Python图形可视化进阶一

设置坐标轴标签的透明度和大小

axes标签描述了图表中展现的数据内容。

• 当调用 plot() 方法时，就会向 axes.lines 列表添加一个线条的实例（ matplotlib.lines.Line2D ）。
• 通过调用hist()绘制直方图，会向axes.patches列表添加许多矩形（“patchesR”是从MATLAB继承来的一个术语，表示“颜色补片”的概念）
• xaxis和yaxis管理坐标轴、标签、刻度、刻度标签、定位器和格式器的绘制。

matplotlib 提供了一个 helper 方法（实际上是一个捷径）来迭代这些标签，它们是 matplotlib.pyplot.xlabel() 和 matplotlib.pyplot.ylabel()。

示例：

创建一个新的图表，然后在其上进行如下操作：

1. 创建一个基于一些随机生成的数据的plot
2. 创建title和axes标签
3. 添加alpha设置
4. 向title和axes标签添加阴影效果

import matplotlib.pyplot as plt
from matplotlib import patheffects
import numpy as np

data = np.random.randn(70)

fontsize = 18
plt.plot(data)

title = "This is figure title"
x_label = "This is x axis label"
y_label = "This is y axis label"

title_text_obj = plt.title(title, fontsize=fontsize, verticalalignment='bottom')

title_text_obj.set_path_effects([patheffects.withSimplePatchShadow()])

# offset_xy：设置阴影的角度
# shadow_rgbFace：设置阴影的颜色
# patch_alpha：设置阴影的透明度

offset_xy = (1, -1)
rgbRed = (1.0,0.0,0.0)
alpha = 0.8

# 自定义阴影的属性
pe = patheffects.withSimplePatchShadow(offset = offset_xy,
									   shadow_rgbFace = rgbRed,
									   alpha = alpha)
# 将他们应用到 xlabel 和 ylabel 上
xlabel_obj = plt.xlabel(x_label, fontsize=fontsize, alpha=0.5)
xlabel_obj.set_path_effects([pe])

ylabel_obj = plt.ylabel(y_label, fontsize=fontsize, alpha=0.5)
ylabel_obj.set_path_effects([pe])

plt.show()

示例详解：

1. 添加一个标题。然后设置标题字体的大小，并设置标题文本的垂直对齐方式为 bottom。
2. 添加阴影，如果不带参数地调用matplotlib.patheffects.withSimplePatchShadow()，会为标题添加默认的阴影效果。
   参数的默认值为 offset = (2,-2)，shadow_rgbFace = None 和 alpha = None。
3. 标题文本的垂直对齐方式还有 center、top 和 baseline，这里因为要为文本添加阴影，所以选择 bottom。
4. 路径效果（path effects）是 matplotlib 的 matplotlib.patheffects 模块的部分功能，支持 matplotlib.text.Text 和 matplotlib.patches.Patch。
5. 接着为 x 轴和 y 轴添加不同的阴影设置。首先，我们自定义相对于父对象 R 的阴影的位置（ offset，偏移 )，然后设置阴影的颜色。
6. 颜色在这里表示为一个 0.0 ~ 1.0 之间浮点数的三元组，每一个浮点数代表一个 RGB 通道。因此，红色表示为 (1.0，0.0，0.0) (全红，无绿色，无蓝色)。
7. 透明度（ 或者 alpha ）被设置为一个归一化的值，我们也想为其设置一个不同于默认值的值。
8. 设置完毕后，实例化 matplotlib.patheffects.withsimplePatchshadow 对象，并将其引用保存在 pe 变量中以供后面的代码重用它。
9. 为了能应用阴影效果，我们需要得到 label 对象。这再简单不过了，
   因为 matplotlib.pyplot.xlabel() 返回了该对象（matplotlib.text.Text）的引用。然后用它来调用 **set_path_effects（[pe]）**方法。

---

为图标线条添加阴影

• 为了区分图表中的某一线条，或者仅仅为了保持包含图表在内的所有表格的总体风格，有时需要为图表线条（或者直方图）添加阴影效果。
• 为了向图表中的线条或者矩形条添加阴影，需要使用 matplotlib 内置的 transformation 框架，其位于 matplotlib.transforms 模块中。

坐标系	Transformation对象	描述
Data	Axes.transData	表示用户的数据坐标系
Axes	Axes.transAxes	表示Axes坐标系，其中(0,0)表示轴的左下角，(1,1)表示轴的右上角
Figure	Figure.transFigure	表示Figure坐标系，其中(0,0)表示图表的左下角，(1,1)表示图表的右上角
Dispaly	None	表示用户视窗的像素坐标系，其中(0,0)表示视窗的左下角，(width,height)元组表示显示界面的右上角。这里的width和height都是以像素为单位的

注：
在Transformation对象列中，视窗坐标系是没有值的。
这是因为默认的坐标系就是 Display 坐标系，坐标总是在视窗坐标系下并以像素为单位。

示例：

向图表添加阴影效果的代码

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.transforms as transforms

def setup(layout=None):
    '''
    准备操作
    Args:
        layout(int or None)：布局的参数（如 121 表示将图分为 1 x 2 格，并选中第一格）
    Returns:
        fig(matplotlib.figure.Figure)：图
        ax(axes.Axes)：坐标轴
    '''
    assert layout is not None

    fig = plt.figure()
    ax = fig.add_subplot(layout)
    return fig, ax


def get_signal():
    '''
    获取信号
    Returns:
        t(ndarray)：时间数据
        s(ndarray)：信号数据
    '''
    t = np.arange(0., 2.5, 0.01)
    s = np.sin(5 * np.pi * t)
    return t, s


def plot_signal(t, s):
    '''
    绘制信号
    Args:
        t(ndarray)：时间数据
        s(ndarray)：信号数据
    Returns:
        line(matplotlib.lines.Line2D)：绘制好的线条
    '''
    line, = axes.plot(t, s, linewidth=5, color='magenta')
    return line,


def make_shadow(fig, axes, line, t, s):
    '''
    绘制阴影
    Args:
        fig(matplotlib.figure.Figure)：图
        ax(axes.Axes)：坐标轴
        line(matplotlib.lines.Line2D)：绘制好的线条
        t(ndarray)：时间数据
        s(ndarray)：信号数据
    '''
    delta = 2 / 72.  # 阴影移动多少个点
    offset = transforms.ScaledTranslation(delta, -delta, fig.dpi_scale_trans)
    offset_transform = axes.transData + offset

    # 我们绘制相同的数据，但现在使用偏移变换
    # zorder -- to render it below the line
    axes.plot(t, s, linewidth=5, color='gray',
              transform=offset_transform,
              zorder=0.5 * line.get_zorder())

fig, axes = setup(111)
t, s = get_signal()
line, = plot_signal(t, s)

make_shadow(fig, axes, line, t, s)

axes.set_title('使用偏移变换的阴影效果')
plt.show()

示例详解：

1. 通过 setup() 创建 figure 和 axes。然后，得到一个信号（或者说生成一个正弦波数据）。
2. 在 plot_signal() 方法中绘制出基本的信号图。
3. 进行阴影坐标转换并在 make_shadow() 方法中绘制出阴影。
4. 使用偏移效果创建一个偏移对象，把阴影放置在原始对象之下并偏移几个点的距离。
5. 原始对象是一个简单的正弦波，用标准的 plot() 方法进行绘制。
6. matplotlib 包含一个 matplotlib.transforms.scaledTranslation 来添加偏移转换。
7. dx 和 dy 的值以点为单位。因为点是 1 / 72 英寸，向右移动偏移对象 2pt，向下移动偏移对象 2pt。
8. 可以使用 matplotlib.transforms.scaledTransformation(xtr, ytr, scaletr) 方法。
   这里，xtr 和 ytr 是转换的偏移量，scaletr 是一个转换可调用对象(callable)，在转换时和显示之前对 xtr 和 ytr 进行比例调整。
9. 其最常用的情况是从点转换到显示区域，如 DPI，这样偏移始终保持在相同的位置而与实际的输出设备无关（可以是显示器或者打印的材料)。
   我们使用的可调用对象已经内置在 matplotlib 中,可以从 Figure.dpi_scale_trans 得到。
10. 最后，用这些转换把数据绘制出来。

---

向图表添加数据表

为数据绘制可视化图形的主要目的是解释那些不能理解（或者很难理解）的数据值。

示例：

import matplotlib.pylab as plt
import numpy as np

plt.figure()
axes=plt.gca()
y= np.random.randn(9)

col_labels=['col1','col2','col3']
row_labels=['row1','row2','row3']
table_vals=[[11,12,13],[21,22,23],[28,29,30]]
row_colors=['red','gold','green']

the_table = plt.table(cellText=table_vals,
                  colWidths = [0.1]*3,
                  rowLabels=row_labels,
                  colLabels=col_labels,
                  rowColours=row_colors,
                  loc='upper right')

plt.plot(y)
plt.show()

示例详解：

• 使用 plt.table() 方式创建了一个带单元格的表格，并把它添加到当前坐标轴中。表格可以有（可选的）行标题和列标题。
• 每个单元格包含文本。表格的列宽和行高是可以指定的。返回值是一个组成表格的对象（文本、线条和补片实例）的序列。
• 函数实例化并返回一个 matplotlib.table.Table 实例。只有一种方式把表格添加到图表中，这也是 matplotlib 通常的情况。
• 可以直接访问这个面向对象的接口。在用 add_table() 方法把图表添加到坐标轴实例之前，可以用 matplotlib.table.Table 类直接对表格进行微调。

---

使用subplot（子区）

基础了解

• subplot 派生自 axes，位于 subplot 实例的规则网格中。
• 子区的基类是 matplotlib.axes.SubplotBase。
  子区是 matplotlib.axes.Axes 的实例，但提供了 helper 方法来生成和操作图表中的一系列 Axes。
• 有一个 matplotlib.figure.SubplotParams 类，包括 subplot 的所有参数。尺寸是被归一化的图表的宽度或者高度。
• 如果不指定任何定制化的值，subplot 将会从 rc 参数中读取参数值。
• 脚本层（ matplotlib.pyplot ）有操作子区的一些 helper 方法。matplotlib.pyplot.subplots 用来方便地创建普通布局的子区。
• 使用sharex或者sharey关键字参数可以创建共享x或者y轴的子区。sharex 参数可以设置为 True，这样 x 轴就被所有的子区共享。这样一来，刻度标签只在最后一行的子区上可见。
• 也可以被设置为字符串，枚举值如row、col、all或者none。值 all 和 True 相同，值 none 和 False 相同。如果设置为 row，则每一个子区行共享 x 轴坐标；如果设置为 col，则每一个子区列共享 y 轴坐标。
• matplotlib.pyplot.subplots 方法返回一个 (fig，ax) 元组，其中 ax 可以是一个坐标轴实例；当创建多个子区时，ax 是一个坐标轴实例的数组。
• 用 matplotlib.pyplot.subplots_adjust 来调整子区的布局。关键字参数指定了图表中子区的坐标（left、right、bottom 和 top），其值是归一化的图表大小的值。可以用 wspace 和 hspace 参数指定子区间空白区域的大小，参数值为相应宽度和高度的归一化值。

示例

演示matplotlib工具包中的另一个helper函数subplot2grid。
创建一个图表，通过 subplot2grid 添加不同的子区布局，并重新配置刻度标签大小。

import matplotlib.pyplot as plt

plt.figure(0)
axes1 = plt.subplot2grid((3, 3), (0, 0), colspan=3)
axes2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)
axes3 = plt.subplot2grid((3, 3), (1, 2))
axes4 = plt.subplot2grid((3, 3), (2, 0))
axes5 = plt.subplot2grid((3, 3), (2, 1), colspan=2)

# 调整刻度标签大小
all_axes = plt.gcf().axes
for ax in all_axes:
    for ticklabel in ax.get_xticklabels() + ax.get_yticklabels():
        ticklabel.set_fontsize(10)

plt.suptitle("Demo of subplot2grid")
plt.show()

示例详解：

• 定义了网格的几何形状和子区位置。位置基于0，不同于基于1的plot.subplot()。
• 向 subplot2grid 方法传入形状参数、位置（ loc ）参数和可选的 rowspan 及 colspan 参数。
• 这里一个重要的区别是位置从 0 开始索引，而 figure.add_subplot 从 1 开始索引。