Python-Matplotlib可视化（6）——自定义坐标轴让统计图清晰易懂

2401_86372776

于 2024-09-08 04:18:16 发布

阅读量732

点赞数 18

文章标签： python matplotlib 开发语言

本文链接：https://blog.csdn.net/2401_86372776/article/details/142007752

版权

是时候介绍刻度标签的设置了，刻度标签是图形空间中的坐标，虽然数字刻度标签对于大多说场景来说是足够的，但是却并不总是能够满足需求。例如，我们需要显示100个公司的营收情况，这时候我们就需要横坐标刻度标签为公司名，而非数字；同样对于时间序列，我们希望横坐标刻度标签为日期…。考虑到此类需求，我们需要使用Matplotlib为此提供了的API控制刻度标签。

可以按以下步骤为任何Matplotlib图形设置刻度标签：

import numpy as np

import matplotlib.ticker as ticker

import matplotlib.pyplot as plt

name_list = (‘Apple’, ‘Orange’, ‘Banana’, ‘Pear’, ‘Mango’)

value_list = np.random.randint(0, 99, size = len(name_list))

pos_list = np.arange(len(name_list))

ax = plt.axes()

ax.xaxis.set_major_locator(ticker.FixedLocator((pos_list)))

ax.xaxis.set_major_formatter(ticker.FixedFormatter((name_list)))

plt.bar(pos_list, value_list, color = ‘c’, align = ‘center’)

plt.show()

控制刻度标签

Tips：我们首先使用ticker.Locator实例来生成刻度的位置，然后使用ticker.Formatter实例将为刻度生成标签。FixedFormatter从字符串列表中获取标签，然后用Formatter实例设置坐标轴。同时，我们还使用了FixedLocator来确保每个标签中心都正好与刻度中间对齐。

更简单的设置方式

虽然使用上述方法可以控制刻度标签，但可以看出此方法过于复杂，如果刻度标签是固定的字符列表，那么可以用以下简单的设置方法：

import numpy as np

import matplotlib.pyplot as plt

name_list = (‘Apple’, ‘Orange’, ‘Banana’, ‘Pear’, ‘Mango’)

value_list = np.random.randint(0, 99, size = len(name_list))

pos_list = np.arange(len(name_list))

plt.bar(pos_list, value_list, color = ‘c’, align = ‘center’)

plt.xticks(pos_list, name_list)

plt.show()

简单的设定坐标刻度标签的方法 Tips：使用plt.xticks()函数为一组固定的刻度提供固定标签，此函数接受位置列表和名称列表作为参数值，可以看出，此方法比第一种方法实现起来更简单。

高级刻度标签控制

不仅可以使用固定标签，使用ticker API可以使用函数生成的标签：

import numpy as np

import matplotlib.pyplot as plt

import matplotlib.ticker as ticker

def make_label(value, pos):

return ‘%0.1f%%’ % (100. * value)

ax = plt.axes()

ax.xaxis.set_major_formatter(ticker.FuncFormatter(make_label))

x = np.linspace(0, 1, 256)

plt.plot(x, np.exp(-10 * x), c =‘c’)

plt.plot(x, np.exp(-5 * x), c= ‘c’, ls = ‘–’)

plt.show()

高级刻度标签控制

在此示例中，刻度标签是由自定义函数make_label生成的。此函数以刻度的坐标作为输入，并返回一个字符串作为坐标标签，这比给出固定的字符串列表更灵活。为了使用自定义函数，需要使用FuncFormatter实例——一个以函数为参数的格式化实例。

这种将生成标签的实际任务指派给其他函数的方法称为委托(delegation)模式，这是一种漂亮的编程技术。比方说，我们要将每个刻度显示为日期，这可以使用标准的Python时间和日期函数完成：

import numpy as np

import datetime

import matplotlib.pyplot as plt

import matplotlib.ticker as ticker

start_date = datetime.datetime(1998, 1, 1)

def make_label(value, pos):

time = start_date + datetime.timedelta(days = 365 * value)

return time.strftime(‘%b %y’)

ax = plt.axes()

ax.xaxis.set_major_formatter(ticker.FuncFormatter(make_label))

x = np.linspace(0, 1, 256)

plt.plot(x, np.exp(-10 * x), c =‘c’)

plt.plot(x, np.exp(-5 * x), c= ‘c’, ls = ‘–’)

labels = ax.get_xticklabels()

plt.setp(labels, rotation = 30.)

plt.show()

委托模式示例

Tips：可以利用ax.get_xticklabels()获取刻度标签实例，然后对标签进行旋转，以避免长标签之间重叠，旋转使用plt.setp()函数，其接受刻度标签实例和旋转角度作为参数值。

使用对数刻度

当可视化的数据变化范围非常广时，如果仍然使用常规的坐标轴刻度，将导致数据密集显示，甚至无法看到数据的变化趋势，这时，使用对数刻度就可以对图形进行更好的展示。

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(1, 10, 1024)

plt.yscale(‘log’)

plt.plot(x, x, c = ‘c’, lw = 2., label = r’ $f (x) = x$ ’)

plt.plot(x, 10 ** x, c = ‘y’, ls = ‘–’, lw = 2., label = r’ $f(x)=e^x$ ’)

plt.plot(x, np.log(x), c = ‘m’, lw = 2., label = r’ $f(x)=\log(x)$ ')

plt.legend()

plt.show()

使用对数刻度

若使用常规坐标轴刻度，则图形将变得混乱：

常规坐标轴刻度，相同的图形却变得混乱

Tips：通过向plt.yscale()函数传递'log'参数值来得到对数刻度，；其他可用缩放类型参数值还包括'linear'、'symlog'等。同样，我们也可以使用plt.xscale()在x轴上获得相同的结果默认情况下，对数基数为10，但可以使用可选参数basex和basey进行更改。设置对数刻度适用于任何图形，而不仅仅是曲线图。

同样，使用对数标度也可以用于放大范围非常大的数据上的一个小范围：

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-100, 100, 4096)

plt.xscale(‘symlog’, linthreshx=6.)

plt.plot(x, np.sinc(x), c = ‘c’)

plt.show()

对数标度

Tips：将"symlog"作为plt.xscale()的参数值，可以设置以0为中心的对称对数刻度，如通过设置"linthreshx=6"，指定了对数刻度的范围为[-6, 6]，此时，在[-6, 6]范围内使用对数刻度，而超出该范围则使用线性刻度。这样，我们既可以详细地查看某个范围内的数据，同时仍然可以查看大量范围外数据的大致特征。

使用极坐标

有些图形的绘制和角度有着密不可分的关系。例如，扬声器的功率取决于测量的角度。此时，极坐标就是表示此类数据关系的最佳选择。

import numpy as np

import matplotlib.pyplot as plt

t = np.linspace(0 , 2 * np.pi, 1024)

plt.axes(polar = True)

plt.plot(t, 1. + .25 * np.sin(16 * t), c= ‘m’)

plt.show()

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！