PythonGuides 博客中文翻译（三十八）

原文：PythonGuides Blog

协议：CC BY-NC-SA 4.0

matplotlib tight _ layout–有用的教程

原文：https://pythonguides.com/matplotlib-tight-layout/

在本 Python Matplotlib 教程中，我们将讨论 Python 中的 Matplotlib tight_layout 。在这里，我们将使用 matplotlib 介绍与紧密布局相关的不同示例。我们还将讨论以下主题:

• Matplotlib tick_layout
• Matplotlib tight_layout 示例
• Matplotlib 紧密布局焊盘
• Matplotlib 紧密布局 hspace
• Matplotlib 紧密布局 wspace
• Matplotlib 紧密布局矩形
• Matplotlib tight_layout 保存图
• Matplotlib tight_layout 子情节
• Matplotlib tight_layout suptitle
• Matplotlib tight_layout 剪切标签
• Matplotlib 紧密布局图例
• Matplotlib 紧密布局 bbox
• Matplotlib tight_layout 未应用
• Matplotlib tight_layout rcparams
• Matplotlib imshow tight_layout
• Matplotlib tight_layout gridspec
• Matplotlib tight_layout 颜色条
• Matplotlib 表格紧密布局
• Matplotlib 散点图紧密布局
• Matplotlib 3d plot tight layout
• Matplotlib undo tight_layout
• Matplotlib 紧密布局替代方案
• Matplotlib constrained_layout 与 tight_layout

目录

• Matplotlib tick_layout
• Matplotlib tight_layout 示例
• Matplotlib tight _ layout pad
• Matplotlib tight _ layout hspace
• Matplotlib tight _ layout wspace
• Matplotlib tight _ layout rect
• Matplotlib tight _ layout save fig
• Matplotlib tight_layout 支线剧情
• Matplotlib tight _ layout sup title
• Matplotlib tight_layout 切割标签
• Matplotlib tight_layout 图例
• matplotlibb TIG _ layout bbox
• Matplotlib tight_layout 未应用
• Matplotlib tight _ layout RC params
• Matplotlib imshow tight _ layout
• Matplotlib tight _ layout grid spec
• Matplotlib tight _ layout color bar
• Matplotlib 表紧 _ 布局
• Matplotlib 散点紧密 _ 布局
• Matplotlib 3d plot tight layout
• Matplotlib undo tight_layout
• Matplotlib tight_layout 替代方案
• Matplotlib constrained _ layout vs tight _ layout

Matplotlib tick_layout

在本节中，我们将学习 Python 中 matplotlib 的 pyplot 模块中的 tick_layout ()函数。 tick_layout 方法用于自动调整支线剧情。或者我们可以说，这个方法是用来调整子情节之间和周围的填充的。

语法如下:

matplotlib.pyplot.tight_layout(*, pad=1.08, h_pad=None, w_pad=None, rect=None)

以下是上面使用的参数:

| 参数 | 值 | 默认值 | 描述 |
| 衬垫 | 漂浮物 | One point zero eight | 此参数用于指定人物边缘和子情节边缘之间的填充，作为字体大小的一部分。 |
| h_pad, w_pad | 漂浮物 | 衬垫 | 此参数用于指定相邻子情节边缘之间的高度或粗细，作为字体大小的一部分。 |
| 矩形 | 元组(左、下、右、上) | (0, 0, 1, 1) | 该参数用于在标准化图形坐标中指定一个矩形，包括标签在内的整个子图形区域将适合该矩形。 |

tight_layout

我们使用 tight_layout()函数的不同情况:

• 当轴标签或标题超出图形区域时。
• 当不同子情节的轴标签或标题相互重叠时。
• 当我们在图形区域有多个支线剧情，并且每个都有不同的大小时。
• 当我们想要调整人物周围和支线剧情之间的额外填充时。

阅读Python Matplotlib tick _ params+29 示例

Matplotlib tight_layout 示例

有时在多个支线剧情的情况下，我们会看到标签、标记、标题、图例等互相重叠。

在 matplotlib 中，为了避免重叠，或者我们可以说，为了调整子情节之间的间距，我们可以使用 tight_layout() 函数。

这个函数( tight_layout )的主要目的是最小化重叠，而不是剪切它们。

我们来看一个例子:

代码#1:正常绘图

**# Import Library** 
import numpy as np 
import matplotlib.pyplot as plt 

**# Create figure and subplot** 
fig, ax = plt.subplots(1, 2) 

**# Define  Data** 
x = np.arange(0.0, 30.0 , 0.02) 
y1 = np.sin(x) 
y2 = np.exp(-x) 

**# PLot Subplot 1** 
ax[0].plot(x, y1, label='Line1') 
ax[0].plot(x, y2, marker ='o', label='Line2') 

**# Add legend** 
ax[0].legend(loc='upper left')

**# Define Data** 
y3 = np.tan(x) 
y4 = np.exp(-2 * x) 

**# plot subplot 2** 
ax[1].plot(x, y3, color ='cyan', label='Line3') 
ax[1].plot(x, y4, color ='tab:red', marker ='o', label='Line4') 

**# Add legend** 
ax[1].legend(loc='upper right')

**# Show** 
plt.show() 

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 包。
• 接下来，我们使用 subplots() 方法创建一个图形和一组 subplots。
• 之后，我们为子图 1 和子图 2 定义数据坐标，并使用 plot() 方法绘制数据。
• 为了放置每个子情节的图例，我们添加了标签，并且为了激活每个曲线的标签，我们使用了 legend() 方法。
• 要显示该图，请使用 show() 方法。

Normal PLot

上面的代码#1 只是一个简单的 matplotlib 子情节代码，其中我们在一个图形区域中有多个子情节。

代码#2:紧密布局

**# Import Library** 
import numpy as np 
import matplotlib.pyplot as plt 

**# Create figure and subplot** 
fig, ax = plt.subplots(1, 2) 

**# Define  Data** 
x = np.arange(0.0, 30.0 , 0.02) 
y1 = np.sin(x) 
y2 = np.exp(-x) 

**# PLot Subplot 1** 
ax[0].plot(x, y1, label='Line1') 
ax[0].plot(x, y2, marker ='o', label='Line2') 

**# Add legend** 
ax[0].legend(loc='upper left')

**# Define Data** 
y3 = np.tan(x) 
y4 = np.exp(-2 * x) 

**# Plot subplot 2** 
ax[1].plot(x, y3, color ='cyan', label='Line3') 
ax[1].plot(x, y4, color ='tab:red', marker ='o', label='Line4') 

**# Add legend** 
ax[1].legend(loc='upper right')

**# tight_layout** 
plt.tight_layout() 

**# Show** 
plt.show() 

在这个例子中，我们还使用了 tight_layout() 函数来调整图形的标签，而不是剪切它们。

tight_layout()

在上面的代码#2 中，我们要实现 tight_layout() 函数。

读取 Matplotlib x 轴标签

Matplotlib tight _ layout pad

我们将学习如何调整人物边缘和支线剧情边缘之间的填充。为了调整它们，我们使用垫参数。

以下是语法:

matplotlib.pyplot.tight_layout(pad=1.08)

举例:

**# Import Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplot**

fig, ax = plt.subplots(2, 2)

**# Define Data**

data = np.arange(0.0, 30, 0.05)

x1= np.sin(data) 
y1= np.cos(data)

x2= np.cos(data)
y2= np.tan(data)

x3= np.tan(data)
y3= np.exp(data*2)

x4= [5,10,15]
y4= [6,12,18]

**# Plot curves or subplots**

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4, y4)

**# Add title to graph**

ax[0, 0].set_title("Graph 1 ")
ax[0, 1].set_title("Graph 2")
ax[1, 0].set_title("Graph 3")
ax[1, 1].set_title("Graph 4")

**# tight_layout** 
plt.tight_layout(pad=3.68)

**# Show**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 包。
• 接下来，我们使用 subplots() 方法创建一个图形和一组 subplots。
• 之后，我们为多个子图定义数据坐标，并使用 plot() 方法绘制数据。
• 通过使用 set_title() 方法，我们为每个情节添加标题。
• 要调整填充，请使用 plt.tight_layout() 方法。我们将 pad 作为参数传递，并在各自的情况下将它们赋值为 3.68 和 5.86 。

plt.tight_layout(pad=3.68)

plt.tight_layout(pad=5.86)

读取 Matplotlib 多条形图

Matplotlib tight _ layout hspace

我们将学习如何调整相邻支线剧情边缘之间的高度。为了调整高度，我们将 h_pad 参数传递给 tight_layout() 方法。

以下是语法:

matplotlib.tight_layout(h_pad=None)

我们来看一个例子:

**# Import Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplot**

fig, ax = plt.subplots(2, 1)

**# Define Data** 
data = np.arange(0.0, 30, 0.05)

x1= np.sin(data) 
y1= np.cos(data)

x2= np.cos(data)
y2= np.tan(data)

**# Plot curves or subplots**

ax[0].plot(x1, y1)
ax[1].plot(x2, y2)

**# Add title to graph**

ax[0].set_title("Graph 1 ")
ax[1].set_title("Graph 2")

**# tight_layout** 
plt.tight_layout(h_pad=0.2)

**# Show**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 包。
• 之后，我们使用 subplots() 方法创建一个图形和一组支线剧情。
• 我们为多个子图定义数据坐标，并使用 plot() 方法绘制数据。
• 通过使用 set_title() 方法，我们为每个情节添加标题。
• 要调整边缘之间的高度，请使用 plt.tight_layout() 方法。我们将 h_pad 作为参数传递，并在各自的情况下将它们赋值为 1.5 和 15.5。

tight_layout(h_pad=1.5)

tight_layout(h_pad=15.5)

阅读 Matplotlib 散点图图例

Matplotlib tight _ layout wspace

我们将学习如何调整相邻支线剧情边缘之间的宽度。为了调整宽度，我们将 w_pad 参数传递给 tight_layout() 方法。

以下是语法:

matplotlib.tight_layout(w_pad=None)

我们来看一个例子:

**# Import Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplot**

fig, ax = plt.subplots(1, 2)

**# Define Data**

data = np.arange(0.0, 30, 0.05)

x1= np.sin(data) 
y1= np.cos(data)

x2= np.exp(data*2)
y2= np.tan(data)

**# Plot curves or subplots** 
ax[0].plot(x1, y1)
ax[1].plot(x2, y2)

**# Add title to graph** 
ax[0].set_title("Graph 1 ")
ax[1].set_title("Graph 2")

**# tight_layout**

plt.tight_layout(w_pad=5.5)

**# Show**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 包。
• 之后，我们使用 subplots() 方法创建一个图形和一组支线剧情。
• 我们为多个子图定义数据坐标，并使用 plot() 方法绘制数据。
• 通过使用 set_title() 方法，我们为每个情节添加标题。
• 要调整边缘之间的宽度，使用 plt.tight_layout() 方法。我们将 w_pad 作为参数传递，并赋予它们 5.5 值。

tight_layout()

这里我们使用 tight_layout() 方法**，没有 w_pad** 参数。

plt.tight_layout(w_pad=5.5)

这里我们使用带有 w_pad 参数的 tight_layout() 方法**。**

读取 Matplotlib 3D 散点图

Matplotlib tight _ layout rect

我们将学习如何在标准化图形坐标中指定一个矩形，包括标签在内的整个支线剧情区域都将适合这个矩形。

以下是语法:

matplotlib.pyplot.tight_layout(rect=(0, 0, 1, 1)

我们来看一个例子:

**# Import Library** 
import numpy as np 
import matplotlib.pyplot as plt 

**# Create figure and subplot**

fig, ax = plt.subplots(1, 2) 

**# Define  Data**

x = np.arange(0.0, 30.0 , 0.02) 
y1 = np.sin(x) 
y2 = np.exp(-x) 

**# PLot Subplot 1**

ax[0].plot(x, y1, label='Line1') 
ax[0].plot(x, y2, marker ='o', label='Line2') 

**# Add legend**

ax[0].legend(loc='upper left')

**# Define Data** 
y3 = np.tan(x) 
y4 = np.exp(-2 * x) 

**# Plot subplot 2**

ax[1].plot(x, y3, color ='cyan', label='Line3') 
ax[1].plot(x, y4, color ='tab:red', marker ='o', label='Line4') 

**# Add legend**

ax[1].legend(loc='upper right')

**# tight_layout**

fig.tight_layout(rect=(1.5, 0.86, 4.23, 2.55)) 

**# Show**

plt.show() 

• 在示例中，我们使用了 arange() 、 sin() 、 cos() 、 tan() 、 exp() 函数来定义数据。
• 要绘制图形，请使用 plt.plot() 方法。
• 为了放置每个支线剧情的图例，我们添加了 标签 并激活每个曲线的标签，我们使用了 legend() 方法。
• 使用带有矩形参数的 tight_layout() 方法。我们传递一个值为 1.5，0.86，4.23，2.55 的元组。

Simple Plot Without tight_layout()

tight_layout()

读取堆积条形图 Matplotlib

Matplotlib tight _ layout save fig

有时，我们会在创建的图形上看到大边框。为了获得自动调整大小的边框，我们使用了 tight_layout() 函数。

举例:

**# Import Library**

import numpy as np 
import matplotlib.pyplot as plt 

**# Define  Data**

x = np.arange(0.0, 30.0 , 0.02) 
y1 = np.sin(x) 
y2 = np.exp(-x) 

**# Plot**

plt.plot(x, y1, label='Line1') 
plt.plot(x, y2, marker ='o', label='Line2') 

**# tight_layout**

plt.tight_layout()

**# Savefig**

plt.savefig('SimplePlot.png')

**# Show**

plt.show() 

• 在上面的例子中，我们使用了 tight_layout() 方法来调整绘图的边界。
• 使用 plt.savefig() 方法将图形保存为 png 。

savefig()

当我们在不使用 tight_layout 函数的情况下保存绘图时，会出现上面的输出。这里我们得到了额外的边界。

savefig() with tight_layout()

读取 Matplotlib 两个 y 轴

Matplotlib tight_layout 支线剧情

matplotlib 库中的 tight_layout 函数用于自动调整子情节之间的适当间距，使其适合图形区域而不被切割。

我们来看一个例子:

**# Importing library**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplots** 
fig, ax = plt.subplots(3,1)

**# Define Data**

x1= [2,4,6]
y1= [3,6,9]

x2= [5,10,15]
y2= [6,12,18]

x3= [2,4,6]
y3= [3,6,9]

**# Plot lines**

ax[0].plot(x1, y1)
ax[1].plot(x2, y2)
ax[2].plot(x3, y3)

**# Add title**

ax[0].set_title("Graph 1 ")
ax[1].set_title("Graph 2")
ax[2].set_title("Graph 3")

**# Auto adjust**

plt.tight_layout()

**# Display**

plt.show()

• 在上面的例子中，我们创建了 3 行 1 列的图形和支线剧情。
• 之后，我们定义数据坐标，并使用 plot() 方法在它们之间绘制一条线。
• set_title() 方法用于添加标题。
• 为了消除重叠或者自动调整支线剧情，我们使用了 tight_layout() 方法。

“Plot Without tight_layout() method”

“Subplots with tight_layout() function”

又念，水平线 matplotlib

Matplotlib tight _ layout sup title

有时候，剧情的 suptitle 和 title 互相重叠，剧情看起来不整洁。我们将学习如何自动调整情节的标题。

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create figure**

fig = plt.figure()

**# Define Data** 
x = np.random.randint(10,size=500)
y = np.random.random(500)

**# Add sup tile**

fig.suptitle('SUPTITLE', fontsize=24)

**# Create subplot 1**

plt.subplot(121)

**# Plot line**

plt.plot(x)

**# Add Title**

plt.title('RANDINT PLOT', fontsize=15)
 **# Create subplot 2**

plt.subplot(122)

**# Plot line** 
plt.plot(y)

**# Add Title**

plt.title('RANDOM PLOT', fontsize=15)

**# Auto adjust**

plt.tight_layout()

**# Dispaly**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 模块。
• 接下来，我们使用 plt.figure() 方法创建一个图形。
• 之后，我们使用 randint() 和 random() 方法定义数据。
• 然后，我们通过使用 fig.suptitle() 方法向该图添加一个标题。
• plt.subplots() 方法用于在一个图区域中创建支线剧情。
• 要绘制数据坐标之间的直线，使用 plt.plot() 方法。
• 要给绘图添加标题，使用 plt.title() 方法。
• 要消除标题重叠，请使用 tight_layout() 函数。

“Overlap title plot”

tight_layout()

读取绘制垂直线 matplotlib

Matplotlib tight_layout 切割标签

有时，图的 x 轴标签和 y 轴标签相互重叠，图看起来不整洁。我们将学习如何自动调整图的标签。

我们来看一个例子:

**# Importing library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplots**

fig, ax = plt.subplots(2,2, figsize=(8, 5))

**# Define Data**

x1= np.random.randint(10,size=500)

x2= [5,10,15]
y2= [6,12,18]

x3= np.arange(0.0, 30.0 , 0.02) 
y3= np.tan(x3)

x4 = np.arange(0.0, 30.0 , 0.02) 
y4 = np.sin(x4)

**# Plot lines** 
ax[0, 0].plot(x1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4, y4)

**# Add xlabel** 
ax[0, 0].set_xlabel('X-Axis')
ax[1, 0].set_xlabel('X-Axis')
ax[0, 1].set_xlabel('X-Axis')
ax[1, 1].set_xlabel('X-Axis')

**# Add ylabel**

ax[0, 0].set_ylabel('Y-Axis')
ax[1, 0].set_ylabel('Y-Axis')
ax[0, 1].set_ylabel('Y-Axis')
ax[1, 1].set_ylabel('Y-Axis')

**# Auto adjust**

plt.tight_layout()

**# Display**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 之后，我们使用**支线剧情()**方法创建人物和支线剧情。
• 然后我们定义数据坐标，并用 plt.plot() 方法在它们之间画一条线。
• set_xlabel() 和 set_ylabel() 方法分别用于在 x 轴和 y 轴添加标签。
• 要自动调整绘图，请使用 tight_layout() 函数。

“Overlap labels”

tight_layout()

检查完毕， Matplotlib 反转 y 轴

Matplotlib tight_layout 图例

有时，当我们在机器中保存一个带有图例的图时，我们发现图例被截断了。所以，我们将学习如何解决在保存一个情节时图例被切断的问题。

为了避免图例的截断，请使用 matplotlib 的 pyplot 模块的 tight_layout() 方法。

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Create figure**

fig = plt.figure(1)

**# Plot**

plt.plot([1, 2, 3, 4, 5], [1, 0, 1, 0, 1], label='A label')
plt.plot([1, 2, 3, 8, 2.5], [1, 2, 2, 1, 0], label='B label')

**# Legend**

plt.legend(loc='center left', bbox_to_anchor=(1, 0))

**# Savefig**

#fig.savefig('Cut-off Legend.png')

**# Display**

plt.show()

• 这里我们导入 matplotlib.pyplot 库，使用 plt.figure() 创建图形。
• 之后，我们绘制图表并定义标签。
• 然后我们使用 plt.legend() 方法在图中添加一个图例。并且我们传递 loc 和 bbox_to_anchor 参数，分别设置它们的值中左，和 1，0 。
• 使用 savefig() 方法在机器中保存图形。

” Jupyter Notebook Output “

” Savefig Output “

在上面的输出中，我们看到当我们使用 savefig() 方法在机器中保存绘图时，l egends 被切断。

为了克服这个问题，我们使用了 tight_layout() 方法。

举例:

**# Import Library**

import matplotlib.pyplot as plt

**# Create figure** 
fig = plt.figure(1)

**# Plot**

plt.plot([1, 2, 3, 4, 5], [1, 0, 1, 0, 1], label='A label')
plt.plot([1, 2, 3, 8, 2.5], [1, 2, 2, 1, 0], label='B label')

**# Legend**

plt.legend(loc='center left', bbox_to_anchor=(1, 0))

**# Adjust legend**

plt.tight_layout()

**# Savefig**

fig.savefig('Proper Legend.png')

**# Display**

plt.show()

现在，这里我们使用 plt.tight_layout() 方法，用于自动调整绘图、标记标签、标签和图例。

plt.tight_layout()

在上面的输出中，我们使用 tight_layput() 方法来获得正确的图例。

读取将图例放在绘图 matplotlib 外

matplotlibb TIG _ layout bbox

在本节中，我们将学习在系统中保存地块时如何避免重叠、截断和额外空间。save fig()方法的 bbox_inches 参数和 matplotlib 的 tight_layout() 方法帮助你克服这个问题。

我们来看一个例子:

**# Importing library**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplots**

fig, ax = plt.subplots(2,1, figsize=(8, 5))

**# Define Data**

x1= np.random.randint(10,size=500)

x2= np.arange(0.0, 30.0 , 0.02) 
y2= np.tan(x2)

**# Plot lines**

ax[0].plot(x1)
ax[1].plot(x2, y2)

**# Add sup tile**

fig.suptitle('SUPTITLE', fontsize=24)

**# Add xlabel**

ax[0].set_xlabel('X-Axis')
ax[1].set_xlabel('X-Axis')

**# Add ylabel**

ax[0].set_ylabel('Y-Axis')
ax[1].set_ylabel('Y-Axis')

**# Auto adjust**

plt.tight_layout()
fig.savefig('tight_layout bbox.png', bbox_inches='tight')

**# Display**

plt.show()

• 在上面的例子中，为了定义数据坐标，我们使用了 randint() 、 arange() 和 tan() 方法。
• 之后，为了创建绘图曲线，我们使用了 plot() 方法。
• suptitle() 方法用于给情节添加标题。
• set_xlabel() 和 set_yalbel() 方法用于分别在 x 轴和 y 轴添加标签。
• plt.tight_layout() 方法是自动调整支线剧情。
• 我们将 bbox_inches 参数传递给 savefig() 方法，并将其值设置为“tight”，因为它移除了多余的边框。

Overlapped Plot

plt.tight_layout() and bbox_inches =’tight’

签出， Matplotlib 另存为 pdf + 13 示例

Matplotlib tight_layout 未应用

在某些情况下， tight_layout() 方法不能正常工作。在第节中，我们将学习在这种情况下我们必须做什么。

让我们借助一个例子来理解整个概念:

**# Import Library** 
import matplotlib.pyplot as plt

**# Create figure** 
fig = plt.figure(1)

**# Define Data** 
data = np.arange(0.0, 30.0 , 0.02) 
x1 = np.sin(data)
x2 = np.cos(data)

**# Plot** 
plt.plot(data, x1, label='Sin')
plt.plot(data, x2, label='Cos')

**# Add legend** 
plt.legend(loc='center left', bbox_to_anchor=(0.8,-0.1))

**# tight_layout** 
plt.tight_layout()

**# display**

plt.show()

从上面的例子中，我们得出结论， tight_layout() 方法不起作用，因为图例与 ticklabels 重叠。

**解决方案:**使用 tight_layout() 配合 rect 参数。

代码:

**# Import Library** import matplotlib.pyplot as plt

import numpy as np

**# Create figure**

fig = plt.figure(1)

**# Define Data** 
data = np.arange(0.0, 30.0 , 0.02) 
x1 = np.sin(data)
x2 = np.cos(data)

**# Plot**

plt.plot(data, x1, label='Sin')
plt.plot(data, x2, label='Cos')

**# Add legend**

plt.legend(loc='center left', bbox_to_anchor=(0.8,-0.1))

**# tight_layout with rect** 
plt.tight_layout(rect=(1.5, 0.86, 3.23, 2.55))

**# display**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库，并使用 plt.figure() 创建了一个图形。
• 之后，我们使用 numpy 的 arange() 、 sin() 和 cos() 方法定义数据。
• 为了绘制数据，使用 matplotlib pyplot 模块的 plot() 方法。
• 为了放置图例，我们添加了 标签 并激活每条曲线的标签，我们使用了 legend() 方法。
• 为了恰当地适应包括标签在内的子情节区域，我们使用带有矩形参数的紧密布局方法。

plt.tight_layout(rect=())

阅读什么是 matplotlib 内联

Matplotlib tight _ layout RC params

matplotlib.pyplot.tight_layout()方法仅在被调用时自动调整子情节。如果希望每次重新绘制图形时，都必须进行这种更改，请设置 rcParams。

语法如下:

rcParams["figure.autolayout]

默认情况下，其值为 False。将其设置为 True。

我们来看一个例子:

**# Importing library** 
import numpy as np
import matplotlib.pyplot as plt

**# Default adjustment** 
plt.rcParams["figure.autolayout"] = True

**# Create figure and subplots**

fig, ax = plt.subplots(2,1, figsize=(8, 5))

**# Define Data**

x1= [0, 1, 2, 3, 4]
y1= [2.5, 3.5, 4.5, 6.3, 2.1]

x2= [2, 4, 8, 3, 1]
y2= [5.2, 6, 1, 2.6, 9]

**# Plot lines**

ax[0].plot(x1, y1)
ax[1].plot(x2, y2)

**# Add sup tile**

fig.suptitle('SUPTITLE', fontsize=24)

**# Add xlabel**

ax[0].set_xlabel('X-Axis')
ax[1].set_xlabel('X-Axis')

**# Add ylabel**

ax[0].set_ylabel('Y-Axis')
ax[1].set_ylabel('Y-Axis')

**# Display**

plt.show()

在上面的例子中，我们使用**RC params[" figure . autolayout "]**而不是 tight_layout() 的方法来调整支线剧情，并将其设置为值 True 。

plt.rcParams[“figure.autolayout”]

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure** 
fig = plt.figure()

**# Define Data**

x = np.random.randint(10,size=500)
y = np.random.random(500)

**# Add sup tile**

fig.suptitle('SUPTITLE', fontsize=24)

**# Create subplot 1**

plt.subplot(121)

**# Plot line** 
plt.plot(x)

**# Add Title**

plt.title('RANDINT PLOT', fontsize=15)

**# Create subplot 2**

plt.subplot(122)

**# Plot line** 
plt.plot(y)

**# Add Title** 
plt.title('RANDOM PLOT', fontsize=15)

**# Dispaly**

plt.show()

现在，看上面的例子，我们没有使用任何方法来调整支线剧情。它会自动调整支线剧情，因为我们在前面的例子中使用了 rcParams[] 。因此，每次重新绘制图形时，它都会自动调整。

阅读 Python 使用 Matplotlib 绘制多行

Matplotlib imshow tight _ layout

我们将学习如何使用 tight_layout 方法和 imshow() 方法。首先我们了解什么是 imshow() 函数。

【imshow()】函数用于将数据显示为图像。

*tick_layout 方法与 imshow() 方法一起使用，自动调整绘图。

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplot**

fig = plt.figure(figsize=(8,5))
ax = plt.subplot(111)

**# Define Data**

arr = np.arange(100).reshape((10,10))

**# Title**

fig.suptitle('imshow() function Example', fontweight ="bold", fontsize= 24)

**# plot**

im = ax.imshow(arr, interpolation="none")

**# adjsut** 

plt.tight_layout()

**# Visualize**

plt.show() 

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 在此之后，我们分别使用**图()和支线剧情()**的方法创建和支线剧情，
• 然后我们使用 arange() 方法定义数据，并使用 reshape() 方法对其进行整形。
• 为了给图添加一个 suptitle，我们使用 suptitle() 方法。我们将字体大小和字体重量作为参数传递。
• 然后我们使用 imshow() 方法绘制图形，使用 tight_layout() 方法自动调整图形。

imshow()

读取 Matplotlib 绘制一条线

Matplotlib tight _ layout grid spec

我们将学习如何对 GridSpec 类使用 tight_layout() 方法。首先了解什么是 GridSpec 类。

matplotlib.grispec.GridSpec 类用于指定放置子图的网格的几何形状。必须设置行数和列数。

GridSpec 类的语法如下:

matplotlib.gridspec.GridSpec(nrows, ncols, figure=None, left=None, bottom=None, right=None, top=None, wspace=None, hspace=None, width_ratio=None, height_ratio=None)

GridSpec 有自己的 tight_light() 方法。pyplot 的 tight_layout() 方法也适用于它。我们也可以使用指定边界框的矩形参数。 h_pad 和 w_pad 参数用于调整绘图的顶部和底部。

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec

**# Create figure**

fig = plt.figure(figsize =([9, 5]))

**# GridSpec**

gs = gridspec.GridSpec(2, 6)

**# Subplots**

ax1 = plt.subplot(gs[0, :2])
ax1.set_ylabel('ylabel', labelpad = 0, fontsize = 12)
ax1.plot([0, 1, 2], [2, 3.6, 4])

ax2 = plt.subplot(gs[0, 2:4])
ax2.set_ylabel('ylabel', labelpad = 0, fontsize = 12)
ax2.plot([2, 5.5, 9], [2, 3.6, 4])

ax3 = plt.subplot(gs[1, 1:3])
ax3.set_ylabel('ylabel', labelpad = 0, fontsize = 12)
ax3.plot([0, 1, 2], [1, 2, 3])

ax4 = plt.subplot(gs[1, 3:5])
ax4.set_ylabel('ylabel', labelpad = 0, fontsize = 12)
ax4.plot([2.3, 4.6, 8.8, 9.6], [4.2, 5.5, 6, 4])

**# Auto adjust**

plt.tight_layout()

**# Display**

plt.show() 

• 在上面的例子中，我们 pyplot 和GridSpecmatplotlib 的类。
• 为了创建一个图，我们使用 figure() 方法。
• 之后，我们使用 GridSpec() 方法创建网格来放置子情节。
• 为了在 y 轴上设置标签，我们使用了 set_yalbel() 方法。
• 然后我们用 tight_layout() 的方法自动调整支线剧情。

Overlapped Subplots

tight_layout()

读取 Matplotlib 旋转刻度标签

Matplotlib tight _ layout color bar

我们将学习如何使用 tight_layout() 方法和 colorbar() 方法。一个 colorbar() 方法被用来给绘图添加一个颜色条。

colorbar()方法的语法如下:

matplotlib.pyplot.colorbar(mappable=None, cax=None, ax=None, **kw)

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplot**

fig = plt.figure(figsize=(8,5))
ax = plt.subplot(111)

**# Define Data**

arr = np.arange(100).reshape((10,10))

**# Plot**

im = ax.imshow(arr, interpolation="none")

**# Add colorabar**

plt.colorbar(im)

**# adjsut** 

plt.tight_layout()

**# Visualize**

plt.show()

• 在这里，我们使用 numpy 的 arange() 方法定义数据，然后使用 reshape() 方法重塑图形。
• 之后，我们使用 imshow() 方法绘制图形。
• 要将 colorbar 添加到绘图中，请使用 colorbar() 方法。
• tight_layout() 方法用于自动调整情节。

plt.colorbar()

读取 Matplotlib 改变背景颜色

Matplotlib 表紧 _ 布局

我们将学习如何在图形区域内自动调整图和表，而不发生重叠。在 matplotlib 中通过使用matplotlib . py plot . table()方法我们可以创建一个表格。

创建表格的语法如下:

matplotlib.pyplot.table(cellText=None, cellColours=None, 
                        cellLoc=’right’,colWidths=None,
                        rowLabels=None, rowColours=None, 
                        rowLoc=’left’,colLabels=None, 
                        colColours=None, colLoc=’center’, 
                        loc=’bottom’, bbox=None, 
                        edges=’closed’, **kwargs) 

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define data**

data = np.random.rand(3, 2)
columns = ('Col1', 'Col2')
rows = ['# %d' % p for p in (1, 2, 3)] 

**# Plot data**

plt.plot(data)

**# X-axis** 

plt.xlabel('X-axis')

**# Define table** 
the_table = plt.table(cellText=data,rowLabels=rows, colLabels=columns,loc='bottom', bbox=[0,-0.55,1,.33])

**# auto adjust**

plt.tight_layout()

**# Display**

plt.show()

• 这里我们导入 numpy 和 matplotlib.pyplot 库。
• 接下来，我们使用 random.rand() 方法定义数据，我们还定义了列和行。
• 通过使用 plt.plot() 我们创建一个图形，并使用 plt.xlabel() 方法定义其 x 轴标签。
• 要生成表格，请使用 matplotlib 的 table() 方法，带有 cellText 、 rowLabels 、 colLabels 、 loc 和 bbox 参数。
• 为了避免重叠，并使绘图整洁，我们使用了 tight_layout() 方法。

plt.tight_layout()

检查， Matplotlib 散点图标记

Matplotlib 散点紧密 _ 布局

这里我们将学习如何在散点图中使用 tight_layout() 方法。

举例:

**# Import Library**

import matplotlib.pyplot as plt

**# Create figure**

fig = plt.figure(1)

**# Define Data**

x =  [1, 2, 3, 4, 5]
y1 = [5, 10, 15, 20, 25]
y2 = [10, 20, 30, 40, 50]

**# Plot**

plt.scatter(x, y1, label='X*5')
plt.scatter(x, y2, label='X*10')

**# Add legend**

plt.legend(loc='center left', bbox_to_anchor=(0.8,-0.1))

**# tight_layout with rect**

plt.tight_layout(rect=(1.5, 0.86, 3.23, 2.55))

**# display**

plt.show()

• 这里我们使用 scatter() 方法绘制散点图。为了给情节添加一个图例，我们使用 plt.legend() 方法。
• 我们看到，在不使用 tight_layout() 方法的情况下，散点图的图例和 x 轴标记标签相互重叠。因此，为了避免重叠，我们使用带有 rect 参数的 tight_layout() 方法。

“Overlapped Scatter Plot”

plt.tight_layout()

读取 Matplotlib 虚线

Matplotlib 3d plot tight layout

我们将学习如何使用 tight_layout() 方法自动调整 3d 绘图。

举例:

**# Importing Libraries**

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits import mplot3d

**# Create 1st subplot**

fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(1, 2, 1, projection='3d')

**# Define Data**

x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]
z1= [2, 6, 7, 9, 10]

**# Plot graph**

ax.scatter3D(x1, y1, z1, color='m')
ax.set_xlabel('X-Axis')
ax.set_ylabel('Y-Axis')
ax.set_zlabel('Z-Axis')

**# Create 2nd subplot**

ax = fig.add_subplot(1, 2, 2, projection='3d')

**# Define Data**

x2 = np.arange(0, 20, 0.2)
y2 = np.sin(x2)
z2 = np.cos(x2)

**# Plot graph**

ax.scatter3D(x2, y2, z2, color='r')
ax.set_xlabel('X-Axis')
ax.set_ylabel('Y-Axis')
ax.set_zlabel('Z-Axis')

**# auto adjust** 
plt.tight_layout()

**# Display graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 、 numpy 和 mplot3d 库。
• 通过使用 add_subplot() 方法，我们创建第一个子图，然后我们定义用于绘图的数据。
• ax.scatter3D() 方法用于创建 3D 散点图。
• 之后，我们再次使用 add_subplot() 方法创建第二个子绘图，然后我们定义用于绘图的数据。
• 同样，我们使用 ax.scatter3D() 方法绘制另一个 3D 散点图。
• 为了自动调整绘图布局，我们使用 tight_layout() 。

tight_layout()

读取 Matplotlib plot_date

Matplotlib undo tight_layout

有时，默认情况下，自动调整功能是打开的，以便在每次重新绘制图形时执行调整。如果想关闭它，可以调用 fig.set_tight_layout() 方法，并将 False bool 值传递给该方法。

让我们来看一个例子

**# Import Library**

import numpy as np 
import matplotlib.pyplot as plt 

**# Create figure and subplot**

fig, ax = plt.subplots(1, 2) 

**# Define  Data**

x = np.arange(0.0, 30.0 , 0.02) 
y1 = np.sin(x) 
y2 = np.exp(-x) 

**# PLot Subplot 1**

ax[0].plot(x, y1, label='Line1') 
ax[0].plot(x, y2, marker ='o', label='Line2') 

**# Add legend**

ax[0].legend(loc='upper left')

**# Define Data**

y3 = np.tan(x) 
y4 = np.exp(-2 * x) 

**# plot subplot 2**

ax[1].plot(x, y3, color ='cyan', label='Line3') 
ax[1].plot(x, y4, color ='tab:red', marker ='o', label='Line4') 

**# Add legend**

ax[1].legend(loc='upper right')

**# Show**

plt.show() 

• 在上面的例子中，我们通过使用 matplotlib.pyplot 的 subplots() 方法创建图形和 subplots。
• 之后，我们使用 arange() 、 sin 和 exp() 方法定义数据。
• 然后，我们使用 plot() 方法来绘制图形，我们还使用 legend() 函数来定义图例。

“Auto Adjusted Plot”

从上面生成的输出中，我们得出结论，默认情况下，生成的支线剧情是自动调整的。

Code:撤销或关闭 tight_layout()

**# Import Library** 
import numpy as np 
import matplotlib.pyplot as plt 

**# Create figure and subplot** 
fig, ax = plt.subplots(1, 2) 

**# undo tight_layout**

fig.set_tight_layout(False)

**# Define  Data**

x = np.arange(0.0, 30.0 , 0.02) 
y1 = np.sin(x) 
y2 = np.exp(-x) 

**# PLot Subplot 1** 
ax[0].plot(x, y1, label='Line1') 
ax[0].plot(x, y2, marker ='o', label='Line2') 

**# Add legend**

ax[0].legend(loc='upper left')

**# Define Data** 
y3 = np.tan(x) 
y4 = np.exp(-2 * x) 

**# plot subplot 2** 
ax[1].plot(x, y3, color ='cyan', label='Line3') 
ax[1].plot(x, y4, color ='tab:red', marker ='o', label='Line4') 

**# Add legend**

ax[1].legend(loc='upper right')

**# Show**

plt.show() 

现在通过使用上面的代码，我们可以撤销支线剧情的自动调整。这里我们用 False 值调用 fig.set_tight_layout() 方法，并撤销绘图的自动布局特性。

fig.set_tight_layout(False)

读取 Matplotlib 日志日志图

Matplotli b 紧 _ 布局备选

紧 _ 布局 的替代方案是 约束 _ 布局

我们使用 constrained_layout 在您的图形中清晰地拟合图形。*constrained _ layout*自动调整支线剧情、图例、彩条、标题和标签，使其适合人物区域，同时仍保留用户要求的布局。

在向图形添加任何轴之前，必须激活 constrained_layout 。我们可以用两种方式激活它。

• 通过 rcParams 激活:

matplotlib.pyplot.rcParams['figure.constrained_layout.use']=True

• 通过参数激活 subplots()或 figure()方法:

**# Using subplots()** 
plt.subplots(constrained_layout=True)

**# Uisng figure()** 
plt.figure(constrained_layout=True)

我们先来看一个简单的例子，以便更清楚地理解:

**# Importing library**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplots** 
fig, ax = plt.subplots(2,2, figsize=(8, 5))

**# Define Data**

x1= np.random.randint(10,size=500)

x2= np.linspace(100, 200, num=10)
y2= np.cos(x2)

x3= np.arange(0.0, 30.0 , 0.02) 
y3= np.tan(x3)

x4 = np.arange(0.0, 30.0 , 0.02) 
y4 = np.sin(x4)

**# Plot lines**

ax[0, 0].plot(x1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4, y4)

**# Add xlabel**

ax[0, 0].set_xlabel('X-Axis')
ax[1, 0].set_xlabel('X-Axis')
ax[0, 1].set_xlabel('X-Axis')
ax[1, 1].set_xlabel('X-Axis')

**# Add ylabel**

ax[0, 0].set_ylabel('Y-Axis')
ax[1, 0].set_ylabel('Y-Axis')
ax[0, 1].set_ylabel('Y-Axis')
ax[1, 1].set_ylabel('Y-Axis')

**# Display**

plt.show()

• 在上面的例子中，轴标签或标题或刻度标签相互重叠，使绘图混乱。为了防止这种情况，需要调整轴的位置。
• 对于支线剧情，这可以通过使用 Figure.subplots_adjust 调整参数来手动完成，或者我们将通过指定 constrained_layout=True 来自动完成调整。

代码:用于自动调整

**# Importing library**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplots**

fig, ax = plt.subplots(2,2, figsize=(8, 5), constrained_layout=True)

**# Define Data**

x1= np.random.randint(10,size=500)

x2= np.linspace(100, 200, num=10)
y2= np.cos(x2)

x3= np.arange(0.0, 30.0 , 0.02) 
y3= np.tan(x3)

x4 = np.arange(0.0, 30.0 , 0.02) 
y4 = np.sin(x4)

**# Plot lines**

ax[0, 0].plot(x1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4, y4)

**# Add xlabel**

ax[0, 0].set_xlabel('X-Axis')
ax[1, 0].set_xlabel('X-Axis')
ax[0, 1].set_xlabel('X-Axis')
ax[1, 1].set_xlabel('X-Axis')

**# Add ylabel**

ax[0, 0].set_ylabel('Y-Axis')
ax[1, 0].set_ylabel('Y-Axis')
ax[0, 1].set_ylabel('Y-Axis')
ax[1, 1].set_ylabel('Y-Axis')

**# Display**

plt.show()

constrained_layout=True

读取Matplotlib subplots _ adjust

Matplotlib constrained _ layout vs tight _ layout

我们将讨论 constrained_layout 和 tight_layout。

| 约束 _ 布局 | 紧 _ 布局 |
| 它保留用户请求的逻辑布局。 | 它可能不会保留用户请求的逻辑布局。 |
| constrained_layout 使用约束解算器来确定轴的大小。 | tight_layout 不使用约束求解器来确定轴的大小。 |
| 在添加任何轴之前，需要激活 constrained_layout。 | 添加轴之前，不需要激活 tight_layout。 |
| 通过 RC params:
PLT . RC params[’ figure . constrained _ layout . use ‘]= True 激活 | 通过 RC params:
PLT . RC params[’ figure . autolayout ']= True 激活 |
| 通过方法激活:
PLT . subplots(constrained _ layout = True) | 通过方法激活:
plt.tight_layout() |

constrained_layout vs tight_layout

我们来看一个例子:

示例:tight_layout

**# Import Library** 
from matplotlib.figure import Figure

**# Create figure** 
fg = Figure()

**# Create subplot** 
ax = fg.subplots(5, 1)

**# Plot** 
for i in range(5):
    ax[i].plot(range(25+25*i))

**# Add title** 
fg.suptitle('lots of lines')

**# tight_layout**

fig.tight_layout()

**# Save image** 
fg.savefig("tight_layout.png")

tight_layout

示例:constrained_layout

**# Import Library**

from matplotlib.figure import Figure

**# Create figure** 
fg = Figure(constrained_layout=True)

**# Create subplot**

ax = fg.subplots(5, 1)

**# Plot**

for i in range(5):
    ax[i].plot(range(25+25*i))

**# Add title**

fg.suptitle('lots of lines')

**# Save image**

fg.savefig("constrained_layout.png")

constrained_layout

从上面的例子中，我们看到 tight_layout 并没有更好的工作。为了让带有支线剧情和标签的图形更好地工作，使用 constrained_layout 。

您可能还喜欢:

• Matplotlib 最佳拟合线
• Matplotlib 绘图条形图
• 将图例放在绘图 matplotlib 之外

因此，在这个 Python 教程中，我们已经讨论了 "Matplotlib tight_layout" ，并且我们还涵盖了一些与之相关的例子。这些是我们在本教程中讨论过的以下主题。

• Matplotlib tick_layout
• Matplotlib tight_layout 示例
• Matplotlib 紧密布局焊盘
• Matplotlib 紧密布局 hspace
• Matplotlib 紧密布局 wspace
• Matplotlib 紧密布局矩形
• Matplotlib tight_layout 保存图
• Matplotlib tight_layout 子情节
• Matplotlib tight_layout suptitle
• Matplotlib tight_layout 剪切标签
• Matplotlib 紧密布局图例
• Matplotlib 紧密布局 bbox
• Matplotlib tight_layout 未应用
• Matplotlib tight_layout rcparams
• Matplotlib imshow tight_layout
• Matplotlib tight_layout gridspec
• Matplotlib tight_layout 颜色条
• Matplotlib 表格紧密布局
• Matplotlib 散点图紧密布局
• Matplotlib 3d plot tight layout
• Matplotlib undo tight_layout
• Matplotlib 紧密布局替代方案
• Matplotlib constrained_layout 与 tight_layout

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/*

Matplotlib 时间序列图

原文：https://pythonguides.com/matplotlib-time-series-plot/

在本 Python Matplotlib 教程中，我们将讨论 Matplotlib 时序图。在这里，我们将使用 matplotlib 涵盖与时间序列图相关的不同示例。我们还将讨论以下主题:

• Matplotlib 时间序列
• Matplotlib 时间序列情节熊猫
• Matplotlib 时间序列散点图
• Matplotlib 多时间序列图
• Matplotlib 时间序列条形图
• Matplotlib 绘制时间序列 x 轴
• Python 时间序列图 seaborn
• Matplotlib 箱线图时间序列
• Python 时间序列交互式绘图
• Matplotlib 时间序列多条形图
• Matplotlib 绘制有间隙的时间序列

目录

• Matplotlib 时间序列
  • 什么是时间序列图:
  • 我们需要时间序列图的地方:
• Matplotlib 时间序列剧情熊猫
• Matplotlib 时间序列散点图
• Matplotlib 多个时间序列图
• Matplotlib 时间序列条形图
• Matplotlib 绘制时间序列 x 轴
• Python 时间序列图 seaborn
• Matplotlib 箱线图时间序列
• Python 时间序列交互图
• Matplotlib 时间序列多条线图
• Matplotlib 绘制带有间隙的时间序列

Matplotlib 时间序列

这里先来了解一下什么是时序 plot，讨论一下为什么在 matplotlib 中需要它。

什么是时间序列图:

时间序列数据是在一段时间内收集的数据点的集合，具有时间索引。这些观测是在整个时间内以均匀的间隔进行的。数据可视化在绘制时间序列图中起着重要的作用。

我们需要时间序列图的地方:

ECG 信号、EEG 信号、股票市场数据、天气数据等等都是时间索引的，并且在一段时间内被记录。分析这些数据和预测未来观测的研究领域要广泛得多。

另外，检查: Matplotlib 更新循环中的绘图

Matplotlib 时间序列剧情熊猫

在这里，我们学习绘制将在熊猫中创建的时间序列图。所以首先，我们必须在熊猫身上创建一个样本数据集。

下面是 在 Pandas 中创建 DataFrame 的语法:

pandas.DataFrame(data, index, columns, dtype, copy)

让我们看看创建数据帧的源代码:

**# Import Library**

import pandas as pd

**# Defne Data** 
timeseries_data = { 
    'Date': ['2021-12-26', '2021-12-29',
             '2021-12-27', '2021-12-30',
             '2021-12-28', '2021-12-31' ], 

    'Washington': [42, 41, 41, 42, 42, 40],

    'Canada' : [30, 30, 31, 30, 30, 30],

    'California' : [51, 50, 50, 50, 50, 50]
}

**# Create dataframe**

dataframe = pd.DataFrame(timeseries_data,columns=['Date', 'Washington', 'Canada', 'California'])

**# Changing the datatype**

dataframe["Date"] = dataframe["Date"].astype("datetime64")

**# Setting the Date as index**

dataframe = dataframe.set_index("Date")
dataframe

输出:

Data Set

绘制数据的源代码:

**# Import Library** 
import matplotlib.pyplot as plt

**# Plot**

plt.plot(dataframe["Canada"], marker='o')

**# Labelling** 

plt.xlabel("Date")
plt.ylabel("Temp in Faherenheit")
plt.title("Pandas Time Series Plot")

**# Display**

plt.show()

• 首先导入 matplotlib.pyplot 库。
• 接下来，为加拿大列绘制图表。
• 为了在轴上添加标签，我们使用了 xlabel() 和 ylabel() 函数。
• 为了添加标题，我们使用了 title() 函数。

输出:

Pandas Time Series Plot

另外，请阅读:Matplotlib fill _ between–完整指南

Matplotlib 时间序列散点图

现在我们学习使用 Matplotlib 中的散点图绘制时序图。

举例:

在这个例子中，我们把上面创建的 DataFrame 作为一个数据。

**# Import Library** 
import matplotlib.pyplot as plt

**# Plot scatter**

plt.scatter(dataframe.index, dataframe["Washington"])

**# Labelling** 

plt.xlabel("Date")
plt.ylabel("Temp in Faherenheit")

**# Auto space**

plt.tight_layout()

**# Display** 
plt.show()

这里我们画了一个散点图，表示的日期和温度**。**

Scatter Plot

阅读:Matplotlib plot _ date–完整教程

Matplotlib 多个时间序列图

在这里，我们将学习使用 matplotlib 在一个图中绘制多个时间序列。

举例:

**# Import Libraries**

import matplotlib.pyplot as plt
import datetime
import numpy as np
import pandas as pd

**# Create figure** 
fig = plt.figure(figsize=(12, 8))

**# Define Data** 
df1 = pd.DataFrame({'date': np.array([datetime.datetime(2021, 
                    12, i+1) for i in range(20)]),
                   'blogs_read': [4, 6, 5, 8, 15, 13, 18, 6, 5, 
                  3, 15, 14, 19, 21, 15, 19, 25, 24, 16, 26]})

df2 = pd.DataFrame({'date': np.array([datetime.datetime(2021, 
                     12, i+1)
 for i in range(20)]),
                   'blogs_unread': [1, 1, 2, 3, 3, 3, 4, 3, 2,     
                    3, 4, 7, 5, 3, 2, 4, 3, 6, 1, 2]})

**# Plot time series**

plt.plot(df1.date, df1.blogs_read, label='blogs_read', 
         linewidth=3)
plt.plot(df2.date, df2.blogs_unread, color='red', 
         label='blogs_unread', linewidth=3)

**# Add title and labels** 
plt.title('Blogs by Date')
plt.xlabel('Date')
plt.ylabel('Blogs')

**# Add legend**

plt.legend()

**# Auto space** 
plt.tight_layout()

**# Display plot** 
plt.show() 

• 首先导入必要的库，如 matplotlib.pyplot 、 datetime 、 numpy 和 pandas 。
• 接下来，要增加图形的大小，使用 figsize() 函数。
• 为了定义数据坐标，我们创建 pandas DataFrame 。
• 为了绘制时间序列，我们使用 plot() 函数。
• 要给绘图添加标题，使用 title() 函数。
• 为了在轴上添加标签，我们使用了 xlabel() 和 ylabel() 函数。
• 要添加图例，使用 legend() 函数。
• 要显示绘图，使用 show() 功能。

Multiple Time Series

阅读: Matplotlib 旋转刻度标签

Matplotlib 时间序列条形图

这里我们将学习使用 Matplotlib 中的条形图绘制时间序列。

点击此处下载数据:

Sales.CSV

举例:

**# Import Library** 
import pandas as pd 
import matplotlib.pyplot as plt 

**# Read csv** 
data= pd.read_csv('Sales.csv')

**# Convert data frame** 
df=pd.DataFrame(data)

**# Initilaize list** 
X = list(df.iloc[:,0])
Y = list(df.iloc[:,1])

**# Set figure** 
plt.figure(figsize=(15, 12))

**# Bar Plot** 
plt.bar(X, Y)

**# Setting Ticks** 
plt.tick_params(axis='x',labelsize=15,rotation=90)
plt.tight_layout()

**# Display**

plt.show() 

• 首先，我们导入必要的库，如 matplotlib.pyplot 和 pandas 。
• 接下来，读取 CSV 文件。
• 之后，从 CSV 文件创建 DataFrame。
• 初始化 X 和 y 的列表。
• 为了绘制条形图，我们使用了 bar() 函数。
• 要更改 tick 设置，我们使用 tick_params() 函数。
• 为了设置空间，我们使用 tight_layout() 函数。

plt.bar()

读取: Matplotlib x 轴标签

Matplotlib 绘制时间序列 x 轴

这里我们将学习在 Matplotlib 中设置时间序列数据图的 x 轴。

我们来看一个例子:

**# Import Library** 
import matplotlib.pyplot as plt
from datetime import datetime, timedelta

**# Define data** 
dates = [
    datetime(2021, 9, 21),
    datetime(2021, 9, 22),
    datetime(2021, 9, 23),
    datetime(2021, 9, 24),
    datetime(2021, 9, 25),
    datetime(2021, 9, 26),
    datetime(2021, 9, 27),
]

y = [0, 1.8, 2, 3.5, 4, 5.6, 6]

**# Plot** 
plt.plot_date(dates, y)

**# Setting axes** 
plt.tight_layout()
plt.tick_params(axis='x', rotation=90)

**# Display**

plt.show()

• 导入库 matplotlib.pyplot 和 datetime 。
• 定义数据轴 x 和 y。
• 为了绘制日期，我们使用 plot_date() 函数。
• 为了设置分笔成交点的设置，我们使用了 tick_params() 函数。

plt.plot_date()

阅读: Matplotlib 多条形图

Python 时间序列图 seaborn

在这里，我们将学习如何用 seaborn 创建一个时间序列图。

Seaborn 是一个优秀的 Python 可视化工具，用于绘制统计图像。它包括吸引人的默认样式和调色板，使统计图表更有吸引力。它基于最新版本的 matplotlib 包，并与 pandas 的数据结构紧密集成。

点击 上的 下载数据集销售。CSV 文件:

Sales.CSV

我们来看一个例子:

**# Import Library** 
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt 

**# Read csv** 
data= pd.read_csv('Sales.csv')

**# Convert to dataframe** 
df=pd.DataFrame(data)

**# Initilaize list** 
X = list(df.iloc[:,0])
Y = list(df.iloc[:,1])

**# Set figure** 
plt.figure(figsize=(12,10))

**# Seaborn**

sns.lineplot(x=X, y=Y)

**# Setting Ticks** 
plt.tick_params(axis='x',labelsize=15,rotation=90)
plt.tight_layout()

**# Display** 
plt.show() 

• 首先导入 matplotlib.pyplot 、熊猫和 seaborn 库。
• 接下来，使用 read_csv() 函数读取 CSV 文件。
• 要将数据转换成数据帧，使用 pandas 的 DataFrame() 函数。
• 为了初始化列表，我们使用 pandas 的 iloc() 函数。
• 要设置图的尺寸，使用 figsize() 图的方法。
• 为了用 seaborn 库创建时间序列图，我们使用了 lineplot() 方法。
• 要更改 ticks 的设置，我们使用 tick_params() 函数。
• 要设置绘图的调整，使用 tight_layout() 功能。
• 要显示绘图，使用 show() 功能。

sns.lineplot()

阅读: Matplotlib 3D 散点图

Matplotlib 箱线图时间序列

在这里，我们将学习使用 Matplotlib 使用 seaborn boxplot 绘制时间序列图。

举例:

**# Import libraries**

import numpy as np
import pandas as pd
import seaborn
import matplotlib.pyplot as plt

**# Define Data** 
data = pd.DataFrame(np.random.randn(100), 
                    index=pd.date_range(start="2021-12-01", 
                    periods=100, freq="H"))
data.groupby(lambda x: x.strftime("%Y-%m-
            %d")).boxplot(subplots=False, figsize=(12,9))

**# Display** 
plt.show()

• 导入 numpy 、熊猫、 seaborn 和 matplotlib.pyplot 库。
• 使用 DataFrame() 函数创建熊猫数据框。
• 要定义用于绘图的数据，使用 random.randn() 函数并将索引设置为日期。
• 要按日期绘制分组，请使用 groupby() 函数。
• 要创建箱线图，使用 boxplot() 函数。

boxplot()

读取:水平线 matplotlib

Python 时间序列交互图

Plotly 是一个 Python 开源数据可视化模块，支持各种图形，如折线图、散点图、条形图、直方图和面积图。Plotly 是一个绘图工具，使用 javascript 创建交互式图形。

使用下面提到的命令进行 Plotly 安装:

pip install plotly

点击 上的 下载数据集销售。CSV 文件:

Sales.CSV

我们来看一个例子:

**# Import Library**

import pandas as pd
import plotly.express as px 
import matplotlib.pyplot as plt 

**# Read csv**

data= pd.read_csv('Sales.csv')

**# Convert data frame**

df=pd.DataFrame(data)

**# Initilaize list** 

X = list(df.iloc[:,0])
Y = list(df.iloc[:,1])

**# Set figure**

plt.figure(figsize=(12,10))

**# Plotly graph**

plot = px.line(x=X, y=Y)

**# Setting Ticks** 
plt.tick_params(axis='x',labelsize=15,rotation=90)
plt.tight_layout()

**# Display** 
plot.show() 

• 导入熊猫、 plotly.express 、 matplotlib.pyplot 等必要的库。
• 读取 CSV 文件，使用 read_csv() 函数。
• 使用 DataFrame() 函数将 CSV 文件转换为数据帧。
• 为了初始化列表，我们使用 iloc() 函数。
• 要绘制交互式时间序列折线图，使用 plotly.express 模块的 line() 函数。

Interactive Time Series Plot

读取: Matplotlib 反转 y 轴

Matplotlib 时间序列多条线图

在本节中，我们将学习使用多个条形图绘制时间序列图。我们在这里绘制了显示特定时期出生人数的图表。

我们来看一个例子:

**# Import Libraries**

import pandas as pd
import matplotlib.pyplot as plt

**# Creating dataframe** 
df = pd.DataFrame({
     'Dates':['2021-06-10', '2021-06-11',
             '2021-06-12', '2021-06-13',
             '2021-06-14', '2021-06-15'],
    'Female': [200, 350, 150, 600, 500, 350],
    'Male': [450, 400, 800, 250, 500, 900]
})

**# Plotting graph** 
df.plot(x="Dates", y=["Female", "Male"], kind="bar")

**# Show**

plt.show()

说明:

• 导入 matplotlib 库进行数据可视化。
• 接下来，导入 pandas 库来创建数据帧。
• 然后使用 DataFrame() 函数在 pandas 中创建数据帧。
• 为了创建一个多条形图，我们使用了 plot() 方法，并将它的种类定义为条形图。
• 为了可视化这个图，我们使用了 show() 函数。

df.plot(kind=’bar’)

阅读:将图例放在绘图 matplotlib 之外

Matplotlib 绘制带有间隙的时间序列

在本节中，我们将学习如何使用 matplotlib 绘制带有间隙的时间序列。首先，让我们来看一下 gap 是什么意思:

假设我们有一个 CSV 格式的数据集，其中有一些缺少值。然后，这些空白值或空白单元格被替换为 NaN 值。因此，当我们可视化这种数据集时，我们得到的是一个带有断点而不是连续线条的图表。

要下载数据集，请单击最高温度美国城市:

Max Temp USA Cities

为了更清楚地理解概念，我们来看不同的例子:

• 首先，我们导入了必要的库，如 pandas 和 matplotlib.pyplot 。
• 在这之后，使用熊猫的 read_csv() 函数读取 csv 文件。
• 要查看数据集，请将其打印出来。

源代码:

**# Import Libraries**

import pandas as pd 
import matplotlib.pyplot as plt 

**# Read** `CSV`

data= pd.read_csv('Max Temp USA Cities.csv')

**# Print** 

data

data

• 接下来，我们使用 DataFrame() 函数将 CSV 文件转换为熊猫的数据帧。
• 如果你想查看数据框，打印出来。

源代码:

**# Convert data frame** 
df=pd.DataFrame(data)

**# Print**

df

df

• 使用 iloc() 函数初始化列表，从 pandas 数据帧中按位置选择行和列。

源代码:

**# Initilaize list** 
dates = list(df.iloc[:,0])
city_1 = list(df.iloc[:,1])
city_2 = list(df.iloc[:,2])
city_3 = list(df.iloc[:,3])
city_4 = list(df.iloc[:,4])

• 现在，使用 figsize() 函数设置图形大小。
• 要设置 x 轴的旋转和标签尺寸，使用 tick_params() 函数。
• 要在 x 轴上设置标签，使用 xlabel() 函数。
• 要在 y 轴上设置标签，使用 ylabel() 函数。

源代码:

**# Set Figure** `Size`

plt.figure(figsize=(8,6))

**# Setting Ticks**

plt.tick_params(axis='x',labelsize=10,rotation=90)

**# Labels** 
plt.xlabel("Dates")
plt.ylabel("Temp")

• 要绘制没有间隙的折线图，请使用 plot() 函数，并向其传递没有缺失值的数据坐标。
• 要设置标记，请将标记作为参数传递。
• 为了可视化图表，使用 show() 函数。

示例#1(无间隙)

**# Plot**

plt.plot(dates, city_4, marker='o')

**# Display** 
plt.show()

Without Gaps

示例#2(有间隙)

**# Set figure**

plt.figure(figsize=(8,6))

**# Plot**

plt.plot(dates,city_1, marker='o')

**# Labels**

plt.xlabel("Dates")
plt.ylabel("Temp")

**# Setting Ticks**

plt.tick_params(axis='x',labelsize=10,rotation=90)

**# Display**

plt.show()

With Gaps

示例#3(有间隙)

这里我们绘制了日期和洛杉矶市之间的图表。

**# Set figure**

plt.figure(figsize=(8,6))

**# Plot**

plt.plot(dates,city_2, marker='o')

**# Labels**

plt.xlabel("Dates")
plt.ylabel("Temp")

**# Setting Ticks**

plt.tick_params(axis='x',labelsize=10,rotation=90)

**# Display**

plt.show()

plt.plot()

示例#4(有间隙)

这里我们绘制了日期和费城之间的图表。

**# Set figure**

plt.figure(figsize=(8,6))

**# Plot**

plt.plot(dates,city_3, marker='o')

**# Labels**

plt.xlabel("Dates")
plt.ylabel("Temp")

**# Setting Ticks** 
plt.tick_params(axis='x',labelsize=10,rotation=90)

**# Display** 
plt.show()

plt.plot()

示例#5(在一个图中有或没有间隙)

**# Set figure**

plt.figure(figsize=(8,6))

**# Plot**

plt.plot(dates,city_1, marker='o')
plt.plot(dates,city_4, marker='o')

**# Labels**

plt.xlabel("Dates")
plt.ylabel("Temp")

**# Setting Ticks**

plt.tick_params(axis='x',labelsize=10,rotation=90)

**# Display**

plt.show()

With or Without Gaps

你可能也喜欢阅读下面的 Matplotlib 教程。

• Matplotlib 默认图形尺寸
• Matplotlib savefig 空白图像
• Matplotlib 绘图误差线

在本 Python 教程中，我们已经讨论了“ Matplotlib 时间序列图”，并且我们还介绍了一些与之相关的示例。这些是我们在本教程中讨论过的以下主题。

• Matplotlib 时间序列
• Matplotlib 时间序列情节熊猫
• Matplotlib 时间序列散点图
• Matplotlib 多时间序列图
• Matplotlib 时间序列条形图
• Matplotlib 绘制时间序列 x 轴
• Python 时间序列图 seaborn
• Matplotlib 箱线图时间序列
• Python 时间序列交互式绘图
• Matplotlib 时间序列多条形图
• Matplotlib 绘制有间隙的时间序列

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/