matplotlib学习之三

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

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

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

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()

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)

1.2 使用 GridSpec 绘制非均匀子图

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

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)
# 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

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))

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

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])

需要说明的是，axhline和axvline方法的第一个参数，代表了水平线或垂直线所在的位置，第二个参数和第三个参数用来设定水平线或垂直线在图中所占的比例，比如当第二个参数设置为0，第三个参数设置为1时，水平线或垂直线会画满全图的宽或高。

fig, ax = plt.subplots(figsize=(4,3))
ax.axhline(0.5,0,1)
ax.axvline(0.5,0,1)
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：

string	code
best	0
upper right	1
upper left	2
lower left	3
lower right	4
right	5
center left	6
center right	7
lower center	8
upper center	9
center	10

3. 作业

3.1 墨尔本1981年至1990年的每月温度情况绘图

ex1 = pd.read_csv('layout_ex1.csv')
ex1.head()

date = pd.date_range('1/1981','1/1991',freq='M')
ex1['year']=date.year
ex1['month']=date.month

fig, axs = plt.subplots(2, 5, figsize=(16, 4), sharex=True, sharey=True)
fig.suptitle('墨尔本1981年至1990年月温度曲线', size=20)
for i in range(2):
    for j in range(5):
        axs[i][j].plot(ex1[ex1['year'] == ex1['year'].unique()[5*i+j]]['month'],
                       ex1[ex1['year'] == ex1['year'].unique()[5*i+j]]['Temperature'],linestyle='-',marker = 'o')
        axs[i][j].set_title(ex1['year'].unique()[5*i+j].astype(str)+"年")
        axs[i][j].set_xlim(0.5,12.5)
        axs[i][j].set_ylim(4,18.5)
        #if i==1: axs[i][j].set_xlabel('横坐标')
        if j==0: axs[i][j].set_ylabel('气温')
        x_major_locator=plt.MultipleLocator(1)
        axs[i][j].xaxis.set_major_locator(x_major_locator)
fig.tight_layout()

3.2 画出数据的散点图和边际分布

fig = plt.figure(figsize=(6, 6))
spec = fig.add_gridspec(nrows=2, ncols=2, width_ratios=[9,1], height_ratios=[1,9])
x = np.random.randn(2, 150)

ax1 = fig.add_subplot(spec[1, 0])
ax1.scatter(x[0],x[1])
ax1.set_xlabel('my_data_x')
ax1.set_ylabel('my_data_y')
ax1.set_xlim(-3.25,3.25)
ax1.set_ylim(-3.25,3.25)
ax1.grid(True)

ax2 = fig.add_subplot(spec[0, 0],sharex=ax1)
bins=np.arange(-3.25,3.75,0.5) #设置连续的边界值
ax2.hist(x[0],bins,rwidth=0.9)#alpha设置透明度，0为完全透明 
ax2.axis('off')

ax3 = fig.add_subplot(spec[1, 1],sharey=ax1)
bins=np.arange(-3.25,3.75,0.5) #设置连续的边界值
ax3.hist(x[1],bins,rwidth=0.9,orientation=u'horizontal')#alpha设置透明度，0为完全透明 
ax3.axis('off')

fig.tight_layout()

参考资料
Datawhale组队学习开源教程