一个画布有多个子图_Matplotlib进阶子图的花样玩法

/ 导读 /

在matplotlib中，我们经常面临使用多种不同的子图来对比，本文将从实际案例出发，教大家绘制不同类型的子图，探究子图的花样玩法。

均匀子图

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

figsize 参数可以指定整个画布的大小

sharex 和 sharey 分别表示是否共享横轴和纵轴刻度

tight_layout 函数可以调整子图的相对大小使字符不会重叠

下面是使用plt.subplots绘制均匀状态下的子图示例

import matplotlib.pyplot as pltimport numpy as npimport pandas as pd

#画一个两行五列，尺寸宽为10，高为4的图片#这里共享横轴和纵轴的刻度fig, axs = plt.subplots(2, 5, figsize=(10, 4), sharex=True, sharey=True)fig.suptitle('样例1', size=20)#这里使用for循环，对生成的随机数进行子图绘制，设置子图的标题#设置子图的横纵坐标和title#对于横纵坐标刻度值的显示，可以使用set_xticks和set_yticks#学习标题中的i，j显示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()

注意：这里的tight_layout可以调整子图的相对大小使字符不会重叠，这个命令是新版本加进来的，需要将matplotlib的版本升至3.3以上，笔者之前是3.1，显示出来的图片就会重叠

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

下面这几行代码之前同样需要导入画图库

N = 150r = 2 * np.random.rand(N)theta = 2 * np.pi * np.random.rand(N)area = 200 * r**2colors = thetaplt.subplot(projection='polar')plt.scatter(theta, r, c=colors, s=area, cmap='hsv', alpha=0.75)

非均匀子图

所谓非均匀包含两层含义，第一是指图的比例大小不同但没有跨行或跨列，第二是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

下面是使用GridSpec绘制非均匀状态下的子图示例

fig = plt.figure(figsize=(10, 4))#设置子图的宽度比和高度比spec = fig.add_gridspec(nrows=2, ncols=5, width_ratios=[1,2,3,4,5], height_ratios=[1,3])#使用suptitle来设置图片的标题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功能

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)# sub1ax = fig.add_subplot(spec[0, :3])ax.scatter(np.random.randn(10), np.random.randn(10))# sub2ax = fig.add_subplot(spec[0, 3:5])ax.scatter(np.random.randn(10), np.random.randn(10))# sub3ax = fig.add_subplot(spec[:, 5])ax.scatter(np.random.randn(10), np.random.randn(10))# sub4ax = fig.add_subplot(spec[1, 0])ax.scatter(np.random.randn(10), np.random.randn(10))# sub5ax = fig.add_subplot(spec[1, 1:5])ax.scatter(np.random.randn(10), np.random.randn(10))fig.tight_layout()

拓展部分：关于切片的基础知识——Python字符串的两种序号体系

下面通过举例说明

players=['a','b','c','d','e']print(players[0:3])

players=['a','b','c','d','e']print(players[:5])

players=['a','b','c','d','e']print(players[:-1])

players=['a','b','c','d','e']print(players[-3:-1])

上述的结果依次为

['a', 'b', 'c']

['a', 'b', 'c', 'd', 'e']

['a', 'b', 'c', 'd']

['c', 'd']

子图上的方法

在 ax 对象上定义了和 plt 类似的图形绘制函数，常用的有： plot, hist, scatter, bar, barh, pie

fig, ax = plt.subplots(figsize=(4,3))ax.plot([1,2],[2,1])

fig, ax = plt.subplots(figsize=(4,3))ax.hist(np.random.randn(1000))

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, set_title, set_xlabel 分别可以设置坐标轴的规度(指对数坐标等)、标题、轴名

fig, axs = plt.subplots(1, 2, figsize=(10, 4))fig.suptitle('大标题', size=20)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')        axs[j].set_title('子标题1')        axs[j].set_ylabel('对数坐标')    else:        axs[j].set_title('子标题1')        axs[j].set_ylabel('普通坐标')fig.tight_layout()

与一般的 plt 方法类似， legend, annotate, arrow, text 对象也可以进行相应的绘制

fig, ax = plt.subplots()ax.arrow(0, 0, 1, 1, head_width=0.03, head_length=0.05, facecolor='red', edgecolor='blue')ax.text(x=0, y=0,s='这是一段文字', fontsize=16, rotation=70, rotation_mode='anchor', color='green')ax.annotate('这是中点', xy=(0.5, 0.5), xytext=(0.8, 0.2), arrowprops=dict(facecolor='yellow', edgecolor='black'), fontsize=16)

fig, ax = plt.subplots()ax.plot([1,2],[2,1],label="line1")ax.plot([1,1],[1,2],label="line1")ax.legend(loc=1)

其中，图例的 loc 参数如下：

作业与代码展示

1. 墨尔本1981年至1990年的每月温度情况

• 请利用数据，画出如下的图：

• 数据来源：https://github.com/datawhalechina/fantastic-matplotlib/blob/main/data/layout_ex1.csv

代码展示

import matplotlib.pyplot as pltimport numpy as npimport pandas as pdex1 = pd.read_csv('C:/Users/13636/Desktop/数据可视化/fantastic-matplotlib-main/data/layout_ex1.csv')ex1['year'] = pd.to_datetime(ex1['Time']).dt.yearex1['month'] = pd.to_datetime(ex1['Time']).dt.monthex1.head()

from matplotlib.pyplot import MultipleLocatorfig, axs = plt.subplots(2, 5, figsize=(12, 4), sharex=True, sharey=True)fig.suptitle('墨尔本1981年至1990年月温度曲线', size=15)for i in range(2):    for j in range(5):        if i==0: axs[i][j].set_title('198%d年'%(j+1))        if i==1: axs[i][j].set_title(str(int(1986+j))+'年')        if j==0: axs[i][j].set_ylabel('气温')        axs[i][j].set_xticks([1,2,3,4,5,6,7,8,9,10,11,12])        axs[i][j].set_yticks([5,10,15])        data = ex1[ex1['year'] == i*5+j+1981]        axs[i][j].plot(data['month'], data['Temperature'], color='royalblue',marker='*',linestyle='-')fig.tight_layout()

2. 画出数据的散点图和边际分布

• 用 np.random.randn(2, 150) 生成一组二维数据，使用两种非均匀子图的分割方法，做出该数据对应的散点图和边际分布图

先对文中的图形进行分析，发现有散点和直方图，注意它们的位置，使用子图时标明，直方图没有坐标轴，查看具体的操作说明；整个图形的宽高比选择，子图的横纵坐标以及坐标值说明。下面结合官方文档中的部分资料开始作图

官方说明文档：https://matplotlib.org/gallery/lines_bars_and_markers/scatter_hist.html#sphx-glr-gallery-lines-bars-and-markers-scatter-hist-py

代码展示

import numpy as npimport pandas as pdimport matplotlib.pyplot as plt#随机生成一组二位数据x=np.random.randn(2,150)y=np.random.randn(2,150)

设置图片大小，排版位置以及各个子图的说明及绘图形式，引用GridSpec非均匀子图分割方法

fig = plt.figure(figsize=(6, 6))spec = fig.add_gridspec(nrows=2, ncols=2, width_ratios=[3, 1], height_ratios=[1, 3])#sub1 子图1，说明位置和绘图时的宽度比，关闭坐标轴ax = fig.add_subplot(spec[0, 0])ax.hist(x[0],width=0.4)ax.axis('off')#sub2 子图2，说明子图位置，加入网格，坐标值和坐标轴标签ax = fig.add_subplot(spec[1, 0])ax.grid(True)ax.set_xlabel('my_data_x')ax.set_ylabel('my_data_y')ax.set_xticks([-2,-1,0,1,2,3])ax.set_yticks([-3,-2,-1,0,1,2,3])ax.scatter(x, y)#sub3 子图3，说明位置和绘图时的宽度比，规定方向，关闭坐标轴ax = fig.add_subplot(spec[1, 1])ax.hist(x[1], orientation='horizontal', height=0.4)ax.axis('off')plt.tight_layout()

---

参考：Datawhale数据可视化讲义

          Matplotlib官方文档

          机器学习课程资料