Python中 Matplotlib局部放大图的画法

在做对比实验中，除了对整体形状的对比，在很多情况下都需要对某一局部的数据进行放大，来观察更加精细的对比效果。

工具

Python的Matplotlib库函数

步骤

1、导入依赖库

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.axes_grid1.inset_locator import inset_axes
from matplotlib.patches import ConnectionPatch

2、准备数据

reward_demaddpg[]储存的是执行demaddpg算法后所获得的300个reward结果。

因此横坐标设置为：

MAX_EPISODES = 300
x_axis_data = []
for l in range(MAX_EPISODES):
    x_axis_data.append(l)

5个对比实验结果存在5个数组中，分别表示demaddpg算法中设置的不同的学习率：

3、绘主图

fig, ax = plt.subplots(1, 1)
ax.plot(x_axis_data, reward_demaddpg5, color='#4169E1', alpha=0.8, label='$1*10^{-5}$')
ax.plot(x_axis_data, reward_demaddpg10, color='#848484', alpha=0.8, label='$5*10^{-6}$')
ax.plot(x_axis_data, reward_demaddpg15, color='#FF774A', alpha=0.8, label='$1*10^{-6}$')
ax.plot(x_axis_data, reward_demaddpg20, color='#575B20', alpha=0.8, label='$5*10^{-7}$')
ax.plot(x_axis_data, reward_demaddpg25, color='#B84D37', alpha=0.8, label='$1*10^{-7}$')
ax.legend(loc="lower right")
ax.set_xlabel('Episodes')
ax.set_ylabel('Total reward')

其中fig, ax = plt.subplots(a,b)用来控制子图个数：a为行数，b为列数。

效果图如下：

4、嵌入局部放大图的坐标系

axins = inset_axes(ax, width="40%", height="30%", loc='lower left',
                   bbox_to_anchor=(0.3, 0.1, 1, 1), 
                   bbox_transform=ax.transAxes)

参数解释如下：

• ax：父坐标系
• width, height：子坐标系的宽度和高度（百分比形式或者浮点数个数）
• loc：子坐标系的位置
• bbox_to_anchor：边界框，四元数组（x0, y0, width, height）
• bbox_transform：从父坐标系到子坐标系的几何映射
• axins：子坐标系

固定坐标系的宽度和高度以及边界框，分别设置loc为左上、左下、右上（默认）、右下和中间，效果图如下：

效果图如下：

另外有一种更加简洁的子坐标系嵌入方法：

axins = ax.inset_axes((0.2, 0.2, 0.4, 0.3))

ax为父坐标系，后面四个参数同样是（x0, y0, width, height），上述代码的含义是：以父坐标系中的x0=0.2*x，y0=0.2*y为左下角起点，嵌入一个宽度为0.2x，高度为0.3y的子坐标系，其中x和y分别为父坐标系的坐标轴范围。效果如下图所示：

5、在子坐标系中绘制原始数据

axins.plot(x_axis_data, reward_demaddpg5, color='#4169E1', alpha=0.8, label='$1*10^{-5}$')
axins.plot(x_axis_data, reward_demaddpg10, color='#848484', alpha=0.8, label='$5*10^{-6}$')
axins.plot(x_axis_data, reward_demaddpg15, color='#FF774A', alpha=0.8, label='$1*10^{-6}$')
axins.plot(x_axis_data, reward_demaddpg20, color='#575B20', alpha=0.8, label='$5*10^{-7}$')
axins.plot(x_axis_data, reward_demaddpg25, color='#B84D37', alpha=0.8, label='$1*10^{-7}$')

效果如下：

6、设置放大区间，调整子坐标系的显示范围

# 设置放大区间
zone_left = 100
zone_right = 150

# 坐标轴的扩展比例（根据实际数据调整）
x_ratio = 0  # x轴显示范围的扩展比例
y_ratio = 0.05  # y轴显示范围的扩展比例

# X轴的显示范围
xlim0 = x_axis_data[zone_left]-(x_axis_data[zone_right]-x_axis_data[zone_left])*x_ratio
xlim1 = x_axis_data[zone_right]+(x_axis_data[zone_right]-x_axis_data[zone_left])*x_ratio

# Y轴的显示范围
y = np.hstack((reward_demaddpg5[zone_left:zone_right], reward_demaddpg10[zone_left:zone_right],
               reward_demaddpg15[zone_left:zone_right],reward_demaddpg20[zone_left:zone_right],
               reward_demaddpg25[zone_left:zone_right]))
ylim0 = np.min(y)-(np.max(y)-np.min(y))*y_ratio
ylim1 = np.max(y)+(np.max(y)-np.min(y))*y_ratio

# 调整子坐标系的显示范围
axins.set_xlim(xlim0, xlim1)
axins.set_ylim(ylim0, ylim1)

效果如下：

7、建立父坐标系与子坐标系的连接线

# 原图中画方框
tx0 = xlim0
tx1 = xlim1
ty0 = ylim0
ty1 = ylim1
sx = [tx0,tx1,tx1,tx0,tx0]
sy = [ty0,ty0,ty1,ty1,ty0]
ax.plot(sx,sy,"black")

# 画两条线
xy = (xlim0,ylim0)
xy2 = (xlim0,ylim1)
con = ConnectionPatch(xyA=xy2,xyB=xy,coordsA="data",coordsB="data",
        axesA=axins,axesB=ax)
axins.add_artist(con)

xy = (xlim1,ylim0)
xy2 = (xlim1,ylim1)
con = ConnectionPatch(xyA=xy2,xyB=xy,coordsA="data",coordsB="data",
        axesA=axins,axesB=ax)
axins.add_artist(con)

画方框

使用了画连接方框四个顶点的四条线段就可以了，从某个点绕个圈再回到起点，就画出了方框，使用pyplot(x,y)，还可以方便地指定颜色，线宽等。

画跨子图的线

这里使用连接线，在matplotlib.patches有一个ConnectionPatch类型，就是用的这个，它可以用在一个或多个子图之间画线。

con = ConnectionPatch(xyA,xyB,coordsA,coordsB, axesA,axesB)

这里xyA是子图里面的点，xyB是主图里面的点，coordsA和coordsB默认值"data"，也不用改，然后就是axesA要添加子图，axesB为要连接的主图。

axins.add_artist(con)

最后将连接线添加进子图。注意是子图不是主图。

效果图如下：

以上就是局部放大图的画法，最后的方框和线的画法不止一种，这里只是找了比较简单直接的一种。
希望对你有帮助。

原文链接：
https://juejin.im/post/5eddf7a96fb9a047923a483b

文源网络，仅供学习之用，如有侵权请联系删除。

在学习Python的道路上肯定会遇见困难，别慌，我这里有一套学习资料，包含40+本电子书，800+个教学视频，涉及Python基础、爬虫、框架、数据分析、机器学习等，不怕你学不会！
https://shimo.im/docs/JWCghr8prjCVCxxK/ 《Python学习资料》

关注公众号【Python圈子】，优质文章每日送达。