Matplotlib数据可视化高级

Posted 2022-02-11 辰chen

目录

• 前言
• 1.多图布局
• • 1.1 子视图
  • 1.2 嵌套
  • 1.3 多图布局分格显示
  • • 1.3.1 均匀布局
    • 1.3.2 不均匀分布
  • 1.4 双轴显示
• 2.文本、注释、箭头
• • 2.1 文本
  • 2.2 箭头
  • 2.3 注释
  • 2.4 注释箭头连接形状
• 3.训练场
• • 3.1 绘制如下子图

---

前言

本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍Matplotlib数据可视化高级，读本文之前，如果没有 Matplotlib基础建议先看博客：Matplotlib数据可视化入门，后续还会单独发一篇 Matplotlib数据可视化进阶 内容供读者学习。

🌟 学习本文之前，需要先自修：NumPy从入门到进阶，pandas从入门到进阶本文中很多的操作在 NumPy从入门到进阶 ，pandas从入门到进阶二文中有详细的介绍，包含一些软件以及扩展库，图片的安装和下载流程，本文会直接进行使用。

下载 $Matplotlib$ 见博客：matplotlib的安装教程以及简单调用，这里不再赘述

1.多图布局

1.1 子视图

🚩创建子视图可以一个视图一个视图的创建，也可以多个视图一起创建：
单图创建：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi)

# 创建子视图：2行1列第1个视图
ax = plt.subplot(2, 1, 1)
ax.plot(x, np.sin(x))

# 创建子视图：2行1列第2个视图
ax = plt.subplot(2, 1, 2)
ax.plot(x, np.cos(x))

多图一起创建：

# 一次创造多个视图
fig, axes = plt.subplots(2, 2) # 2行2列:四个图
# 索引从0开始
axes[0, 0].plot(x, np.sin(x), color = 'red')
axes[0, 1].plot(x, np.sin(x), color = 'green')
axes[1, 0].plot(x, np.cos(x), color = 'purple')
axes[1, 1].plot(x, np.cos(x))

下面附上一个完整的代码供读者理解：
遇到无法理解的地方可以看后面的代码解释，还是不理解的地方可以评论区留言（有问必答）

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
line, = ax.plot(x, -y) # 返回绘制对象
line.set_marker('*') # 调用对象设置方法，设置属性
line.set_markerfacecolor('red')
line.set_markeredgecolor('green')
line.set_markersize(10)

# 子视图3
ax = plt.subplot(2, 1, 2) # 两行一列第二行视图
plt.sca(ax) # 设置当前视图
x = np.linspace(-np.pi, np.pi, 200)
plt.plot(x, np.sin(x * x), color = 'red')

对上述代码的部分进行讲解：

# 第15行
# line, = ax.plot(x, -y) # 返回绘制对象

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
ax.plot(x, -y) # 返回绘制对象

ax.plot(x, -y)其实就是返回了一句话：[<matplotlib.lines.Line2D at 0x1914fb1d250>]
我们可以发现这句话使用的是列表，我们取出这句话可以用：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
line = ax.plot(x, -y) # 返回绘制对象
line[0]

我们也可以使用 , 去取：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
line, = ax.plot(x, -y) # 返回绘制对象
line

还有一个很容易晕掉的细节：就是我们在绘图的时候几行几列第几个是什么意识：
我们就拿上述代码去说明：
我们假想有一块空白的板子是供我们绘图的，下面来看上述代码：

ax = plt.subplot(221) # 两行两列第一个子视图

这行代码的意思是把我们假想的这块白板，划分称为两行两列的板子：

然后这个图片占据的是第一个板子的位置，对于板子位置我们有如下规定：

板子的编号从1开始，而非从0开始，从左至右，从上至下依次命名板子

所以对上面这个板子，板子的编号为：

所以我们最后图像所显示的其实就是左上角的位置。

接着来看我们的第二个图：

ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图

这下就好理解啦，还是把之前的空白板子分成两行两列，然后编号为2，即右上角。

接着我们来看第三个图：

ax = plt.subplot(2, 1, 2) # 两行一列第二行视图

把我们的空白板子分成两行一列，那么就是下图的形式：

然后我们把第三个图片放到第二个位置，不难想到，该图的第二个位置其实就是对应的我们分成两行两列的 3,4 位置，所以三个图像最终绘制的结果就是：

1.2 嵌套

🚩所谓嵌套，其实就是在图形中继续画图：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 25)
y = np.sin(x)
fig = plt.figure(figsize = (9, 6)) # 创建视图

plt.plot(x,y)

# 嵌套方式一，axes轴域（横纵坐标范围），子视图
# x,y,width,height
ax = plt.axes([0.2, 0.55, 0.3, 0.3]) # 参数含义[left, bottom, width, height]
ax.plot(x, y, color = 'g')

# 嵌套方式二
ax = fig.add_axes([0.55, 0.2, 0.3, 0.3]) # 使用视图对象添加子视图
ax.plot(x, y, color = 'r')

1.3 多图布局分格显示

1.3.1 均匀布局

🚩每张图片都是均匀展示的

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0,2*np.pi)
# sharex:所有小图共享x轴  sharey:表示所有小图共享y轴  坐标轴以所有小图中范围最大的进行显示
fig, ((ax11,ax12,ax13), (ax21,ax22,ax23),(ax31,ax32,ax33)) = plt.subplots(3, 3)
# 也可通过plt.subplot() 一个个添加子视图
fig.set_figwidth(9)
fig.set_figheight(6)
ax11.plot(x,np.sin(x))
ax12.plot(x,np.cos(x))
ax13.plot(x,np.tanh(x))
ax21.plot(x,np.tan(x))
ax22.plot(x,np.cosh(x))
ax23.plot(x,np.sinh(x))
ax31.plot(x,np.sin(x) + np.cos(x))
ax32.plot(x,np.sin(x * x) + np.cos(x * x))
ax33.plot(x,np.sin(x) * np.cos(x))
# 紧凑显示，边框会比较小，可以注释掉该行查看效果
plt.tight_layout()
plt.show()

1.3.2 不均匀分布

🚩上图中代码运行所展示的就是均匀分布的结果，可以看出每张图片所占的空间大小都是均等的，如下面图片的展示结果，就是不均匀分布：

为显示如上图的不均匀分布，我们有三种方法

方法一：

import numpy as np
import matplotlib.pyplot as plt
# 需要导入gridspec模块
x = np.linspace(0, 2 * np.pi, 200)
fig = plt.figure(figsize = (12, 9))
# 使用切片方式设置子视图
ax1 = plt.subplot(3, 1, 1) # 视图对象添加子视图
ax1.plot(x, np.sin(10 * x))
# 设置ax1的标题，xlim、ylim、xlabel、ylabel等所有属性现在只能通过set_属性名的方法设置
ax1.set_title('ax1_title')  # 设置小图的标题
ax2 = plt.subplot(3, 3, (4, 5))
ax2.set_facecolor('green')
ax2.plot(x, np.cos(x),color = 'red')
ax3 = plt.subplot(3, 3, (6, 9))
ax3.plot(x,np.sin(x) + np.cos(x))
ax4 = plt.subplot(3, 3, 7)
ax4.plot([1, 3], [2, 4])
ax5 = plt.subplot(3, 3, 8)
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)
plt.show()

方法二：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 100)
plt.figure(figsize = (12, 9))
# 子视图1
ax1 = plt.subplot2grid(shape = (3, 3),# 布局形状
                       loc =  (0, 0), # 布局绘制位置
                       colspan = 3) # 跨几列
ax1.plot(x, np.sin(10 * x))
# 设置ax1的标题，xlim、ylim、xlabel、ylabel等所有属性现在只能通过set_属性名的方法设置
ax1.set_title('ax1_title')  # 设置小图的标题
# 子视图2
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan = 2) # 跨两列
ax2.set_facecolor('green')
ax2.plot(x,np.cos(x),color = 'red')
# 子视图3
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan = 2) # 跨两行
ax3.plot(x,np.sin(x) + np.cos(x))
# 子视图4
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax4.plot([1, 3], [2, 4])
# 子视图5
ax5 = plt.subplot2grid((3, 3), (2, 1))
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)

方法三：

import numpy as np
import matplotlib.pyplot as plt
# 需要导入gridspec模块
import matplotlib.gridspec as gridspec
x = np.linspace(0, 2 * np.pi, 200)
fig = plt.figure(figsize = (12, 9))
# 将整个视图分成3x3布局
gs = gridspec.GridSpec(3, 3)
# 使用切片方式设置子视图
ax1 = fig.add_subplot(gs[0, :]) # 视图对象添加子视图
ax1.plot(x,np.sin(10 * x))
# 设置ax1的标题，xlim、ylim、xlabel、ylabel等所有属性现在只能通过set_属性名的方法设置
ax1.set_title('ax1_title')  # 设置小图的标题
ax2 = plt.subplot(gs[1, :2]) # 模块调用
ax2.set_facecolor('green')
ax2.plot(x,np.cos(x), color = 'red')
# 从第一行到最后，占1、2两行，后面的2表示只占用第二列，也就是最后的一列
ax3 = plt.subplot(gs[1:, 2])
ax3.plot(x,np.sin(x) + np.cos(x))
# 倒数第一行，只占第0列这一列
ax4 = plt.subplot(gs[-1, 0])
ax4.plot([1, 3], [2, 4])
# 倒数第一行，只占倒数第二列，由于总共三列，所以倒数第二列就是序号1的列
ax5 = plt.subplot(gs[-1, -2])
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)
plt.show()

python使用matplotlib可视化线图（line plot）使用semilogx函数将X轴数据处理为对数坐标（logarithmic scale in Matplotlib)

Matplotlib数据可视化高级

Matplotlib可视化散点图配置X轴为对数坐标并使用线条（line）连接散点图中的数据点(Simple Line Plot with Data points in Matplotlib)

Python使用matplotlib可视化多变量的平行坐标轴图平行坐标轴通过可视化查看多个特征的平行坐标图来查看多个分组的数据是否具有区分性判别性（Parallel Coordinates）

matplotlib可视化之如何给图形添加数据标签？

Python数据可视化利器Matplotlib从入门到高级4