【python数据分析（23）】Matplotlib库绘图的子图、主次刻度、注解、图表输出

1、 子图

1）在matplotlib中，整个图像为一个Figure对象；

2）在Figure对象中可以包含一个或者多个Axes对象；

3）每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域

1.1 plt.figure绘制子图

1）直接通过num参数绘制子图

plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None,
frameon=True, FigureClass=<class ‘matplotlib.figure.Figure’>, **kwargs)

常使用的是前五个参数：
num=None 第几个图像
figsize=None 图像的大小
dpi=None 图像的清晰度
facecolor=None 前景色设置
edgecolor=None 边缘色设置

fig1 = plt.figure(num=1,figsize=(4,2))
plt.plot(np.random.rand(50).cumsum(),'k--')
fig2 = plt.figure(num=2,figsize=(4,2))
plt.plot(50-np.random.rand(50).cumsum(),'k--')

–> 输出的结果为：（当我们调用plot时，如果设置plt.figure()，则会自动调用figure()生成一个figure, 严格的讲，是生成subplots(111)，注意这里有s的，之后的内容会将到这个subplots）

2）先建立子图然后填充图表

fig = plt.figure(figsize=(10,3),facecolor = 'gray')

ax1 = fig.add_subplot(1,2,1)  # 第一行的左图
plt.plot(np.random.rand(50).cumsum(),'k--')
plt.plot(np.random.randn(50).cumsum(),'b--')

ax2 = fig.add_subplot(1,2,2)  # 第一行的右图
ax2.hist(np.random.rand(50),alpha=0.5,edgecolor = 'k')

–> 输出的结果为：（注意这里的方法是fig.add_subplot()，后面是没有s的，要和下面要介绍的方法区别开，这个add_subplot()是需要创建一个大画布对象之后再添加子图）

1.2 plt.subplots绘制子图

plt.subplots()创建一个新的figure，并返回一个subplot对象的numpy数组

fig,axes = plt.subplots(2,2,figsize=(10,4))
ts = pd.Series(np.random.randn(1000).cumsum())
print(axes, axes.shape, type(axes))

–> 输出的结果为：(生成图表对象的数组，默认是只有画布的，没有图像)

1） 通过数组指定绘制子图的位置

ax1 = axes[0,0]
ax2 = axes[1,0]
ax1.plot(ts)
ax2.plot(ts,color='g')

–> 输出的结果为：（注意上面的axes.shape的输出，被命名的绘制子图数组的范围应该在这个输出的范围之内）

2） 通过plot()括号内的ax参数子图设置

ts.plot(ax = axes[0,1], color = 'k')
ts.plot(ax = axes[1,1], color = 'y')

–> 输出的结果为：（这两行代码是和上面一个cell中的，由于使用的随机数，所以最后的图形是不一样的，注意这两个绘图的区别）

1.3 子图参数调整

使用上面的方式可以创建子图，那么对子图进行调整的话，就需要进一步设置代码了，常使用的就是下面的四个参数

sharex,sharey：是否共享x，y刻度
wspace,hspace：用于控制宽度和高度的百分比，比如subplot之间的间距

fig,axes = plt.subplots(2,2,sharex=True,sharey=True)

for i in range(2):
    for j in range(2):
        axes[i,j].hist(np.random.randn(500),color='k',alpha=0.5,edgecolor = 'k')
plt.subplots_adjust(wspace=0,hspace=0)

–> 输出的结果为：

1.4 多系列图，分别绘制

这种就是根据创建的DataFrame的columns中的元素进行绘制

df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD'))
df = df.cumsum()
df.plot(style = '-.',alpha = 0.7,grid = True,figsize = (16,4),
       subplots = True,
       layout = (1,4))
plt.subplots_adjust(wspace=0.1,hspace=0)

–> 输出的结果为：（可以从图例上看出，每个子图都是对应的columns中的一列数据，如果要绘制在一个图上，将plot中的最后两个参数去掉即可）

2、主次刻度

之前也讲过刻度的相关的知识点，这里主要是介绍的坐标轴上的主次刻度的划分，这里需要单独引入ticker中的两个模块进行设置 MultipleLocator, FormatStrFormatter

set_major_locator() 设置主刻度
set_minor_locator() 设置次刻度
set_major_formatter() 设置主刻度格式
plt.NullLocator() 删除刻度显示
plt.NullFormatter() 删除文本格式

次刻度只是范围的划定，并不显示对应的数值或字符，一般就不需要设置次刻度的格式

from matplotlib.ticker import MultipleLocator, FormatStrFormatter
t = np.arange(0.0, 100.0, 1)
s = np.sin(0.1*np.pi*t)*np.exp(-t*0.01)
fig = plt.figure(figsize = (10,8))
ax = plt.subplot(111) 
plt.plot(t,s,'--*')

xmajorLocator = MultipleLocator(10) # 将x主刻度标签设置为10的倍数
xmajorFormatter = FormatStrFormatter('%.0f') # 设置x轴标签文本的格式
xminorLocator   = MultipleLocator(5) # 将x轴次刻度标签设置为5的倍数  
ymajorLocator = MultipleLocator(0.5) # 将y轴主刻度标签设置为0.5的倍数
ymajorFormatter = FormatStrFormatter('%.1f') # 设置y轴标签文本的格式
yminorLocator   = MultipleLocator(0.1) # 将此y轴次刻度标签设置为0.1的倍数  

ax.xaxis.set_major_locator(xmajorLocator)  # 设置x轴主刻度
ax.xaxis.set_major_formatter(xmajorFormatter)  # 设置x轴标签文本格式
ax.xaxis.set_minor_locator(xminorLocator)  # 设置x轴次刻度

ax.yaxis.set_major_locator(ymajorLocator)  # 设置y轴主刻度
ax.yaxis.set_major_formatter(ymajorFormatter)  # 设置y轴标签文本格式
ax.yaxis.set_minor_locator(yminorLocator)  # 设置y轴次刻度

ax.xaxis.grid(True, linestyle = "-",which='both') #x坐标轴的网格使用主刻度
ax.yaxis.grid(True, linestyle = "-",which='minor') #y坐标轴的网格使用次刻度

#删除坐标轴的刻度显示
#ax.yaxis.set_major_locator(plt.NullLocator()) 
#ax.xaxis.set_major_formatter(plt.NullFormatter()) 

–> 输出的结果为：（注意这里输出的y轴上主刻度上显示的虚线，是个人倾向设置的默认样式，如果之前没有设置，这里应该是什么也没有的）

3、注解

plt.text(x,y,s,**kwargs) 横坐标，纵坐标，注解字符串，和其他参数（对注解的文本进行设置的参数，比如下面的fontsize）

3.1 单个文本数据注解

df = pd.DataFrame(np.random.randn(10,2))
df.plot(style = '--o')
plt.text(5,0.5,'hahaha',fontsize=10)  

–> 输出的结果为：

3.2 多文本数据注解

进行单文本注释，在日常工作中并不怎么常用，经常使用的方式还是进行多文本数据的注释（比如希望直接在图线上显示对应的y轴信息，一般是数值的显示），代码操作如下

df = pd.DataFrame(np.random.randn(10,1))
df.plot(style = '--o')

for i,j in zip(df.index,df.values):
    plt.text(i-0.05,j+0.1, '%.f' %j, fontsize = 10)

–> 输出的结果为：（可以通过i和j的数值大小进行注释文本数据的上下左右位置的调节，字符串可以使用格式化的方式输出）

4、图表输出

plt.savefig() 第一个参数就是文件输出的路径，其次主要使用的参数就是dpi图像的像素大小(分辨率)设定，影响了输出图像的清晰度

1） 也可以有其他参数的设定，一般不再这里使用，因为执行到这一步主要是进行图像存储的，需要调整的话应在这步之前就已经将图像的格式调整完毕了

2） 输出的图像的格式可以通过后缀名进行指定，常见的文件格式可以有png，pdf，svg，ps，eps…等

df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD'))
df = df.cumsum()
df.plot(style = '--.',alpha = 0.5)
plt.legend(loc = 'upper left')
plt.savefig('C:\\Users\\86177\\Desktop\\demo.png',
            dpi=400,
            bbox_inches = 'tight',
            facecolor = 'g',
            edgecolor = 'b')

–> 输出的结果为：（bbox_inches：图表需要保存的部分。如果设置为‘tight’，则尝试剪除图表周围的空白部分。facecolor，edgecolor： 图像的背景色，默认为‘w’（白色））

关于dpi分辨率的设定，建议也在之前的个人风格中进行设定一下，dpi=400，已经够用了，可以看出上图即便是直接上传到博客，其清晰度也十分不错