详解Python可视化又一必学工具ProPlot

Posted 2022-06-01 qq_21478261

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了详解Python可视化又一必学工具ProPlot相关的知识，希望对你有一定的参考价值。

ProPlot效果图

Matplotlib是一个Python非常通用的绘图包，被科学家和工程师广泛使用，但是，存在不足，例如：

默认出图丑陋
重复执行一行代码设置一个参数的繁琐行为
复杂多子图个性化
自定义字体困难等等......

本期的主角是ProPlot，ProPlot是Matplotlib面向对象绘图方法 (object-oriented interface) 的高级封装，整合了cartopy/basemap地图库、xarray和pandas，可克服以上Matplotlib的部分缺陷，让Matplotlib爱好者拥有更加smoother plotting experience。

在构造上，使用proplot.figure.Figure替代matplotlib.figure.Figure、proplot.axes.Axes替代matplotlib.axes.Axes、proplot.gridspec.GridSpec替代matplotlib.gridspec.GridSpec。

作者为气象学领域的PhD，难怪ProPlot重点整合cartopy/basemap地图库👇

直接来看看Proplot亮眼点：

1、更简简洁的代码，更好看的图形

将Matplotlib一行代码设置一个参数的繁琐行为直接通过format方法一次搞定，比如下图，

Proplot中代码

import proplot as pplt

fig, axs = pplt.subplots(ncols=2)
axs.format(color='gray', linewidth=1) #format设置所有子图属性
axs[0].bar([10, 50, 80], [0.2, 0.5, 1])
axs[0].format(xlim=(0, 100), #format设置子图1属性
              xticks=10,
              xtickminor=True,
              xlabel='foo',
              ylabel='bar')

Matplotlib中代码，

import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
import matplotlib as mpl
with mpl.rc_context(rc='axes.linewidth': 1, 'axes.edgecolor': 'gray'):
    fig, axs = plt.subplots(ncols=2, sharey=True)
    axs[0].set_ylabel('bar', color='gray')
    axs[0].bar([10, 50, 80], [0.2, 0.5, 1], width=14)
    for ax in axs:
        #每一行代码设置一个图形参数
        ax.set_xlim(0, 100) 
        ax.xaxis.set_major_locator(mticker.MultipleLocator(10))
        ax.tick_params(width=1, color='gray', labelcolor='gray')
        ax.tick_params(axis='x', which='minor', bottom=True)
        ax.set_xlabel('foo', color='gray')

可见，Proplot中代码量会少很多。

一个更完整的format使用案例，

import proplot as pplt
import numpy as np

fig, axs = pplt.subplots(ncols=2, nrows=2, refwidth=2, share=False)
state = np.random.RandomState(51423)
N = 60
x = np.linspace(1, 10, N)
y = (state.rand(N, 5) - 0.5).cumsum(axis=0)
axs[0].plot(x, y, linewidth=1.5)

# 图表诸多属性可在format中设置
axs.format(
    suptitle='Format command demo',
    abc='A.',
    abcloc='ul',
    title='Main',
    ltitle='Left',
    rtitle='Right',  # different titles
    ultitle='Title 1',
    urtitle='Title 2',
    lltitle='Title 3',
    lrtitle='Title 4',
    toplabels=('Column 1', 'Column 2'),
    leftlabels=('Row 1', 'Row 2'),
    xlabel='xaxis',
    ylabel='yaxis',
    xscale='log',
    xlim=(1, 10),
    xticks=1,
    ylim=(-3, 3),
    yticks=pplt.arange(-3, 3),
    yticklabels=('a', 'bb', 'c', 'dd', 'e', 'ff', 'g'),
    ytickloc='both',
    yticklabelloc='both',
    xtickdir='inout',
    xtickminor=False,
    ygridminor=True,
)

2、更友好的类构造函数

将Matplotlib中类名书写不友好的类进行封装，可通过简洁的关键字参数调用。

例如，mpl_toolkits.basemap.Basemap()、matplotlib.ticker.LogFormatterExponent()、ax.xaxis.set_major_locator(MultipleLocator(1.000))等等，封装后，

3、图形大小、子图间距自适应

proplot通过refwidth、refheight、refaspect、refheight、proplot.gridspec.GridSpec等控制图形大小和子图间距，替代Matplotlib自带的tightlayout，避免图形重叠、标签不完全等问题。

4、多子图个性化设置

Matplotlib对于多子图轴标签、legend和colorbar等处理存在冗余问题，proplot使用Figure、colorbar和legend方法处理这种情况，使多子图绘图更简洁。

子图灵活设置坐标轴标签

sharex, sharey, spanx, spany, alignx和aligny参数控制，效果见下图(相同颜色比较来看)，

子图灵活添加编号

一行代码为各子图添加编号

import proplot as pplt
import numpy as np
N = 20
state = np.random.RandomState(51423)
data = N + (state.rand(N, N) - 0.55).cumsum(axis=0).cumsum(axis=1)

cycle = pplt.Cycle('greys', left=0.2, N=5)
fig, axs = pplt.subplots(ncols=2, nrows=2, figwidth=5, share=False)
axs[0].plot(data[:, :5], linewidth=2, linestyle='--', cycle=cycle)
axs[1].scatter(data[:, :5], marker='x', cycle=cycle)
axs[2].pcolormesh(data, cmap='greys')
m = axs[3].contourf(data, cmap='greys')
axs.format(
    abc='a.', titleloc='l', title='Title',
    xlabel='xlabel', ylabel='ylabel', suptitle='Quick plotting demo'
) #abc='a.'为各子图添加编号
fig.colorbar(m, loc='b', label='label')

子图灵活设置Panels

子图各自外观灵活自定义

主要使用proplot.gridspec.SubplotGrid.format，

import proplot as pplt
import numpy as np
state = np.random.RandomState(51423)

# Selected subplots in a simple grid
fig, axs = pplt.subplots(ncols=4, nrows=4, refwidth=1.2, span=True)
axs.format(xlabel='xlabel', ylabel='ylabel', suptitle='Simple SubplotGrid')
axs.format(grid=False, xlim=(0, 50), ylim=(-4, 4))

# 使用axs[:, 0].format自定义某个子图外观
axs[:, 0].format(facecolor='blush', edgecolor='gray7', linewidth=1)  # eauivalent
axs[:, 0].format(fc='blush', ec='gray7', lw=1)
axs[0, :].format(fc='sky blue', ec='gray7', lw=1)
axs[0].format(ec='black', fc='gray5', lw=1.4)
axs[1:, 1:].format(fc='gray1')
for ax in axs[1:, 1:]:
    ax.plot((state.rand(50, 5) - 0.5).cumsum(axis=0), cycle='Grays', lw=2)

# 使用axs[1, 1:].format自定义某个子图外观
fig = pplt.figure(refwidth=1, refnum=5, span=False)
axs = fig.subplots([[1, 1, 2], [3, 4, 2], [3, 4, 5]], hratios=[2.2, 1, 1])
axs.format(xlabel='xlabel', ylabel='ylabel', suptitle='Complex SubplotGrid')
axs[0].format(ec='black', fc='gray1', lw=1.4)
axs[1, 1:].format(fc='blush')
axs[1, :1].format(fc='sky blue')
axs[-1, -1].format(fc='gray4', grid=False)
axs[0].plot((state.rand(50, 10) - 0.5).cumsum(axis=0), cycle='Grays_r', lw=2)

实现如下效果变得简单，赞啊～

5、图例、colorbar灵活设置

主要新增proplot.figure.Figure.colorbar、proplot.figure.Figure.legend方法，

图例、colorbar位置指定

图例、colorbar：On-the-fly，

图例、colorbar：Figure-wide

图例外观个性化

可轻松设置图例顺序、位置、颜色等等，

colorbar外观个性化

可轻松设置colorbar的刻度、标签、宽窄等，

6、更加优化的绘图指令

众所周知，matplotlib默认出图很丑陋，seaborn, xarray和pandas都做过改进，proplot将这些改进进一步优化。

无论是1D或2D图，效果都非常不错，

7、整合地图库`Cartopy`和`basemap`

Cartopy和basemap是Python里非常强大的地图库，二者介绍👉11个地理空间数据可视化工具

proplot将cartopy和basemap进行了整合，解决了basemap使用需要创建新的axes、cartopy使用时代码冗长等缺陷。

看案例，

个性化设置，

支持cartopy中的各种投影，'cyl', 'merc', 'mill', 'lcyl', 'tmerc', 'robin', 'hammer', 'moll', 'kav7', 'aitoff', 'wintri', 'sinu', 'geos', 'ortho', 'nsper', 'aea', 'eqdc', 'lcc', 'gnom', 'npstere', 'nplaea', 'npaeqd', 'npgnom', 'igh', 'eck1', 'eck2', 'eck3', 'eck4', 'eck5', 'eck6'

当然，也支持basemap中的各种投影，'cyl', 'merc', 'mill', 'cea', 'gall', 'sinu', 'eck4', 'robin', 'moll', 'kav7', 'hammer', 'mbtfpq', 'geos', 'ortho', 'nsper', 'vandg', 'aea', 'eqdc', 'gnom', 'cass', 'lcc', 'npstere', 'npaeqd', 'nplaea'。

8、更美观的colormaps, colors和fonts

proplot除了整合seaborn, cmocean, SciVisColor及Scientific Colour Maps projects中的colormaps之外，还增加了新的colormaps，同时增加PerceptualColormap方法来制作colormaps (貌似比Matplotlib的ListedColormap、 LinearSegmentedColormap好用)，ContinuousColormap和DiscreteColormap方法修改colormaps等等。

proplot中可非常便利的添加字体。

proplot新增colormaps

PerceptualColormap制作colormaps

效果还不错，

将多个colormaps融合

ContinuousColormap和DiscreteColormap方法修改colormaps

proplot添加字体

自定义的.ttc、.ttf等格式字体保存~/.proplot/fonts文件中。

9、全局参数设置更灵活

新的rc方法更新全局参数

import proplot as pplt
import numpy as np

# 多种方法Update全局参数
pplt.rc.metacolor = 'gray6'
pplt.rc.update('fontname': 'Source Sans Pro', 'fontsize': 11)
pplt.rc['figure.facecolor'] = 'gray3'
pplt.rc.axesfacecolor = 'gray4'

# 使用Update后的全局参数：with pplt.rc.context法
with pplt.rc.context('suptitle.size': 13, toplabelcolor='gray6', metawidth=1.5):
    fig = pplt.figure(figwidth=6, sharey='limits', span=False)
    axs = fig.subplots(ncols=2)

# Plot lines with a custom cycler
N, M = 100, 7
state = np.random.RandomState(51423)
values = np.arange(1, M + 1)
cycle = pplt.get_colors('grays', M - 1) + ['red']
for i, ax in enumerate(axs):
    data = np.cumsum(state.rand(N, M) - 0.5, axis=0)
    lines = ax.plot(data, linewidth=3, cycle=cycle)

# 使用Update后的全局参数：format()法
axs.format(
    grid=False, xlabel='xlabel', ylabel='ylabel',
    toplabels=('Column 1', 'Column 2'),
    suptitle='Rc settings demo',
    suptitlecolor='gray7',
    abc='[A]', abcloc='l',
    title='Title', titleloc='r', titlecolor='gray7'
)

# 恢复设置
pplt.rc.reset()

全局设置'ggplot', 'seaborn'的style

import proplot as pplt
import numpy as np
state = np.random.RandomState(51423)
data = state.rand(10, 5)

# Set up figure
fig, axs = pplt.subplots(ncols=2, nrows=2, span=False, share=False)
axs.format(suptitle='Stylesheets demo')
styles = ('ggplot', 'seaborn', '538', 'bmh')

# 直接使用format()方法
for ax, style in zip(axs, styles):
    ax.format(style=style, xlabel='xlabel', ylabel='ylabel', title=style)
    ax.plot(data, linewidth=3)