# 1. hue_order（针对离散变量）
# 2. size_order
# 3. style_order
sns.scatterplot(data=df, x="total_bill", y="tip", hue="day", style="time", size='size', hue_order=['Fri','Thur','Sat','Sun'])

# norm系列函数用于映射连续变量的映射过程
sns.scatterplot(data=df, x="total_bill", y="tip", hue="size", style="time", hue_norm=(2, 5))

# 属性组合
sns.scatterplot(data=df, x="total_bill", y="tip", hue="day", style="day")

# 分面
sns.relplot(data=df, x="total_bill", y="tip", hue="day", col="time")

seaborn 数据总体分布可视化

  1. histplot. 通过直方图来展示数据分布
  2. kdeplot, 通过密度分布图来展示数据分布
  3. ecdfplot. 通过累积分布曲线来展示数据分布
  4. rugplot. 通过 x 轴和 y 轴的边际分布来展示数据分布

seaborn 分类变量的汇总展示

根据分类变量对样本进行分组，然后展示每一组的分布，适合多组数据的横向比较。

  1. stripplot,
  2. swarmplot
  3. boxplot
  4. violinplot
  5. boxenplot
  6. pointplot
  7. barplot
  8. countplot

seaborn 可视化数据库中多个列元素

seaborn 中 pairplot 函数用于快速展示列元素分布和相互关系的函数。该函数会自动选取数据框中值为数字的列元素，其中对角线用于展示各个列元素的分布情况，剩余空间展示每两个列元素之间的关系。

df = pd.read_csv("text.csv")
sns.pairplot(df)
plt.show()

# 通过corner参数，可以控制只显示图形的一半
sns.pairplot(df,corner=True)
plt.snow()

# kind和diag_kind用于指定上下三角区域和对角线区域的可视化方式
sns.pairplot(df, kind='reg', diag_kind='kde')
plt.show()

# x_vars和y_vars指定列
sns.pairplot(df, x_vars=['bill_length_mm', 'bill_depth_mm'], y_vars=['bill_length_mm', 'bill_depth_mm'])
plt.show()

# hue用于分组变量的颜色映射
sns.pairplot(df,hue="species")
plt.show()

seaborn 绘制热图

# heatmap绘制普通热图
sns.heatmap(data)
plt.show()
sns.heatmap(data, linewidth=1)
plt.show()
sns.heatmap(data, linewidth=1, annot=True)
plt.show()

# clustermap绘制带聚类数的热图
sns.clustermap(df)
plt.show()
sns.clustermap(df, standard_scale=0)  # 按行进行数据标准化
plt.show()
sns.clustermap(df, z_score=0)  # 按行zscore标准化
plt.show()
sns.clustermap(df, col_colors=['r','g','b','b','b'])  # 对行标签和列标签进行注释
plt.show()

seaborn中jointplot探究两组变量分布及关系

# 同时绘制两组变量的散点图以及各自对应的直方图
sns.jointplot(data=df, x='bill_length_mm', y='bill_depth_mm')
plt.show()

# kind参数调整可视化形式
# reg/hist/kde/hex/resid
# plot_joint函数用于指定x和y相互关系的可视化形式，plot_marginals函数用于指定x和y变量各自分布的可视化形式。结合jointplot一起使用时，是在已有可视化元素的基础上进行添加，可以通过zorder等参数指定优先级。

# JointGrid灵活接口
g = sns.JointGrid(data=df, x='bill_length_mm', y='bill_depth_mm')
g.plot(sns.scatterplot, sns.histplot)
plt.show()

seaborn绘图风格的设置

# context
sns.plotting_context()    # 查看context影响的具体元素
sns.set_context('notebook')     # 设置对应的context值

# style
sns.axes_style("white")     # 查看对应的元素属性
with sns.axes_style('white'):
...     sns.scatterplot(data=df, x='total_bill', y='tip')
plt.show()
sns.set_style('white', rc={'figure.facecolor':'black'})   # 修改部分属性的值

# theme
#  一次性设置context, style, palette等属性
sns.set_theme(context='notebook', style='darkgrid', palette='deep', font='sans-serif')
sns.set(context='notebook', style='darkgrid', palette='deep', font='sans-serif')   # set为set_theme别名

seaborn颜色设置

# 通过color_palette函数来设置颜色
sns.color_palette()

# 存在多种颜色梯度
palettes = ['deep', 'muted', 'pastel', 'bright', 'dark', 'colorblind']
ax.pie(x, colors = sns.color_palette(palette))

# 借用matplotlib颜色列表
plt.pie(x, colors=sns.color_palette('Paired'))

# 通过色相、饱和度和明度来设置颜色
# 通过husl_palette和hsl_palette两个子函数来实现
fig, (ax1, ax2) = plt.subplots(1, 2)
ax1.pie(x, colors=sns.color_palette('husl', 10))
ax1.text(0.5, 1, 'husl', transform=ax1.transAxes, ha='center')
ax2.pie(x, colors=sns.color_palette('hls', 10))
ax2.text(0.5, 1, 'hls', transform=ax2.transAxes, ha='center')
plt.show()

# 通过子函数cubehelix_palette来实现
plt.pie(x, colors=sns.color_palette('ch:')) # 通过前缀ch:来标识对应的参数
plt.show()

# light, dark and blend  palette
fig, (ax1, ax2, ax3) = plt.subplots(1, 3)
ax1.pie(x, colors=sns.color_palette('light:blue'))
ax1.text(0.5, 1, 'light_palette', transform=ax1.transAxes, ha='center')
ax2.pie(x, colors=sns.color_palette('dark:blue'))
ax2.text(0.5, 1, 'dark_palette', transform=ax2.transAxes, ha='center')
ax3.pie(x, colors=sns.color_palette('blend:red,blue'))
ax3.text(0.5, 1, 'blend_palette', transform=ax3.transAxes, ha='center')
plt.show()

# 自定义颜色
plt.pie(x, colors=sns.color_palette(['xkcd:green','xkcd:blue','xkcd:red', 'xkcd:brown', 'xkcd:pink', 'xkcd:purple'])）
plt.show()

# 绘制热图渐变色
# rocket
# flare
# mako
# crest
sns.heatmap(data, cmap='rocket')
CATALOG
    FEATURED TAGS
    计算机 单细胞 生信分析 理财投资 机器学习 生物信息