Python图形可视化进阶二

定制化网格

使用 matplotlib.pyplot.grid 来设置网格的可见度、密度和风格，或者是否显示网格。

示例：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.axes_grid1 import ImageGrid
from matplotlib.cbook import get_sample_data


def get_demo_image():
    f = get_sample_data("axes_grid/bivariate_normal.npy", asfileobj=False)
    # z 是一个大小为 15x15 的 numpy 数组
    Z = np.load(f)
    return Z, (-3, 4, -4, 3)


def get_grid(fig=None, layout=None, nrows_ncols=None):
    assert fig is not None
    assert layout is not None
    assert nrows_ncols is not None

    grid = ImageGrid(fig, layout, nrows_ncols=nrows_ncols,
                    axes_pad=0.05, add_all=True, label_mode="L")
    return grid


def load_images_to_grid(grid, Z, *images):
    min, max = Z.min(), Z.max()
    for i, image in enumerate(images):
        axes = grid[i]
        axes.imshow(image, origin="lower", vmin=min, vmax=max,
                  interpolation="nearest")

fig = plt.figure(1, (8, 6))
grid = get_grid(fig, 111, (1, 3))
Z, extent = get_demo_image()

# 将图像进行切片
image1 = Z
image2 = Z[:, :10]
image3 = Z[:, 10:]

load_images_to_grid(grid, Z, image1, image2, image3)

plt.draw()
plt.show()

示例详解：

• 在函数 get_demo_image 中，我们从 matplotlib 的样本数据目录中加载数据。
• grid 列表保存了 axes 网格（此例中是 ImageGrid ）。
• 变量 image1、image2、image3 保存了 Z 的切片数据，这些数据是根据 grid 列表的多个坐标轴切分的。
• 循环遍历所有的网格，调用标准的 imshow() 方法绘制出 image1、image2、image3R 的数据。
• matplotlib 确保所有图形的渲染是整洁的，排列是整齐的。

---

创建高线图

• 等高线图（contour plot）显示的是矩阵的等值线（isolines）。
• 等值线是用数值相等的各点连成的曲线。数值通过一个有两个参数的函数获得。

基础知识

• Z 矩阵的等高线图由许多等高线表示，这里的 Z 被视为相对于 X-Y 平面的高度。
  Z 的最小值为 2，并且必须包含至少两个不同的值。
• 等高线图的缺陷之一是如果在编码时不为等值线添加标签，它将毫无意义，
  因为我们不能分辨出最高点和最低点，或者找出局部极小值。
• 我们需要为等高线添加标签。可以使用标签（clabel()）或者 colormaps 为等值线添加标签。
  如果你的输出媒介允许使用颜色，colormaps 是首选，因为观察者将更容易理解数据。
• 等高线图的另一个风险是如何选择要绘制的等值线数量。
  如果选择的太多，图表就会变得太密集从而难以理解；
  如果选择的太少，将丢失信息，从而对数据做出不同的理解。
• 函数 contour() 会自动猜测出将绘制多少等值线，但我们也可以指定数量。
  在 matplotlib 中，用 matplotlib.pyplot.contour 绘制等高线图。
  contour() 函数可以有不同的调用签名（如下表所示)，这取决于我们拥有的数据和（或者）我们想可视化的属性。

调用签名	描述
contour(Z)	绘制 Z（数组）的等高线。自动选择水平值
contour(X, Y, Z)	绘制 X、Y 和 Z 的等高线。X 和 Y 数组为 (x, y) 平面坐标（surface coordinates）
contour(Z, N)	绘制 Z 的等高线，其中水平数由 N 决定。自动选择水平值
contour(X, Y, Z, N)	绘制 Z 的等高线，其中水平数由 N 决定。自动选择水平值
contour(Z, V)	绘制等高线，水平值在 V 中指定
contour(X, Y, Z, V)	绘制等高线，水平值在 V 中指定
contour(…, V)	填充 V 序列中的水平值之间的 len (V) - 1 个区域
contour(Z, **kwargs)	使用关键字参数控制一般线条属性（颜色、线宽、起点，颜色映射表（colormap）等）

X、Y 和 Z 的形状和维度存在一定的限制。例如，X 和 Y 可以是二维的，与 Z 形状相同。
如果它们是一维的，则 X 的长度等于 Z 的列数，Y 的长度将等于 Z 的行数。

示例：

1. 实现一个方法来模拟信号处理器。
2. 生成一些线性信号数据。
3. 把数据转换到合适的矩阵中供矩阵操作使用。
4. 绘制等高线。
5. 添加等高线标签。
6. 显示图形。

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


def process_signals(x, y):
    return (1 - (x ** 2 + y ** 2)) * np.exp(-y ** 3 / 3)

x = np.arange(-1.5, 1.5, 0.1)
y = np.arange(-1.5, 1.5, 0.1)

# 制作点网格
X, Y = np.meshgrid(x, y)

Z = process_signals(X, Y)

# 等高线的数量
N = np.arange(-1, 1.5, 0.3)

# 添加带有标签的等高线
CS = plt.contour(Z, N, linewidths=2, cmap=mpl.cm.jet)
plt.clabel(CS, inline=True, fmt='%1.1f', fontsize=10)
plt.colorbar(CS)

plt.title('My function: $z=(1-x^2+y^2) e^{-(y^3)/3}$')
plt.show()

示例详解：

从 numpy 借助少数几个 helper 方法来创建范围和矩阵。
在对 my_function 求值并存储在 Z 之后，简单地调用 contour，并传入 Z 和等值线水平数量。
此时，可以尝试用 arange() 调用中的第三个参数做个实验。例如，尝试将 N = np.arange(-1, 1.5, 0.3) 的参数做一些修改，将值 0.3 改为 0.1 或 1，来体验一下对相同数据进行不同编码时，它在等高线图中呈现的差异。
此外，我们通过简单地传入一个 cs（matplotlib.contour.Quadcontourset 实例）向图表添加了一个颜色映射表。

---

填充图表底层区域

基础知识

• 在 matplotlib 中绘制一个填充多边形的基本方式是使用 matplotlib.pyplot.fill。
  该方法接受和 matplotlib.pyplot.plot 相似的参数，即多个 x、y 对和其他 Line2D 属性。函数返回被添加的 Patch 实例的列表。
• 除了如 histogram() 等固有的绘制闭合的填充多边形的绘图函数之外，matplotlib 还提供了几个方法来帮助我们绘制填充的图形。
  我们已经提到了一个 matplotlib.pyplot.fill，另外还有 matplotlib.pyplot.fill_between() 和 matplotlib.pyplot.fill_betweenx() 函数。
  这些方法填充两条曲线间的多边形。fill_between() 和 fill_betweenx() 主要的区别是后者填充 x 轴的值之间的区域，而前者填充 y 轴的值之间的区域。

示例

示例1

import numpy as np
import matplotlib.pyplot as plt
from math import sqrt

t = range(1000)
y = [sqrt(i) for i in t]
plt.plot(t, y, color='red', lw=2)
plt.fill_between(t, y, color='silver')
plt.show()

fill_between()绘制了颜色（‘sliver’）的多边形区域，plot()绘制实际的函数线条。

示例2

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0.0, 2, 0.01)
y1 = np.sin(np.pi*x)
y2 = 1.7*np.sin(4*np.pi*x)

figsize = 15
fig = plt.figure()
fig = plt.figure(figsize=(figsize,figsize))
# 设置标题大小
plt.rcParams.update({'font.size': 16})

axes1 = fig.add_subplot(211)
axes1.plot(x, y1, x, y2, color='grey')
axes1.fill_between(x, y1, y2, where=y2<=y1, facecolor='blue', interpolate=True)
axes1.fill_between(x, y1, y2, where=y2>=y1, facecolor='gold', interpolate=True)
axes1.set_title('Blue where y2 <= y1. Gold-color where y2 >= y1.')
axes1.set_ylim(-2,2)

# 设置图 1 刻度字体大小
plt.tick_params(labelsize=16)

# 屏蔽 y2 中大于 1.0 的值
y2 = np.ma.masked_greater(y2, 1.0)
axes2 = fig.add_subplot(212, sharex=axes1)
axes2.plot(x, y1, x, y2, color='black')
axes2.fill_between(x, y1, y2, where=y2<=y1, facecolor='blue', interpolate=True)
axes2.fill_between(x, y1, y2, where=y2>=y1, facecolor='gold', interpolate=True)
axes2.set_title('Same as above, but mask')
axes2.set_ylim(-2,2)
axes2.grid('on')

# 设置图 2 刻度字体大小
plt.tick_params(labelsize=16)
plt.show()

示例2工作原理

• 首先创建了两个在某些点重叠的正弦曲线函数。
  还创建了两个子区，用来比较两种渲染填充区域方式的差异。
• 使用了带参数 where 的 fill_between() 方法填充 where 等于 True 的区域，其中 where 参数接收一个长度为 N 的布尔数组。
  下面的一个子区演示了 mask_greater，它屏蔽了数组中大于给定值的所有值。
  这是一个 numpy.ma 包中的方法，用来处理缺失或者无效的值。

---

绘制极线图

基础知识

• 极线图通常被用来显示本质上是射线的信息。

• 在极坐标系统中，点被描述为半径距离（通常表示为 r）和角度（通常表示为 theta）。
  角度可以用弧度或者角度表示，但是 matplotlib 使用角度。

• 和 plot() 函数十分相似的是，我们用 polar() 函数绘制极线图。
  polar() 函数接收两个相同长度的参数数组 theta 和 r，分别用于角度数组和半径数组。
  函数也接收其他和 plot() 函数相同的格式化参数。

• 我们仍然需要告诉 matplotlib 坐标轴要在极限坐标系统中。
  这通过向 add_axes 或 add_subplot 提供 polar=True 参数来完成。

• 为了设置图表中的其他属性，如半径网格或者角度，需要使用 matplotlib.pyplot.rgrids() 来切换半径网格的显示或者设置标签。
  使用 matplotlib.pyplot.thetagrid() 来配置角度刻度和标签。

示例

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

figsize = 12
colormap = lambda r: cm.Set2(r / 20.) # 用于给不同长度的极线映射不同的颜色
N = 18

fig = plt.figure(figsize=(figsize,figsize)) # 设置 figure 的大小
ax = fig.add_axes([0.2, 0.2, 0.7, 0.7], polar=True) # 设置 axes 的位置和大小

theta = np.arange(0.0, 2 * np.pi, 2 * np.pi/N)  # 随机为极线计算角度
radii = 20 * np.random.rand(N)  # 随机为极线计算长度
width = np.pi / 4 * np.random.rand(N) # 随机为极线计算宽度
bars = ax.bar(theta, radii, width=width, bottom=0.0) # bottom 表示极线的长度从原点开始

for r, bar in zip(radii, bars):
    bar.set_facecolor(colormap(r)) # 给每条极线映射颜色
    bar.set_alpha(0.6) # 设置极线的不透明度

# 设置刻度字体大小
plt.tick_params(labelsize=13)
plt.show()

工作原理

• 创建了一个正方形的图表，并向其添加极限坐标轴。
  其实图表不必是正方形的，但是如果不这样的话，极线图就是椭圆形（而不是圆形）的了。

• 为角度（theta）集合和极线距离（radii）生成随机值。

• 因为绘制的是极线条，需要为每一个极线条提供宽度集合，因此需要生成一些宽度值。

• 因为 matplotlib.axes.bar 接收值数组（几乎 matplotlib 中所有的绘图函数都是如此)，所以不必在这个生成的数据集合上做循环遍历，只需要调用一次 bar 函数，并传入所有的参数。

• 为了能够容易区分每一个极线条，需要循环遍历添加到 ax（坐标轴）的每一个极线条，并定制化其外观（表面颜色和透明度）。

补充

figure和axes的关系

上图为 rect = [0.125, 0.125, 0.6, 0.6] 时的结果。

• axes 子区域在 figure 区域中，可以通过 fig = plt.figure(figsize=(figsize,figsize)) 来设置 figure 区域的大小。
• axes 的尺寸、定位是相对于 figure 的。add_axes(rect, projection=None, polar=False, **kwargs) 函数可以用来设置 axes 子区域。
  其中的 rect 是位置参数，接受一个4元素的浮点数列表，[left, bottom, width, height]，它定义了要添加到 figure 中的矩形子区域的：左下角坐标 (x, y)、宽度、高度。

注意：每个元素的值是figure宽度和高度的分数。即将figure的宽、高作为1个单位。