使用Matplotlib和Seaborn绘制簇状柱状图

Matplotlib提供了丰富的绘图功能和高度自定义的选项，而Seaborn则基于Matplotlib，提供了更高级别的接口，使得绘制美观的图表变得更为简单。

Seaborn风格与配色方案

Seaborn的风格

Seaborn提供了五种主要的风格，分别是：darkgrid、whitegrid、dark、white和ticks。

1. darkgrid：在暗色背景上绘制网格线，适合用于大多数图表，尤其是那些需要强调数据的情况。
2. whitegrid：在白色背景上绘制网格线，同样适用于大多数图表，但更适合在浅色背景下使用。
3. dark：暗色背景且没有网格线，适合创建科学报告或黑暗主题的图表。
4. white：白色背景且没有网格线，适合在明亮的环境中使用，尤其是在演示或打印时。
5. ticks：在白色背景上绘制刻度线，适合创建包含刻度标记的图表，特别是那些需要强调刻度的情况。

import seaborn as sns

# 设置 seaborn 风格
sns.set_style("darkgrid")

Seaborn的配色方案

1. 预定义的调色板

除了风格外，Seaborn还提供了多种配色方案，用于在图表中区分不同的数据类别。以下是一些常用的配色方案：

1. deep：一组较深的颜色，用于区分不同的类别，特别适用于分类数据。
2. muted：一组柔和的颜色，不太鲜艳，适用于中等大小的数据集。
3. bright：一组明亮的颜色，非常鲜艳，适用于需要强调不同类别的情况。
4. pastel：一组柔和的颜色，比较淡雅，适用于视觉上温和的图表。
5. dark：一组深色的颜色，适用于需要强调数据的情况。
6. colorblind：适用于色盲的颜色方案，能够保证即使是色盲患者也能够清晰地区分不同的类别。
7. husl：一组从黄色到红色再到蓝色的连续颜色，适用于需要区分多个类别且不希望颜色过于刺眼的情况。
8. Paired：一组成对的颜色，每个颜色都与另一个颜色形成对比，适用于需要将数据按照两两配对进行比较的情况。
9. Set1、Set2、Set3：三组离散的颜色，每组颜色都有不同的亮度和饱和度，适用于区分多个类别的情况。
10. tab10、tab20、tab20b、tab20c：四组离散的颜色，每组颜色都有不同的亮度和饱和度，适用于区分多个类别的情况，特别是在需要更多的颜色选择时。

# 设置 seaborn 配色方案
sns.set_palette("tab20")

2. 定制调色板

除了预定义调色板外，Seaborn还允许用户创建自己的定制调色板。可以使用sns.color_palette()函数来创建定制调色板，并将其传递给set_palette()函数。

custom_palette = sns.color_palette(["#fe9900", "#ffff00", "#0099cb"])  # 使用RGB颜色值创建调色板
# custom_palette = sns.color_palette(["red", "green", "blue"]) # 使用颜色名称创建调色板
sns.set_palette(custom_palette)

3. 使用颜色映射

在某些情况下，可能希望根据数据的值来自动选择颜色。这时可以使用Seaborn提供的颜色映射功能。例如，在绘制热图或散点图时，可以使用cmap参数来指定颜色映射。Seaborn支持许多不同的颜色映射，例如"viridis"、“inferno”、"coolwarm"等等。

sns.heatmap(data, cmap="viridis")

在Seaborn中，可以通过设置参数来调整颜色的饱和度、透明度和字体大小等。下面介绍如何使用Seaborn来实现这些设置：

其他设置

1. 颜色饱和度

Seaborn中的set_palette()函数可以接受一个saturation参数，用于调整颜色的饱和度。饱和度参数的取值范围为0到1，其中0表示完全不饱和（灰度色），1表示完全饱和（原始颜色）。例如：

sns.set_palette("deep", saturation=0.8)

这将使用"deep"调色板，并将其饱和度设置为0.8。

2. 透明度

在Seaborn中，可以通过在绘图函数中传递alpha参数来设置图表元素的透明度。透明度参数的取值范围为0到1，其中0表示完全透明，1表示完全不透明。例如：

# 示例数据
data = pd.DataFrame({'x': [1, 2, 3, 4, 5], 'y': [2, 4, 6, 8, 10]})

# 绘制散点图，并设置透明度
sns.barplot(x="x", y="y", data=data, alpha=0.5)

这将绘制一个柱状图，并将其透明度设置为0.5。

3. 字体大小

Seaborn中的字体大小可以通过设置Matplotlib的参数来实现。可以使用rc方法来设置Matplotlib的参数，从而调整字体大小。例如：

sns.set_context("paper", rc={"font.size": 13})

这将将绘图上下文设置为"paper"，并将字体大小设置为13。
Seaborn提供了几种不同的绘图上下文，包括paper、notebook、talk和poster，每种上下文对应不同的字体大小。

示例代码

import os  # 导入用于操作操作系统功能的 os 模块
import pandas as pd  # 导入用于数据处理和分析的 Pandas 库
import matplotlib.pyplot as plt  # 导入用于绘图的 Matplotlib 库
import numpy as np  # 导入用于数值计算的 Numpy 库
import seaborn as sns  # 导入用于数据可视化的 Seaborn 库

# 设置 seaborn 风格为 darkgrid
sns.set_style("darkgrid")

# 设置 seaborn 配色方案为 tab20
sns.set_palette("tab20")

# 设置 seaborn 字体大小
sns.set_context(rc={"font.size": 13})

# 定义数据集名称列表
dataset_names = ['ETTm1', 'ETTm2', 'ETTh1', 'AF.PA']

# 定义时间步列表
time_steps = [24, 48, 96, 288, 672]
times = ['24', '48', '96', '288', '672']

etth1_time_steps = [24, 48, 168, 336, 720]
etth1_times = ['24', '48', '168', '336', '720']

# 定义指标列表
metrics = ['MSE', 'MAE']

# 定义模型名称列表
models = ['VATSRL', 'TS2Vec', 'TS-TCC', 'TST', 'TNC', 'CRT']

# 定义颜色列表
colors = []

# 定义绘制柱状图的函数
def plot(dataset):
    # 遍历数据集
    for dataset_name, datas in dataset.items():
        # 遍历指标
        for metric in metrics:
            # 初始化一个空列表来保存数据，用于绘制柱状图
            data = datas
            bars_data = []

            # 根据数据集名称选择时间步和时间列表
            if dataset_name == "ETTh1":
                choose = etth1_time_steps
                chooses = etth1_times
            else:
                choose = time_steps
                chooses = times
            
            # 遍历时间步
            for lookhead in choose:
                lookhead_data = []
                # 遍历模型
                for model in models:
                    # 如果数据存在，则添加到列表中；否则添加 NaN
                    if lookhead in data[model][metric]:
                        lookhead_data.append(data[model][metric][lookhead])
                    else:
                        lookhead_data.append(np.nan)    
                bars_data.append(lookhead_data)

            # 创建绘图对象
            fig, ax = plt.subplots()
            width = 0.85  # 每个柱子的宽度
            index = np.arange(len(models)) * len(time_steps)  # 每个模型的起始位置
            bar_width = width * len(time_steps)  # 每个模型的总宽度
            
            # 为每个模型绘制柱状图
            for i, data in enumerate(bars_data):
                data = np.array(data)
                # ax.bar(index + i * width, data, width, label=chooses[i], alpha=0.75)
                ax.bar(index + i * width, data, width, alpha=0.75)

            # 设置图表的标题和轴标签
            ax.set_title(f'{dataset_name} {metric} Scores')
            ax.set_ylabel(metric)
            ax.set_xticks(index + (bar_width - width) / 2)
            ax.set_xticklabels(models, rotation=45, ha='right')
            ax.set_xlim(index[0] - bar_width / 2, index[-1] + bar_width * 1.3)
            
            # 添加图例，看需要添加
            # ax.legend()
            
            # 显示网格
            ax.grid(axis='y', alpha=0.5)

            # 保存图表为 PDF 文件
            filename = './result/Prediction'
            if not os.path.exists(filename):
                os.makedirs(filename)
            plt.savefig(f'{filename}/{dataset_name}_{metric}.pdf', bbox_inches='tight') 
            # bbox_inches='tight', 自动调整页面大小以适应图形的大小，以防止图形的一部分超出页面边界

            # 显示图表
            plt.tight_layout()
            plt.show()

# 调用绘制函数
plot(dataset)

由于绘图使用的数据是我们实验过程中得到的实际数据，论文还未发表，暂时不方便提供。
csv表格中的数据经过读取后的格式大概如下，可以自行准备数据。

dataset = {
    'ETTm1': {
        'VATSRL': {'MSE': {24: value, 48: value, 96: , 288: , 672:}, 'MAE': {24: , 48: , 96: , 288: , 672: }},
        'TS2Vec': {...},
        'TS-TCC': {...},
        'TST': {...},
        'TNC': {...},
        'CRT': {...}
    },
    'ETTm2': {...},
    'ETTh1': {'VATSRL': {'MSE': {24: value, 48: value, 168: , 336: , 720: }, ...},
 	...
        }

最后绘制出的图像效果