【matplotlib】可视化解决方案——共享绘图区域问题

小猪猪家的大猪猪

已于 2023-02-20 10:42:29 修改

阅读量434

点赞数

分类专栏： # 可视化解决方案文章标签：数据可视化数据分析 matplotlib python

于 2021-05-07 22:49:04 首次发布

本文链接：https://blog.csdn.net/pcx171/article/details/116500475

版权

可视化解决方案专栏收录该内容

35 篇文章 11 订阅

订阅专栏

共享绘图区域问题

一.前言

有些时候我们会发现如果轴的范围不合适那么很难从图片中提取相应的信息，例如下方左图和有图很显然我们无法从中得出这二者密集程度的区别。除此之外很多时候我们想在一个坐标轴系统下展示两种不同的绘图，但是两者的轴域并不相同，这时候该怎么办呢？
绘图区域错误示例

我们再看一个示例，假设我们想在一个坐标轴绘制一个sin函数和一个cos函数，很显然下面的程序就能满足我们的需求。

fig, ax = plt.subplots(figsize=(10, 8))
x = np.linspace(0, 2*np.pi, 100)
ax.plot(np.sin(x), lw=2, color='c', label=r'$\sin({x})$')
ax.plot(np.cos(x), lw=2, color='k', label=r'$\cos({x})$')
ax.axhline(0, lw=4, color='r')
plt.grid(color='gray', ls=":")
plt.legend(loc='upper right', title=r'$\sin({x})$和$\cos({x})$示例', title_fontsize=12, shadow=True, fancybox=True, framealpha=0.8)
plt.show()

其画图结果如下：
画正弦和余弦函数
接下来，假设我们还是用同样的方法绘制20*sin(x)和cos(x)那么会发生什么呢？请看下图
20倍正弦函数和1倍余弦函数
我们可以看到为了能正常显示完整的正弦函数，整个余弦函数都已经被压缩，显然这样是无法达到我们想要的效果。但是我们观察可以看到，两者的定义域是一致的，只有值域是不相同的，也就是说两者可以共享一个X轴，但是不能使用同一个Y轴，这也就是我们要解决的问题，同样也是共享单一区域的坐标轴的实际意义。本文主要讨论这两类问题的解决方案，即共享单一区域的坐标轴和共享不同子区绘图区域的坐标轴。文中代码只提供关键部分代码，导入必要的库以及库的初始化设置都已经省略。

二.解决方案

2.1共享单一区域的坐标轴解决方案

通过上面的例子我们已经知道解决这个问题的核心是如何共享X轴而不共享Y轴。我们可以使用twinx()方法制作并返回共享X轴的第二个轴系统。下面是该方法的定义：

twinx(ax=None)

参数1：ax：指定共享哪一个坐标轴系统
这里需要注意的是新的轴系统将会覆盖过去的轴系统，其Y轴刻度线和刻度标签在轴脊处生成。对于刚才的问题使用这个方法的代码如下：

fig, ax = plt.subplots(figsize=(10, 8))
x = np.linspace(0, 2*np.pi, 100)

line1 = ax.plot(20 * np.sin(x), lw=2, color='c', label=r'$\sin({x})$')
ax.axhline(0, lw=4, color='r')

ax2 = ax.twinx()
line2 = ax2.plot(np.cos(x), lw=2, color='k', label=r'$\cos({x})$')

plt.grid(color='gray', ls=":")
fig.suptitle(r'$\sin({x})$和$\cos({x})$示例', fontsize=20)
plt.show()

其画图结果如下：
共享一个画图区域
可以看到两者共享了X轴但是分别拥有自己的Y轴，大的轴会进行收缩以满足小的轴。这样我们在面对两个数据差距很大的图也能在单一区域进行绘制了。

2.1共享不同子区绘图区域的坐标轴解决方案

对于不同共享不同子区绘图区域有两种解决方案，第一种是使用set_xlim()和set_ylim()方法手动修改坐标轴范围，当然修改共享区域只是这两个方法的冰山一角，单不妨碍我们达到我们想要的效果。示例代码如下：

x1 = np.linspace(-2*np.pi, 2*np.pi, 500)
y1 = np.cos(x1**2)

x2 = np.linspace(0.01, 10, 100)
y2 = np.sin(x2)

x3 = np.random.randint(0, 10, 50)
y3 = np.linspace(0, 3, 50)

x4 = np.random.randint(0, 25, 50)
y4 = np.linspace(0, 20, 50)

fig, ax = plt.subplots(1, 2)
fig.suptitle('使用set_xlim和set_ylim方法', fontsize=25)
ax[0].scatter(x3, y3)
ax[0].set_title("按照右图修改范围", fontsize=15)
ax[1].scatter(x4, y4)
ax[1].set_title('X轴取值:[-2, 25],Y轴取值:[-2, 20]', fontsize=15)
plt.subplots_adjust(wspace=0.6, top=0.8)

ax[0].set_xlim((-2, 25))
ax[0].set_ylim((-2, 20))

ax[1].set_xlim((-2, 25))
ax[1].set_ylim((-2, 20))
plt.show()

其画图结果如下：
使用set_xlim和set_ylim方法
从上图我们很容易看出两者谁的密集程度更大，相较于之前的错误示例这次的直观效果有了很大的提升。

第二种解决方案是在一开始的时候就指定好共享机制，即传递sharex和sharey参数给subplots方法。示例代码如下：

x1 = np.linspace(-2*np.pi, 2*np.pi, 500)
y1 = np.cos(x1**2)

x2 = np.linspace(0.01, 10, 100)
y2 = np.sin(x2)

x3 = np.random.randint(0, 10, 50)
y3 = np.linspace(0, 3, 50)

x4 = np.random.randint(0, 25, 50)
y4 = np.linspace(0, 20, 50)

fig, ax = plt.subplots(1, 2, sharey=True, sharex=True)
fig.suptitle('使用set_xlim和set_ylim方法', fontsize=25)
ax[0].scatter(x3, y3)
ax[0].set_title("按照右图修改范围", fontsize=15)
ax[1].scatter(x4, y4)
ax[1].set_title('X轴取值:[-2, 25],Y轴取值:[-2, 20]', fontsize=15)
plt.subplots_adjust(wspace=0.6, top=0.8)

plt.show()