艺术画笔见乾坤—Matplotlib

艺术画笔见乾坤—Matplotlib

绘图步骤

matplotlib的原理或者说基础逻辑是，用Artist对象在画布(canvas)上绘制(Render)图形。这与人作画的步骤类似：

1. 准备一块画布或画纸
2. 准备好颜料、画笔等制图工具
3. 作画

所以相对，matplotlib有三个层次的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。

Artist分类

Artist有两种类型：primitives 和 containers

• primitives 是基本要素，它包含一些我们在绘图区昨天用到的标准图形对象，如曲线Line2D，文字text，矩形Rectangle，图像image等。
• container是容器，即用来装基本要素的地方，包括图形figure、坐标系Axes和坐标轴Axis。他们之间的关系如下图所示：

可视化中常见的artist类可以参考下图这张表格。

Axes helper method	Artist	Container
bar - bar charts	Rectangle	ax.patches
errorbar - error bar plots	Line2D and Rectangle	ax.lines and ax.patches
fill - shared area	Polygon	ax.patches
hist - histograms	Rectangle	ax.patches
imshow - image data	AxesImage	ax.images
plot - xy plots	Line2D	ax.lines
scatter - scatter charts	PolyCollection	ax.collections

• Axes helper methord 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。

• Artist 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。

• Container 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。

后面的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。

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. Line2D

matplotlib中曲线的绘制，主要是通过类matplotlib.lines.Line2D来完成。其中line的含义：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。

它的构造函数：

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

其他详细参数可参考Line2D官方文档

1.1 如何设置Line2D的属性

有三种方法可以用设置线的属性：

1. 直接在plot()函数中设置

2. 通过获得线对象，对线对象进行设置

3. 获得线属性，使用setp()函数设置

   # 直接在plot()函数中设置
   x = range(0,5)
   y = [2,5,7,8,10]
   plt.plot(x,y, linewidth=10); # 设置线的粗细参数为10
   

   

# 面向对象，通过获取线对象，然后对其属性进行设置
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

# 也可以先获得线属性，使用step函数设置
x = range(0,5)
y = [2,5,7,8,10]
lines = plt.plot(x, y)
plt.setp(lines, color='r', linewidth=10);

1.2 如何绘制line

1. 绘制直线line
2. errorbar绘制误差折线图

**1）**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. 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)
ax.plot(x,y2)
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
[<matplotlib.lines.Line2D object at 0x000001EBFE710A90>, <matplotlib.lines.Line2D object at 0x000001EBFE710E20>]

# 2. 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), Line2D(x, y2,color='orange')]  # 显式创建Line2D对象
for line in lines:
    ax.add_line(line) # 使用add_line方法将创建的Line2D添加到子图中
ax.set_xlim(0,4)
ax.set_ylim(2, 11);

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, **kwargs)

其中最主要的参数包括：

• x：需要绘制的 line 中点的在 x 轴上的取值
• y：需要绘制的 line 中点的在 y 轴上的取值
• yerr：指定 y 轴水平的误差
• xerr：指定 x 轴水平的误差
• fmt：指定折线图中某个点的颜色，形状，线条风格，例如 co--
• ecolor：指定 error bar 的颜色
• elinewidth：指定 error bar 的线条宽度

绘制 errorbar：

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, label = 'both limits (default)')

Result:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5gebYPxS-1642332626530)(data:image/png;base64,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)]

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，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)

本小节主要聚焦三种最常见的子类，矩形、多边形和楔形。

1. Rectangle-矩形

   Rectangle 矩形类在官网中的定义是：通过描点 xy 及宽度和高度生成。Rectangle 本身主要比较简单，即 xy 控制描点，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)
   

   在实际使用过程中最常用的是 hist 直方图 和 bar 条形图。

   • 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)
     

     常用参数及含义：

     • 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='fuchsia',alpha=0.5)#alpha设置透明度，0为完全透明 
   plt.xlabel('scores') 
   plt.ylabel('count') 
   plt.xlim(0,100); #设置x轴分布范围 
   plt.show()
   

   Rectangle 矩阵类绘制直方图：

   df = pd.DataFrame(columns = ['data'])
   df.loc[:,'data'] = x
   df['fenzu'] = pd.cut(df['data'], bins=bins, right = False,include_lowest=True)
   
   df_cnt = df['fenzu'].value_counts().reset_index()
   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)
   

   • bar 柱状图

     matplotlib.pyplot.bar(left, height, alpha=1, width=0.8, color=, edgecolor=, label=, lw=3)
     

     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

     与上述类似，同样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

   y = range(1,17)
   plt.bar(np.arange(16), y, alpha=0.5, width=0.5, color='yellow', edgecolor='red', label='The First Bar', lw=3);
   

   Results:

   

   Rectangle

   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);
   

   Results:

   

   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)
   

   参数说明：

   • xy 是一个 N \times 2N×2 的 numpy.array，为多边形的顶点。
   • closed 为 True 则制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他节点的 x 和 y 位置列表定义，后面可以选择一个颜色说明符。

   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 = 'g', alpha = 0.3);
   

   Results:

   

   3. Wedge-楔形

   matplotlib.patches.Wedge 类是楔形类，构造函数为：

   class matplotlib.patches.Wedge(center, r, theta1, theta2, width=None, **kwargs)
   

   一个 Wedge-楔形是以坐标 x, y 为中心，半径为 r，从 \theta_1θ1 扫到 \theta_2θ2（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。

   以绘制饼图为例。通常我们可以使用 matplotlib.pyplot.pie 直接绘制饼图，其构造函数有如下：

   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。其主要的参数是前四个：

   • 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 函数绘制饼图：

   labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
   sizes = [15, 30, 45, 10]
   explode = (0, 0.1, 0, 0)
   fig1, ax1 = plt.subplots()
   ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90)
   ax1.axis('equal'); # Equal aspect ratio ensures that pie is drawn as a circle.
   

   wedge 绘制饼图

   fig = plt.figure(figsize=(5,5))
   ax1 = fig.add_subplot(111)
   theta1 = 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=0.8)
   p.set_array(colors)
   ax1.add_collection(p);
   

3.collection

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)

主要参数为：

• 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))]
plt.scatter(x,y,s=s) ;

4. images

   images 是 matplotlib 中绘制 image 图像的类，其构造函数：

   class matplotlib.image.AxesImage(ax, cmap=None, norm=None, interpolation=None, origin=None, extent=None, filternorm=True, filterrad=4.0, resample=False, **kwargs)
   

   最常用的 imshow 可以根据数组绘制成图像，它的构造函数：

   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插值方法，具体效果如下:

   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),
                           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();
   

   Results:

   

   Note：其中，nrows 和 ncols 分别表示子图的行和列，此处表示 3 行 6 列。返回值 axs 为 18 个子图，因此可以通过 for 循环对其进行遍历，并对各个子图的属性进行修改。

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。

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

Results:

• Note：

  我们发现，这里面得到的两个子图没有对齐，这是为什么呢？因为 add_axes 是以 figure 容器为基准进行对齐的。

  接下来，为了突出两种方式的区别，我们对图形重新绘制：

  fig = plt.figure()
  ax1 = fig.add_subplot(211) # 作一幅2*1的图，选择第1个子图
  ax1 = fig.add_subplot(212)
  ax2 = fig.add_axes([0.0, 0., 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
  plt.show()
  

  可以发现，两个的基准对齐位置不同，可以理解为，add_subplot 是重新创建了一个 subplot 容器，因此，在基于此函数进行增添子图的时候，是在容器内部进行对齐。而 add_axes 则默认是基于 figure 进行操作和对齐。如果要在这种情况下进行对齐，可以首先获得 subplot 的位置信息。

  fig = plt.figure()
  ax1 = fig.add_subplot(211) # 作一幅2*1的图，选择第1个子图
  
  position = ax1.get_position()
  
  #(x0, y0) and (x1, y1) represent the the point coordinates of the lower left and upper right corner respectively
  width = position.x1 - position.x0
  height = position.y1 - position.y0
  
  ax2 = fig.add_axes([position.x0, position.y0 - 0.4, width, height]) # 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
  plt.show()
  

  Results:

  Note: ax1.get_position 返回一个 Bbox 对象，可以通过其 x0, y0, x1 和 y1 得到左下角和右上角的坐标信息。即：

  综上，通过获得位置参数之后，将两张子图进行了对齐。

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(211)

for ax in fig.axes:
    ax.grid(True)

Results:

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，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.Axes 坐标系容器

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(111)
rect = ax.patch  # axes的patch是一个Rectangle实例
rect.set_facecolor('green')

Results:

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，通过下述代码来创建一个任意区域的 Axes：

Figure.add_axes([left,bottom,width,height])

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。

可以使用Axes的辅助方法 .add_line() 和 .add_patch() 方法来直接添加。

此外，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;

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

3.Axis 坐标轴容器

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

• 获取刻度线位置

  axis.get_ticklocs()     # 获取刻度线位置
  

  Results:

  array([-0.5,  0. ,  0.5,  1. ,  1.5,  2. ,  2.5,  3. ,  3.5,  4. ,  4.5])
  

• 获取刻度线 label 列表

  返回一个 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_ticklabels()
  

  Results:

  [Text(-0.5, 0, '−0.5'),
   Text(0.0, 0, '0.0'),
   Text(0.5, 0, '0.5'),
   Text(1.0, 0, '1.0'),
   Text(1.5, 0, '1.5'),
   Text(2.0, 0, '2.0'),
   Text(2.5, 0, '2.5'),
   Text(3.0, 0, '3.0'),
   Text(3.5, 0, '3.5'),
   Text(4.0, 0, '4.0'),
   Text(4.5, 0, '4.5')]
  

• 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_ticklines()    # 获取刻度线列表(
  

  Results:

  <a list of 22 Line2D ticklines objects>
  

• 获取轴刻度间隔

  axis.get_data_interval()
  

  Results:

  array([0., 4.])
  

• 获取轴视角（位置）的间隔

  axis.get_view_interval()
  

  Results:

  array([-0.2,  4.2])
  

下面的例子展示了如何调整一些轴和刻度的属性(忽略美观度，仅作调整参考)：

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('lightgoldenrodyellow')

ax1 = fig.add_axes([0.1, 0.3, 0.4, 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('red') # 颜色
    label.set_rotation(45) # 旋转角度
    label.set_fontsize(16) # 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('green')    # 颜色
    line.set_markersize(25)    # marker大小
    line.set_markeredgewidth(2)# marker粗细

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

其中，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绿色：

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='green',
                         labelleft=False, labelright=True);

思考题

• 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

  • container 是容器，可以理解为一个盒子，用来盛放 Axis 坐标轴、Axes 坐标系 和 Figure 图形；
  • primitives 表示基本要素，包括 Line2D, Rectangle, Text, AxesImage 这些基本的绘图要素。

  它们之间的关系是使用 Figure 容器创建一个或多个 Axis 坐标轴容器或者 Subplot 实例，然后用 Axes 坐标轴实例的帮助方法创建 primitives要素。接下来，我们用一个例子来演示。

• 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。
  图标题和横纵坐标轴标题，以及线的文本暂不做要求。

• 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
  
  

参考资料¶

1. matplotlib设计的基本逻辑

2. AI算法工程师手册

表示基本要素，包括 Line2D, Rectangle, Text, AxesImage 这些基本的绘图要素。

它们之间的关系是使用 Figure 容器创建一个或多个 Axis 坐标轴容器或者 Subplot 实例，然后用 Axes 坐标轴实例的帮助方法创建 primitives要素。接下来，我们用一个例子来演示。

• 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。
  图标题和横纵坐标轴标题，以及线的文本暂不做要求。

• 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
  
  

参考资料¶

1. matplotlib设计的基本逻辑

2. AI算法工程师手册