Matplotlib使用指南-2
一、概述
1.matplotlib的三层api
类似于人正常作画的过程:
1.准备一块画布或画纸(FigureCanvas)
2.准备好颜料、画笔等制图工具(Renderer)
3.作画(Artist)
总结来说:用Artist对象在画布(canvas)上绘制(Render)图形
对应的三个层次的API:
matplotlib.backend_bases.FigureCanvas 代表了绘图区,所有的图像都是在绘图区完成的
matplotlib.backend_bases.Renderer 代表了渲染器,可以近似理解为画笔,控制如何在 FigureCanvas 上画图。
matplotlib.artist.Artist 代表了具体的图表组件,即调用了Renderer的接口在Canvas上作图。
前两者处理程序和计算机的底层交互的事项,第三项Artist就是具体的调用接口来做出我们想要的图,比如图形、文本、线条的设定。所以通常来说,我们95%的时间,都是用来和matplotlib.artist.Artist类打交道的。
2.Artist的分类
Artist有两种类型:primitives 和containers。
primitive是基本要素,它包含一些我们要在绘图区作图用到的标准图形对象,如曲线Line2D,文字text,矩形Rectangle,图像image等。
可视化中常见的artist类可以参考下图这张表格,解释下每一列的含义。
第一列表示matplotlib中子图上的辅助方法,可以理解为可视化中不同种类的图表类型,如柱状图,折线图,直方图等,这些图表都可以用这些辅助方法直接画出来,属于更高层级的抽象。
第二列表示不同图表背后的artist类,比如折线图方法plot在底层用到的就是Line2D这一artist类。
第三列是第二列的列表容器,例如所有在子图中创建的Line2D对象都会被自动收集到ax.lines返回的列表中。
下一节的具体案例更清楚地阐释了这三者的关系,其实在很多时候,我们只用记住第一列的辅助方法进行绘图即可,而无需关注具体底层使用了哪些类,但是了解底层类有助于我们绘制一些复杂的图表,因此也很有必要了解
二、基本元素-primitives
各容器中可能会包含多种基本要素-primitives, 所以先介绍下primitives,再介绍容器。
本章重点介绍下 primitives 的几种类型:曲线-Line2D,矩形-Rectangle,多边形-Polygon,图像-image
1.2DLines
在matplotlib中曲线的绘制,主要是通过类 matplotlib.lines.Line2D 来完成的。
matplotlib中线-line的含义:它表示的可以是连接所有顶点的实线样式,也可以是每个顶点的标记。此外,这条线也会受到绘画风格的影响,比如,我们可以创建虚线种类的线。
class matplotlib.lines.Line2D(xdata, ydata, linewidth=None, linestyle=None, color=None, marker=None, markersize=None, markeredgewidth=None, markeredgecolor=None, markerfacecolor=None, markerfacecoloralt=‘none’, fillstyle=None, antialiased=None, dash_capstyle=None, solid_capstyle=None, dash_joinstyle=None, solid_joinstyle=None, pickradius=5, drawstyle=None, markevery=None, **kwargs)
其中常用的的参数有:
xdata:需要绘制的line中点的在x轴上的取值,若忽略,则默认为range(1,len(ydata)+1)
ydata:需要绘制的line中点的在y轴上的取值
linewidth:线条的宽度
linestyle:线型
color:线条的颜色
marker:点的标记,详细可参考markers API
markersize:标记的size
1.1 如何设置Line2D的属性
有三种方法可以用设置线的属性。
- 直接在plot()函数中设置
- 通过获得线对象,对线对象进行设置
- 获得线属性,使用setp()函数设置
import numpy as np
import pandas as pd
import re
import matplotlib
import matplotlib.pyplot as plt
from matplotlib.lines import Line2D
from matplotlib.patches import Circle, Wedge
from matplotlib.collections import PatchCollection
#1) 直接在plot()函数中设置
x = range(0,5) # x的取值从0到5-1
y = [2, 5, 7, 8, 10] #相应y的取值
plt.plot(x,y,linewidth = 5); # 设置线的粗细参数为5
# 通过获得线对象,对线对象进行设置
x = range(0, 5)
y = [2, 5, 7, 8, 10]
line, = plt.plot(x, y, '-') # 这里等号坐标的line,是一个列表解包的操作,目的是获取plt.plot返回列表中的Line2D对象
line.set_antialiased(False); # 关闭抗锯齿功能
# 3)获得线属性,使用setp()函数设置
x = range(0, 5)
y = [2, 5, 7, 8, 10]
lines = plt.plot(x, y)
plt.setp(lines, color = 'g', linewidth = 5)
1.2 如何绘制lines
- 绘制直线line
- errorbar绘制误差折线图
介绍两种绘制直线line常用的方法:
plot方法绘制
Line2D对象绘制
1.2.1 plot方法绘制
# 1.plot方法绘制
x = range(0,5)
y1 = [2,5,7,8,10]
y2 = [3,6,8,9,11]
fig,ax = plt.subplots()
ax.plot(x, y1,linestyle= "--",label="line1")
ax.plot(x, y2,label="line2")
plt.legend() #显示图例
plt.show()
#print(ax.lines);# 通过直接使用辅助方法画线,打印ax.lines后可以看到在matplotlib在底层创建了两个Line2D对象
# Line2D对象绘制
x = range(0,5)
y1 = [2,5,7,8,10]
y2 = [3,6,8,9,11]
fig,ax = plt.subplots()
lines = [Line2D(x,y1,marker=(5, 0, 0), markersize=15,linestyle= "--"),Line2D(x,y2,marker=(5, 1, 0), markersize=15,color='pink')] #显式的创建Line2D对象
for line in lines:
ax.add_line(line) #使用add_line的方法将创建的Line2D添加到子图中
ax.set_xlim(0,4)
ax.set_ylim(2,11);
1.2.2 errorbar绘制误差折线图
pyplot里有个专门绘制误差线的功能,通过errorbar类实现,它的构造函数:
matplotlib.pyplot.errorbar(x, y, yerr=None, xerr=None, fmt=‘’, ecolor=None, elinewidth=None, capsize=None, barsabove=False, lolims=False, uplims=False, xlolims=False, xuplims=False, errorevery=1, capthick=None, *, data=None, kwargs2)
x,y: 数据点的位置坐标
xerr,yerr: 数据的误差范围
fmt: 数据点的标记样式以及相互之间连接线样式
ecolor: 误差棒的线条颜色
elinewidth: 误差棒的线条粗细
capsize: 误差棒边界横杠的大小
capthick: 误差棒边界横杠的厚度
ms: 数据点的大小
mfc: 数据点的颜色
mec: 数据点边缘的颜色
# errorbar绘图
fig = plt.figure()
x = np.arange(10)
y = 2.5 * np.sin(x / 20 * np.pi)
yerr = np.linspace(0.05,0.2,10)
plt.errorbar(x,y+3,yerr=yerr,ecolor='r',color='b',elinewidth=2,capsize=4);
# errorbar绘图
fig = plt.figure()
x = np.arange(10)
y = 2.5 * np.sin(x / 20 * np.pi)
yerr = np.linspace(0.05,0.2,10)
plt.errorbar(x,y+3,yerr=yerr,fmt='o',ecolor='r',color='b',elinewidth=2,capsize=4);
x = np.linspace(1,5,10)
y = np.sin(x)*3
error = 0.05+0.15*x #误差范围函数
error_range = [error*0.3, error] #下置信度和上置信度
plt.errorbar(x,y,yerr=error_range,fmt='o:',ecolor='hotpink',elinewidth=3,ms=5,mfc='salmon',capsize=3)
plt.show()
2.patches
matplotlib.patches.Patch类是二维图形类,并且它是众多二维图形的父类,它的所有子类见matplotlib.patches API(https://matplotlib.org/stable/api/patches_api.html),
Patch类的构造函数:
Patch(edgecolor=None, facecolor=None, color=None, linewidth=None, linestyle=None, antialiased=None, hatch=None, fill=True, capstyle=None, joinstyle=None, **kwargs)
本小节重点讲述三种最常见的子类,矩形,多边形和楔型
2.1Rectangle-矩形
Rectangle矩形类在官网中的定义是: 通过锚点xy及其宽度和高度生成。 Rectangle本身的主要比较简单,即xy控制锚点,width和height分别控制宽和高。它的构造函数
class matplotlib.patches.Rectangle(xy, width, height, angle=0.0, **kwargs)
在实际中最常见的矩形图是hist直方图和bar条形图。
2.1.1 hist-直方图
matplotlib.pyplot.hist(x,bins=None,range=None, density=None, bottom=None, histtype=‘bar’, align=‘mid’, log=False, color=None, label=None, stacked=False, normed=None)
下面是一些常用的参数:
x: 数据集,最终的直方图将对数据集进行统计
bins: 统计的区间分布
range: tuple, 显示的区间,range在没有给出bins时生效
density: bool,默认为false,显示的是频数统计结果,为True则显示频率统计结果,这里需要注意,频率统计结果=区间数目/(总数*区间宽度),和normed效果一致,官方推荐使用density
histtype: 可选{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}之一,默认为bar,推荐使用默认配置,step使用的是梯状,stepfilled则会对梯状内部进行填充,效果与bar类似
align: 可选{‘left’, ‘mid’, ‘right’}之一,默认为’mid’,控制柱状图的水平分布,left或者right,会有部分空白区域,推荐使用默认
log: bool,默认False,即y坐标轴是否选择指数刻度
stacked: bool,默认为False,是否为堆积状图
# hist绘制直方图
x = np.random.randint(0,100,100) # 生成[0-100)之间的100个数据,即 数据集
bins = np.arange(0,101,10) # 设置连续的边界值,即直方图的分布区间[0,10),[10,20)...
plt.hist(x,bins,color='hotpink',alpha=0.5)
plt.xlabel('scores')
plt.ylabel('count')
plt.xlim(0,100); # 设置x轴分布范围 plt.show()
# Rectangle矩形类绘制直方图
#详细解释看这篇博文:https://blog.csdn.net/qq_41358220/article/details/111240503?ops_request_misc=&request_id=&biz_id=102&utm_term=Rectangle%E7%9F%A9%E5%BD%A2%E7%B1%BB%E7%BB%98%E5%88%B6%E7%9B%B4%E6%96%B9%E5%9B%BE&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-111240503.142^v10^control,157^v4^new_style&spm=1018.2226.3001.4187
df = pd.DataFrame(columns=['data']) #列标
df.loc[:,'data'] = x #选取data列的数据赋值为x
df['fenzu'] = pd.cut(df['data'],bins=bins,right=False,include_lowest=True) #(被切分的数组,被切割后的区间,不包含区间的右部,包含区间左部)
df_cnt= df['fenzu'].value_counts().reset_index() # 重新设置索引后不将原索引作为新的一列并入DataFrame,默认为False
df_cnt.loc[:,'mini'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\[(.*)\,',x)[0]).astype(int)
df_cnt.loc[:,'maxi'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\,(.*)\)',x)[0]).astype(int)
df_cnt.loc[:,'width'] = df_cnt['maxi']-df_cnt['mini']
df_cnt.sort_values('mini',ascending = True,inplace = True)
df_cnt.reset_index(inplace = True,drop = True)
##用Rectangle把hist绘制出来
fig = plt.figure()
ax1 = fig.add_subplot(111)
for i in df_cnt.index:
rect = plt.Rectangle((df_cnt.loc[i,'mini'],0),df_cnt.loc[i,'width'],df_cnt.loc[i,'fenzu'])
ax1.add_patch(rect)
ax1.set_xlim(0,100)
ax1.set_ylim(0,16);
2.1.1 hist-直方图
matplotlib.pyplot.bar(left, height, alpha=1, width=0.8, color=, edgecolor=, label=, lw=3)
下面是一些常用的参数:
left:x轴的位置序列,一般采用range函数产生一个序列,但是有时候可以是字符串
height:y轴的数值序列,也就是柱形图的高度,一般就是我们需要展示的数据;
alpha:透明度,值越小越透明
width:为柱形图的宽度,一般这是为0.8即可;
color或facecolor:柱形图填充的颜色;
edgecolor:图形边缘颜色
label:解释每个图像代表的含义,这个参数是为legend()函数做铺垫的,表示该次bar的标签
有两种方式绘制柱状图
bar绘制柱状图
Rectangle矩形类绘制柱状图
# bar绘制柱状图
x = np.arange(16)
y = range(1,17)
plt.bar(x,y,alpha=0.5,width=0.8,color='pink',edgecolor='hotpink',label='The First Bar',lw=3)
plt.legend()
# Rectangle矩形类绘制柱状图
fig = plt.figure()
ax1 = fig.add_subplot(111)
for i in range(1,17):
rect = plt.Rectangle((i+0.25,0),0.5,i)
ax1.add_patch(rect)
ax1.set_xlim(0,16)
ax1.set_ylim(0,16)
2.2 Polygon-多边形
matplotlib.patches.Polygon类是多边形类。它的构造函数:
class matplotlib.patches.Polygon(xy, closed=True, **kwargs)
xy是一个N×2的numpy array,为多边形的顶点。
closed为True则指定多边形将起点和终点重合从而显式关闭多边形。
matplotlib.patches.Polygon类中常用的是fill类,它是基于xy绘制一个填充的多边形,它的定义:
matplotlib.pyplot.fill(args, data=None, *kwargs)
参数说明 : 关于x、y和color的序列,其中color是可选的参数,每个多边形都是由其节点的x和y位置列表定义的,后面可以选择一个颜色说明符。您可以通过提供多个x、y、[颜色]组来绘制多个多边形。
#用fill来绘制图形
x = np.linspace(0,5*np.pi,1000)
y1 = np.sin(x)
y2 = np.sin(2*x)
plt.fill(x,y1,color = "hotpink" ,alpha = 0.3);
plt.fill(x,y2,color = "g" ,alpha = 0.3);
2.3 Wedge-契形
matplotlib.patches.Polygon类是多边形类。其基类是matplotlib.patches.Patch,它的构造函数:
class matplotlib.patches.Wedge(center, r, theta1, theta2, width=None, **kwargs)
一个Wedge-契形 是以坐标x,y为中心,半径为r,从θ1扫到θ2(单位是度)。
如果宽度给定,则从内半径r -宽度到外半径r画出部分楔形。wedge中比较常见的是绘制饼状图。
matplotlib.pyplot.pie语法:
matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=0, 0, frame=False, rotatelabels=False, *, normalize=None, data=None)
制作数据x的饼图,每个楔子的面积用x/sum(x)表示。
其中最主要的参数是前4个:
x:契型的形状,一维数组。
explode:如果不是等于None,则是一个len(x)数组,它指定用于偏移每个楔形块的半径的分数。
labels:用于指定每个契型块的标记,取值是列表或为None。
colors:饼图循环使用的颜色序列。如果取值为None,将使用当前活动循环中的颜色。
startangle:饼状图开始的绘制的角度。
# pie绘制饼状图
labels = 'Frogs','Hogs','Dogs','Logs'
sizes = [15,30,45,10]
explode = (0,0,0.1,0)
colors = 'hotpink','g','b','r'
fig1,ax1 = plt.subplots()
ax1.pie(sizes,explode=explode,labels=labels,autopct='%1.1f%%',shadow=True,colors=colors,startangle=100)
ax1.axis('equal')
plt.show()
# wedge绘制饼图(更具体)
fig = plt.figure(figsize=(5,5))
ax1 = fig.add_subplot(111)
thetal = 0
sizes = [15,30,45,10]
patches = []
patches +=[
Wedge((0.5, 0.5), .4, 0, 54),
Wedge((0.5, 0.5), .4, 54, 162),
Wedge((0.5, 0.5), .4, 162, 324),
Wedge((0.5, 0.5), .4, 324, 360),
]
colors = 100* np.random.rand(len(patches))
p = PatchCollection(patches,alpha=0.5)
p.set_array(colors)
ax1.add_collection(p);
plt.show()
3.collections
collections类是用来绘制一组对象的集合,collections有许多不同的子类,如RegularPolyCollection, CircleCollection, Pathcollection, 分别对应不同的集合子类型。其中比较常用的就是散点图,它是属于PathCollection子类,scatter方法提供了该类的封装,根据x与y绘制不同大小或颜色标记的散点图。 它的构造方法:
Axes.scatter(self, x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=, edgecolors=None, , plotnonfinite=False, data=None, *kwargs
其中最主要的参数是前5个:
x:数据点x轴的位置
y:数据点y轴的位置
s:尺寸大小
c:可以是单个颜色格式的字符串,也可以是一系列颜色
marker: 标记的类型
# 用scatter绘制散点图
x = [0,2,4,6,8,10]
y = [10]*len(x)
s = [20*2**n for n in range(len(x))]
print(y)
print(s)
plt.scatter(x,y,s=s,c='hotpink')
plt.show()
4.images
images是matplotlib中绘制image图像的类,其中最常用的imshow可以根据数组绘制成图像,它的构造函数
class matplotlib.image.AxesImage(ax, cmap=None, norm=None, interpolation=None, origin=None, extent=None, filternorm=True, filterrad=4.0, resample=False, **kwargs)
imshow根据数组绘制图像
matplotlib.pyplot.imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=, filternorm=1, filterrad=4.0, imlim=, resample=None, url=None, , data=None, *kwargs)
使用imshow画图时首先需要传入一个数组,数组对应的是空间内的像素位置和像素点的值,interpolation参数可以设置不同的差值方法,具体效果如下。
# 详细解释见链接https://blog.csdn.net/qq_41358220/article/details/111240503?ops_request_misc=&request_id=&biz_id=102&utm_term=Rectangle%E7%9F%A9%E5%BD%A2%E7%B1%BB%E7%BB%98%E5%88%B6%E7%9B%B4%E6%96%B9%E5%9B%BE&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-111240503.142^v10^control,157^v4^new_style&spm=1018.2226.3001.4187
methods = [None, 'none', 'nearest', 'bilinear', 'bicubic', 'spline16',
'spline36', 'hanning', 'hamming', 'hermite', 'kaiser', 'quadric',
'catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos']
grid = np.random.rand(4,4)
fig, axs = plt.subplots(nrows=3, ncols=6, figsize=(9, 6), #画布大小为9X6
subplot_kw={'xticks': [], 'yticks': []})
for ax,interp_method in zip(axs.flat,methods):
ax.imshow(grid,interpolation=interp_method,cmap='viridis')
ax.set_title(str(interp_method))
plt.tight_layout();
2. 对象容器 - Object container
容器会包含一些primitives,并且容器还有它自身的属性。
比如Axes Artist,它是一种容器,它包含了很多primitives,比如Line2D,Text;同时,它也有自身的属性,比如xscal,用来控制X轴是linear还是log的
2.1 Figure容器
matplotlib.figure.Figure是Artist最顶层的container-对象容器,它包含了图表中的所有元素。一张图表的背景就是在Figure.patch的一个矩形Rectangle。
当我们向图表添加Figure.add_subplot()或者Figure.add_axes()元素时,这些都会被添加到Figure.axes列表中
fig = plt.figure()
ax1 = fig.add_subplot(211) # 作一幅2*1的图,选择第1个子图
ax2 = fig.add_axes([0.1, 0.1, 0.7, 0.3]) # 位置参数,四个数分别代表了(left,bottom,width,height)
print(ax1)
print(fig.axes) # fig.axes 中包含了subplot和axes两个实例, 刚刚添加的
由于Figure维持了current axes,因此你不应该手动的从Figure.axes列表中添加删除元素,而是要通过Figure.add_subplot()、Figure.add_axes()来添加元素,通过Figure.delaxes()来删除元素。但是你可以迭代或者访问Figure.axes中的Axes,然后修改这个Axes的属性。
比如下面的遍历axes里的内容,并且添加网格线:
fig = plt.figure()
ax1 = fig.add_subplot(111)
for ax in fig.axes:
ax.grid(True)
Figure也有它自己的text、line、patch、image。你可以直接通过add primitive语句直接添加。但是注意Figure默认的坐标系是以像素为单位,你可能需要转换成figure坐标系:(0,0)表示左下点,(1,1)表示右上点。
Figure容器的常见属性:
Figure.patch属性:Figure的背景矩形
Figure.axes属性:一个Axes实例的列表(包括Subplot)
Figure.images属性:一个FigureImages patch列表
Figure.lines属性:一个Line2D实例的列表(很少使用)
Figure.legends属性:一个Figure Legend实例列表(不同于Axes.legends)
Figure.texts属性:一个Figure Text实例列表
2.3 Axes容器
matplotlib.axes.Axes是matplotlib的核心。大量的用于绘图的Artist存放在它内部,并且它有许多辅助方法来创建和添加Artist给它自己,而且它也有许多赋值方法来访问和修改这些Artist。
和Figure容器类似,Axes包含了一个patch属性,对于笛卡尔坐标系而言,它是一个Rectangle;对于极坐标而言,它是一个Circle。这个patch属性决定了绘图区域的形状、背景和边框。
fig = plt.figure()
ax = fig.add_subplot(211)
rect = ax.patch # axes的patch是一个Rectangle实例
rect.set_facecolor('hotpink')
Axes有许多方法用于绘图,如.plot()、.text()、.hist()、.imshow()等方法用于创建大多数常见的primitive(如Line2D,Rectangle,Text,Image等等)。在primitives中已经涉及,不再赘述。
Subplot就是一个特殊的Axes,其实例是位于网格中某个区域的Subplot实例。其实你也可以在任意区域创建Axes,通过Figure.add_axes([left,bottom,width,height])来创建一个任意区域的Axes,其中left,bottom,width,height都是[0—1]之间的浮点数,他们代表了相对于Figure的坐标。
你不应该直接通过Axes.lines和Axes.patches列表来添加图表。因为当创建或添加一个对象到图表中时,Axes会做许多自动化的工作:
它会设置Artist中figure和axes的属性,同时默认Axes的转换;
它也会检视Artist中的数据,来更新数据结构,这样数据范围和呈现方式可以根据作图范围自动调整。
你也可以使用Axes的辅助方法.add_line()和.add_patch()方法来直接添加。
另外Axes还包含两个最重要的Artist container:
ax.xaxis:XAxis对象的实例,用于处理x轴tick以及label的绘制
ax.yaxis:YAxis对象的实例,用于处理y轴tick以及label的绘制
会在下面章节详细说明。
Axes容器的常见属性有:
artists: Artist实例列表
patch: Axes所在的矩形实例
collections: Collection实例
images: Axes图像
legends: Legend 实例
lines: Line2D 实例
patches: Patch 实例
texts: Text 实例
xaxis: matplotlib.axis.XAxis 实例
yaxis: matplotlib.axis.YAxis 实例
2.3 Axis容器
matplotlib.axis.Axis实例处理tick line、grid line、tick label以及axis label的绘制,它包括坐标轴上的刻度线、刻度label、坐标网格、坐标轴标题。通常你可以独立的配置y轴的左边刻度以及右边的刻度,也可以独立地配置x轴的上边刻度以及下边的刻度。
刻度包括主刻度和次刻度,它们都是Tick刻度对象。
Axis也存储了用于自适应,平移以及缩放的data_interval和view_interval。它还有Locator实例和Formatter实例用于控制刻度线的位置以及刻度label。
每个Axis都有一个label属性,也有主刻度列表和次刻度列表。这些ticks是axis.XTick和axis.YTick实例,它们包含着line primitive以及text primitive用来渲染刻度线以及刻度文本。
刻度是动态创建的,只有在需要创建的时候才创建(比如缩放的时候)。Axis也提供了一些辅助方法来获取刻度文本、刻度线位置等等:
常见的如下:
# 不用print,直接显示结果
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
fig, ax = plt.subplots()
x = range(0,5)
y = [2,5,7,8,10]
plt.plot(x, y, '-')
axis = ax.xaxis # axis为X轴对象
axis.get_ticklocs() # 获取刻度线位置
axis.get_ticklabels() # 获取刻度label列表(一个Text实例的列表)。 可以通过minor=True|False关键字参数控制输出minor还是major的tick label。
axis.get_ticklines() # 获取刻度线列表(一个Line2D实例的列表)。 可以通过minor=True|False关键字参数控制输出minor还是major的tick line。
axis.get_data_interval()# 获取轴刻度间隔
axis.get_view_interval()# 获取轴视角(位置)的间隔
fig = plt.figure() # 创建一个新图表
rect = fig.patch # 矩形实例并将其设为黄色
rect.set_facecolor('pink')
ax1 = fig.add_axes([0.1, 0.3, 4, 0.4]) # 创一个axes对象,从(0.1,0.3)的位置开始,宽和高都为0.4,
rect = ax1.patch # ax1的矩形设为灰色
rect.set_facecolor('lightslategray')
for label in ax1.xaxis.get_ticklabels():
# 调用x轴刻度标签实例,是一个text实例
label.set_color('black') # 颜色
label.set_rotation(25) # 旋转角度
label.set_fontsize(12) # 字体大小
for line in ax1.yaxis.get_ticklines():
# 调用y轴刻度线条实例, 是一个Line2D实例
line.set_color('black') # 颜色
line.set_markersize(25) # marker大小
line.set_markeredgewidth(2)# marker粗细
2.4 Tick容器
matplotlib.axis.Tick是从Figure到Axes到Axis到Tick中最末端的容器对象。
Tick包含了tick、grid line实例以及对应的label。
所有的这些都可以通过Tick的属性获取,常见的tick属性有
Tick.tick1line:Line2D实例
Tick.tick2line:Line2D实例
Tick.gridline:Line2D实例
Tick.label1:Text实例
Tick.label2:Text实例
y轴分为左右两个,因此tick1对应左侧的轴;tick2对应右侧的轴。
x轴分为上下两个,因此tick1对应下侧的轴;tick2对应上侧的轴。
下面的例子展示了,如何将Y轴右边轴设为主轴,并将标签设置为美元符号且为粉色:
fig, ax = plt.subplots()
ax.plot(100*np.random.rand(20))
# 设置ticker的显示格式
formatter = matplotlib.ticker.FormatStrFormatter('$%1.2f')
ax.yaxis.set_major_formatter(formatter)
# 设置ticker的参数,右侧为主轴,颜色为绿色
ax.yaxis.set_tick_params(which='major', labelcolor='hotpink',
labelleft=False, labelright=True);
3. 思考题
1.primitives 和 container的区别和联系是什么,分别用于控制可视化图表中的哪些要素
答:primitives绘图的基本要素,包含一些基本图形对象,例如线、矩形、多边形、图像image等等。
container是容器,包括图形figure、坐标系Axes和坐标轴Axis。
联系:contrainer包含primitives
2.使用提供的drug数据集,对第一列yyyy和第二列state分组求和,画出下面折线图。PA加粗标黄,其他为灰色。
# 1.plot方法绘制
x = [2010,2011,2012,2013,2014,2015,2016,2017]
y1 = [3000,3010,3015,3020,3010,3000,3010,2900]
y2 = [8000,6000,7000,11000,9000,8050,10010,10020]
y3 = [10100,10100,11000,12000,12100,10000,10010,9200]
y4 = [20000,20010,20010,21000,26000,27000,27100,28000]
y5 = [20000,20030,23000,27000,31000,37000,42000,47000]
fig = plt.figure()
ax1 = fig.add_axes([0, 1, 3, 2])
ax1.plot(x, y1,color= "gray",label="WW")
ax1.plot(x, y2,color= "gray",label="KY")
ax1.plot(x, y3,color= "gray",label="VA")
ax1.plot(x, y4,color= "orange", linewidth=5,label="FA")
ax1.plot(x, y5,color= "gray",label="CH")
plt.xlabel('Years',fontsize=22)
plt.ylabel('DrugReports',fontsize=22)
plt.title('Evolution of PA vs other states',fontsize=22,color='orange',horizontalalignment='left')
for ax in fig.axes:
ax.grid(True)
plt.legend() #显示图例
plt.show()
#print(ax.lines);# 通过直接使用辅助方法画线,打印ax.lines后可以看到在matplotlib在底层创建了两个Line2D对象
3.分别用一组长方形柱和填充面积的方式模仿画出下图,函数 y = -1 * (x - 2) * (x - 8) +10 在区间[2,9]的积分面积
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.patches as mPatches
def func(x):
return -(x-2)*(x-8) + 40
x = np.linspace(0,10)
print(x )
y = func(x)
print(y)
fig, ax = plt.subplots()
plt.plot(x, y ,'r' , linewidth=2)
a=2
b=9
ax.set_xticks([0,2,4,6,8,10])
ax.set_yticks([b])
ax.set_xticklabels(['$0$','$2$', '$4$','$6$','$8$','$10$'])
plt.figtext(0.9 , 0.1 , '$x$')
plt.figtext(0.1, 0.9, '$y$')
ix = np.linspace(a,b)
iy = func(ix)
verts = [(a,0)]+ list(zip(ix, iy)) + [ (b,0)]
poly = mPatches.Polygon(verts , facecolor='0.9' , edgecolor='0.1')
ax.add_patch(poly)
plt.text((a+b)*0.5 * 0.7 , 35 , r'$\int_a^b (-(x-2) * (x-8) + 10) dx$')
plt.show()