Matplotlib学习笔记 Task03：布局格式定方圆

akaki_zero

已于 2022-07-20 10:51:15 修改

阅读量553

点赞数

分类专栏：学习笔记文章标签：大数据 matplotlib 学习

于 2022-07-19 19:29:21 首次发布

本文链接：https://blog.csdn.net/qq_52797555/article/details/125849129

版权

学习笔记专栏收录该内容

4 篇文章 0 订阅

订阅专栏

1 子图

1. 1 使用 plt.subplots 绘制均匀状态下的子图

1.2 使用 GridSpec 绘制非均匀子图

3.1 墨尔本1981年至1990年的每月温度情况

导入需要的库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']   #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False   #用来正常显示负号

1 子图

1. 1 使用 `plt.subplots` 绘制均匀状态下的子图

返回元素分别是画布和子图构成的列表，第一个数字为行，第二个为列，不传入时默认值都为1

figsize 参数：指定整个画布的大小

sharex：是否共享横轴刻度

sharey：是否共享纵轴刻度

tight_layout 函数：调整子图的相对大小，使字符不会重叠

fig, axs = plt.subplots(2, 5, figsize=(10, 4), sharex=True, sharey=True)
fig.suptitle('样例1', size=20)
for i in range(2):
    for j in range(5):
        axs[i][j].scatter(np.random.randn(10), np.random.randn(10))
        axs[i][j].set_title('第%d行，第%d列'%(i+1,j+1))
        axs[i][j].set_xlim(-5,5)
        axs[i][j].set_ylim(-5,5)
        if i==1: axs[i][j].set_xlabel('横坐标')
        if j==0: axs[i][j].set_ylabel('纵坐标')
fig.tight_layout()

subplots是基于OO模式的写法，显式创建一个或多个axes对象，然后在对应的子图对象上进行绘图操作。
还有种方式是使用subplot这样基于pyplot模式的写法，每次在指定位置新建一个子图，并且之后的绘图操作都会指向当前子图，本质上subplot也是Figure.add_subplot的一种封装。

在调用subplot时一般需要传入三位数字，分别代表总行数，总列数，当前子图的index

plt.figure()
# 子图1
plt.subplot(2,2,1) 
plt.plot([1,2], 'r')
# 子图2
plt.subplot(2,2,2)
plt.plot([1,2], 'b')
#子图3
plt.subplot(224)  # 当三位数都小于10时，可以省略中间的逗号，这行命令等价于plt.subplot(2,2,4) 
plt.plot([1,2], 'g');

除了常规的直角坐标系，也可以通过projection方法创建极坐标系下的图表

N = 150
r = 2 * np.random.rand(N)
theta = 2 * np.pi * np.random.rand(N)
area = 200 * r**2
colors = theta


plt.subplot(projection='polar')
plt.scatter(theta, r, c=colors, s=area, cmap='hsv', alpha=0.75);

【极坐标的坐标不是x,y，而是theita（角度）和r（半径）】

【关键是在subplot中设置projection = 'polar' 或者polar=True】

1.2 使用 `GridSpec` 绘制非均匀子图

所谓非均匀包含两层含义：

指图的比例大小不同但没有跨行或跨列
指图为跨列或跨行状态

利用 add_gridspec 可以指定相对宽度比例 width_ratios 和相对高度比例参数 height_ratios

fig = plt.figure(figsize=(10, 4))
spec = fig.add_gridspec(nrows=2, ncols=5, 
width_ratios=[1,2,3,4,5], height_ratios=[1,3])
fig.suptitle('样例2', size=20)
for i in range(2):
    for j in range(5):
        ax = fig.add_subplot(spec[i, j])
        ax.scatter(np.random.randn(10), np.random.randn(10))
        ax.set_title('第%d行，第%d列'%(i+1,j+1))
        if i==1: ax.set_xlabel('横坐标')
        if j==0: ax.set_ylabel('纵坐标')
fig.tight_layout()

在上面的例子中出现了 spec[i,j] 的用法，事实上通过切片就可以实现子图的合并而达到跨图的共能

fig = plt.figure(figsize=(10, 4))
spec = fig.add_gridspec(nrows=2, ncols=6, 
width_ratios=[2,2.5,3,1,1.5,2], height_ratios=[1,2])
fig.suptitle('样例3', size=20)
# sub1
ax = fig.add_subplot(spec[0, :3])
ax.scatter(np.random.randn(10), np.random.randn(10))
# sub2
ax = fig.add_subplot(spec[0, 3:5])
ax.scatter(np.random.randn(10), np.random.randn(10))
# sub3
ax = fig.add_subplot(spec[:, 5])
ax.scatter(np.random.randn(10), np.random.randn(10))
# sub4
ax = fig.add_subplot(spec[1, 0])
ax.scatter(np.random.randn(10), np.random.randn(10))
# sub5
ax = fig.add_subplot(spec[1, 1:5])
ax.scatter(np.random.randn(10), np.random.randn(10))
fig.tight_layout()

2 子图上的方法

补充介绍一些子图上的方法

常用直线的画法为： axhline（水平）,axvline（垂直）,axline（任意方向）

`2.1 axhline`

函数功能： 在轴上添加一条水平线

函数语法：axhline(y=0, xmin=0, xmax=1, **kwargs)

函数参数：
y：浮点型，默认值0，水平线在坐标中y点的位置
xmin（水平线的起始位置）：浮点型，默认值为0，取值位于[0,1]之间，取值0时在图的左边界，取值1时在图的右边界。
xmax（水平线的结束位置）：浮点型，默认值为1，取值位于[0,1]之间，0取值时在图的左边界，取值1时在图的右边界。

**kwargs：其他关键参数，如：水平线的颜色、风格、粗细等

2.2 axvline

函数功能：在轴上添加一条垂直线
函数语法：axhline(x=0, xmin=0, ymax=1, **kwargs)

函数参数：
x：浮点型，默认值0，垂直线在坐标中x点的位置
ymin（垂直线的起始位置）：浮点型，默认值为0，取值位于[0,1]之间，取值0时在图的下边界，取值1时在图的上边界。
ymax（垂直线的结束位置）：浮点型，默认值为1，取值位于[0,1]之间，取值0时在图的下边界，取值1时在图的上边界。

fig, ax = plt.subplots(figsize=(4,3))
ax.axhline(0.5,0.2,0.8)
ax.axvline(0.5,0.2,0.8)
ax.axline([0.3,0.3],[0.7,0.7]);

使用 grid 可以加灰色网格

fig, ax = plt.subplots(figsize=(4,3))
ax.grid(True)

使用 set_xscale 可以设置坐标轴的规度（指对数坐标等）

fig, axs = plt.subplots(1, 2, figsize=(10, 4))
for j in range(2):
    axs[j].plot(list('abcd'), [10**i for i in range(4)])
    if j==0:
        axs[j].set_yscale('log')
    else:
        pass
fig.tight_layout()

3 思考题

3.1 墨尔本1981年至1990年的每月温度情况

path = r'存放的文件路径'
df = pd.read_csv(path)

df['Year'] = pd.to_datetime(df['Time']).dt.year
df['Month'] = pd.to_datetime(df['Time']).dt.month

fig,axes = plt.subplots(2,5,figsize =(20,6),sharex=True,sharey=True)
fig.suptitle('墨尔本1981年至1990年月温度曲线',size = 15)
n=0
m=0
m1= 0 
for i ,j in df.groupby('Year'):
    if m <= 4:
        axes[0][m].set_title('{}年'.format(i),size=10)
        axes[0][m].plot(j['Month'],j['Temperature'],marker='o',color = 'red')
        axes[0][m].grid(True)
        m += 1
    else:
        axes[1][m1].set_title('{}年'.format(i),size=10)
        axes[1][m1].plot(j['Month'],j['Temperature'],marker='o')
        axes[1][m1].set_xticks(range(1,13))
        axes[1][m1].grid(True)
        m1 += 1