在Python中使用Matplotlib注解绘制树形图
本节将学习如何编写代码绘制如下图所示的决策树。
1、Matplotlib注解
Matplotlib提供了一个注解工具annotations，非常有用，可以在数据图形上添加文本注释。注解通常用于解释数据的内容。
#使用文本注解绘制树节点
import matplotlib.pyplot as plt
#定义文本框和箭头格式
decisionNode = dict(boxstyle="sawtooth", fc="0.8") #fc表示框填充色，0-1表示黑到白
leafNode = dict(boxstyle="round4", fc="0.8")
arrow_args = dict(arrowstyle="<-")
#绘制带箭头的注解
def plotNode(nodeTxt, centerPt, parentPt, nodeType):#(节点的文字标注，节点中心位置，节点起点位置，节点属性)
createPlot.ax1.annotate(nodeTxt, xy=parentPt, xycoords='axes fraction',
xytext=centerPt, textcoords='axes fraction',
va="center", ha="center", bbox=nodeType, arrowprops=arrow_args)
def createPlot():
fig = plt.figure(1, facecolor='white') #创建一个新图形，背景颜色为白色
fig.clf() #并清空绘图区
createPlot.ax1 = plt.subplot(111, frameon=False) #在figure1里面创建一个1行1列的子figure，并返回第一个实例
plotNode('a decision node', (0.5,0.1),(0.1,0.5), decisionNode)
plotNode('a leaf node', (0.8,0.1),(0.3,0.8),leafNode)#在绘图区上绘制两个代表不同类型的树节点
plt.show()
def main():
createPlot()
if __name__ == "__main__":
main()
运行结果：
（1）createPlot.ax1.annotate()函数
原型： class matplotlib.axes.Axes()的成员函数annotate()。
作用： 为绘制的图上指定的数据点xy添加一个注释nodeTxt，xytext指定注释的位置，xycoords指定点xy坐标的类型，textcoords指定xytext的类型，xycoords和textcoords的取值如下：
‘figure points’：表示坐标原点在图的左下角的数据点
‘figure pixels’：表示坐标原点在图的左下角的像素点
‘figure fraction’：此时取值是小数，范围是([0, 1], [0, 1])，在图的最左下角时xy是(0,0), 最右上角是(1, 1)，其他位置按相对图的宽高的比例取小数值
‘axes points’：表示坐标原点在图中坐标的左下角的数据点
‘axes pixels’：表示坐标原点在图中坐标的左下角的像素点
‘axes fraction’：类似‘figure fraction’，只不过相对图的位置改成是相对坐标轴的位置
‘data’：此时使用被注释的对象所采用的坐标系（这是默认设置），被注释的对象就是调用annotate这个函数那个实例，这里是ax1，是Axes类，采用ax1所采用的坐标系
‘offset points’：表示相对xy的偏移（以点的个数计），不过一般这个是用textcoords
‘polar’：极坐标类型，在直角坐标系下面也可以用，此时坐标含义为(theta, r)
参数arrowprops：连接数据点和注释的箭头类型，该参数是dictionary类型，含有一个名为arrowstyle的键，一旦指定该键就会创建一个class matplotlib.patches.FancyArrowPatch类的实例，该键取值可以是一个可用的arrowstyle名字的字符串，也可以是可用的class matplotlib.patches.ArrowStyle类的实例。
具体arrowstyle名字的字符串可以参考 http://matplotlib.org/api/patches_api.html#matplotlib.patches.FancyArrowPatch里面的class matplotlib.patches.FancyArrowPatch类的arrowstyle参数设置。
2、构造注解树
上面学习了如何绘制树节点，然而绘制一棵完整的树需要一些技巧。比如，如何放置所有的树节点就是个问题，下面将学习如何绘制整棵树。
我们需要知道有多少个叶节点，以便确定x轴的长度；
我们需要知道树有多少层，以便确定y轴的高度；
下面用两个函数 getNumLeafs() 和 getTreeDepth() 分别获取叶节点的数目和树的层数。
#获取叶节点的数目
def getNumLeafs(myTree):
numLeafs = 0
firstStr = list(myTree.keys())[0]#第一个关键字是第一次划分数据集的类别标签
secondDict = myTree[firstStr] #第一个关键字后的字典
for key in secondDict.keys(): #从第一个关键字出发，遍历整棵树的所有子节点
if type(secondDict[key]).__name__ == 'dict': #测试节点的数据类型是否为字典
numLeafs += getNumLeafs(secondDict[key]) #是字典类型，则递归调用getNumLeafs
else:
numLeafs += 1 #非字典类型则为叶子节点
return numLeafs
#获取树的层数
def getTreeDepth(myTree): #计算遍历过程中遇到判断节点的个数
maxDepth = 0
firstStr = list(myTree.keys())[0]
secondDict = myTree[firstStr]
for key in secondDict.keys():
if type(secondDict[key]).__name__ == 'dict': #若为非叶子节点，则递归计算树的深度
thisDepth = 1 + getTreeDepth(secondDict[key])
else:
thisDepth = 1
if thisDepth > maxDepth:
maxDepth = thisDepth
return maxDepth
注： {‘no surfacing’:{0:‘no’, 1:{‘flipper’:{0:‘no’, 1:‘yes’}}}}
fistStr就是’no surfacing’，secondDict是{0 : ‘no’, 1:{‘flipper’ : {0 : ‘no’, 1:‘yes’}}}
以下函数retrieveTree输出预先存储的树信息，避免了每次测试代码时都要从数据中创建树的麻烦：
#函数retrieveTree输出预先存储的树信息
def retrieveTree(i):
listOfTrees = [{'no surfacing':{0:'no', 1:{'flippers':{0:'no',1:'yes'}}}},
{'no surfacing':{0:'no', 1:{'flippers':{0:{'head':{0:'no',1:'yes'}},1:'no'}}}}]
return listOfTrees[i]
执行结果：
print(retrieveTree(1))
myTree = retrieveTree(0)
print(getNumLeafs(myTree))
print(getTreeDepth(myTree))
>>>{'no surfacing': {0: 'no', 1: {'flippers': {0: {'head': {0: 'no', 1: 'yes'}}, 1: 'no'}}}}
4
3
(2) python2.x与python3.x之d.keys()返回类别的区别
python2.x dict.keys()返回list类型，可直接使用索引获取元素：myTree.keys()[0]
python3.x dict.keys()返回dict_keys类型，其性质类似集合(set) 而不是列表(list)，因此不能使用索引获取其元素：list(myTree.keys())[0]
(3) type()函数
描述：如果你只有第一个参数则返回对象的类型，三个参数返回新的类型对象。
语法：type(object)
type(name, bases, dict)
参数：name ------ 类的名称
bases ------ 基类的元组
dict ------ 字典，类内定义的命名空间变量
返回值：一个参数返回对象类型，三个参数返回新的类型对象
实例：
现在用前面学到的方法组合在一起，绘制一棵完整的树。在本文件中添加如下代码：
#plotTree函数
def plotMidText(cntrPt, parentPt, txtString): #在父子节点间填充文本信息
xMid = (parentPt[0] - cntrPt[0])/2.0 + cntrPt[0]
yMid = (parentPt[1] - cntrPt[1])/2.0 + cntrPt[1]
createPlot.ax1.text(xMid, yMid, txtString) #在cntrPt和parentPt中点写一段文本，内容为txtString
def plotTree(myTree, parentPt, nodeTxt): #计算宽与高
numLeafs = getNumLeafs(myTree)
depth = getTreeDepth(myTree)
firstStr = list(myTree.keys())[0] #第一个关键字是第一次划分数据集的类别标签
cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff) #其他非叶节点也用xOff算，但是不改变xOff值，只有真的画了一个叶节点，才改变xOff的值
plotMidText(cntrPt, parentPt, nodeTxt) #标记子节点属性值
plotNode(firstStr, cntrPt, parentPt, decisionNode)#（节点文本内容，子节点坐标，父节点坐标，节点属性）
secondDict = myTree[firstStr]
plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD #减少y偏移，1.0/plotTree.totalD是层距
for key in secondDict.keys():
if type(secondDict[key]).__name__ == 'dict':
plotTree(secondDict[key],cntrPt,str(key))
else:
plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD
def createPlot(inTree):
fig = plt.figure(1, facecolor='white') #定义了一个框架，序号是1，背景色是白色
fig.clf()
axprops = dict(xticks=[0.0 ,0.2, 0.4, 0.6, 0.8, 1.0], yticks=[0.0, 0.2, 0.4, 0.6, 0.8, 1.0]) #列表 xticks是x轴上将显示的坐标，yticks是y轴上将显示的坐标，空列表则不显示坐标
createPlot.ax1 = plt.subplot(111, frameon=True, **axprops)#定义一个子图窗口（1行1列第1个窗口） 隐藏坐标轴
plotTree.totalW = float(getNumLeafs(inTree)) #是决策树的叶子数，也代表宽度
plotTree.totalD = float(getTreeDepth(inTree)) #是决策树的深度
plotTree.xOff = -0.5/plotTree.totalW; #xOff代表的是刚刚画完的叶节点的x坐标，注意是叶节点
plotTree.yOff = 1.0;
plotTree(inTree, (0.5,1.0), '')
plt.show()
def main():
myTree = retrieveTree(0)
createPlot(myTree)
if __name__ == "__main__":
main()
这段代码中，我们首先分析createPlot(inTree)函数，全局变量plotTree.totalW存储树的宽度，plotTree.totalD存储树的深度。
树的宽度用于计算放置判断节点的位置，主要的计算原则是将它放在所有叶子节点的中间。
使用两个全局变量plotTree.xOff和plotTree.yOff追踪已经绘制的节点位置，以及放置下一个节点的恰当位置。
注意：绘制图形的x轴和y轴有效范围都是0.0到1.0。
plotTree.xOff = -0.5/plotTree.totalW;
plotTree.yOff = 1.0;
这是对plotTree.xOff和plotTree.yOff的初始化。1.0是总宽度，plotTree.totalW是叶子节点总数，1.0/plotTree.totalW则为两个相邻叶子节点间的距离，所以-0.5/plotTree.totalW为横坐标位于范围左侧半叶距处，纵坐标为页面最上端。
接下来需要重点分析：
plotTree(inTree, (0.5,1.0), '')
即分析plotTree(myTree, parentPt, nodeTxt)函数，这里给出母节点的坐标为(0.5,1.0)，也就是整棵树的起点坐标。
注意，plotTree是个递归函数。
cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)
这是计算子节点的坐标，这里plotTree.xOff的值仍是刚刚初始化的值还未改变(即页面左侧半叶距)，我们可以将(1.0 + float(numLeafs))/2.0/plotTree.totalW写成(1.0/2.0)(1/plotTree.totalW)+(1.0/2.0) float(numLeafs) * (1/plotTree.totalW)，而(1.0/2.0)(1/plotTree.totalW)就是半叶距，(1.0/2.0) float(numLeafs) * (1/plotTree.totalW)的值为0.5，即页面中间的位置，这样横坐标就为0.5，纵坐标为1.0。
plotMidText(cntrPt, parentPt, nodeTxt) #在父子节点间填充文本信息
plotNode(firstStr, cntrPt, parentPt, decisionNode)#（节点文本内容，子节点坐标，父节点坐标，节点属性）
此时，父子节点是同一个点，即（0.5,1.0），而节点间的填充信息nodeTxt正好为‘ ’。接着用plotNode画出节点。
plotTree.yOff = plotTree.yOff - 1.0/plotTree.totalD #减少y偏移
1.0/plotTree.totalD是层距，每向下一层，纵坐标减少一个层距。
for key in secondDict.keys():
if type(secondDict[key]).__name__ == 'dict':
plotTree(secondDict[key],cntrPt,str(key))
else:
plotTree.xOff = plotTree.xOff + 1.0/plotTree.totalW
plotNode(secondDict[key], (plotTree.xOff, plotTree.yOff), cntrPt, leafNode)
plotMidText((plotTree.xOff, plotTree.yOff), cntrPt, str(key))
遍历下一层字典中的内容:
若为字典，即非叶节点，则调用plotTree递归画出节点，可以分析，节点坐标为
cntrPt = (plotTree.xOff + (1.0 + float(numLeafs))/2.0/plotTree.totalW, plotTree.yOff)
注意此时的树myTree已经变成了secondDict[key]，自然numLeafs也发生了变化，是以key为顶点的树下的叶子数。cntrPt的横坐标在刚画完的节点的横坐标（即其父节点）的基础上，加上半叶距，加上叶子数占总叶子数距离的一半，节点文本即位键值key。
若为叶子节点，则在初始值的基础上加上一个叶间距的距离更新plotTree.xOff值，以后每发现一个叶子节点，就更新一次plotTree.xOff的值，并画出节点以及父子节点间的文本。
说明半叶距存在的原因：由于我们要考虑整棵树的布局，而在画图的过程中，保证整棵树处于页面中央，而又留有一定的页边距。若图宽度为1，共5个叶子节点，则以0.0坐标为起点，则5个叶子节点的横坐标为[0.0 0.2 0.4 0.6 0.8] , 左边顶格而右边空0.2，因此，若将整张图右移半叶距即0.1，问题就可解决。
plotTree.yOff = plotTree.yOff + 1.0/plotTree.totalD
经过分析可以知道，此决策树的画图顺序是深度优先搜索，所以会有返回上一层。yOff在进入下一层时要减一个层距，跳出时要加回来。
tree0的树形图：
def retrieveTree(i):
listOfTrees = [{'no surfacing':{0:'no', 1:{'flippers':{0:'no',1:'yes'}},3:'maybe'}},
{'no surfacing':{0:'no', 1:{'flippers':{0:{'head':{0:'no',1:'yes'}},1:'no'}}}}]
return listOfTrees[i]
扫一扫
2858
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
