datawhale可视化学习第三回：布局格式定方圆学习-CSDN博客

本文链接：https://blog.csdn.net/zzj960321/article/details/111464890

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

这里的plt.rcParams是什么？

简单理解，这是自定义图形的各种默认属性。第一句是吧字体设置为’SimHei’由此可以显示中文,第二个就是可以解决x轴和y轴‘-’字符显示问题

但是这里又有个坑，由于SimHei是win自带的字体。所以mac的电脑这样设置是没用的，还是显示不了字符。

在这里插入图片描述

这时应该使用mac自带的字体，就可以了。

在这里插入图片描述

rc参数修改参考

绘图基本设置

一、子图

1. 使用 `plt.subplots` 绘制均匀状态下的子图

返回元素分别是画布和子图构成的列表，第一个数字为行，第二个为列

figsize 参数可以指定整个画布的大小

sharex 和 sharey 分别表示是否共享横轴和纵轴刻度

tight_layout 函数可以调整子图的相对大小使字符不会重叠

fig, axs = plt.subplots(2, 5, figsize=(10, 4), sharex=True, sharey=True)
fig.suptitle('样例1', size=20,horizontalalignment='right',verticalalignment='center',x=0,y=1)
np.random.seed(0)
for i in range(2):
    for j in range(5):
        axs[i][j].scatter(np.random.randn(10), np.random.randn(10))
        axs[i][j].set_title('第%d行，第%d列'%(i+1,j+1))
        axs[i][j].set_xlim(-5,5)
        axs[i][j].set_ylim(-5,5)
        if i==1: axs[i][j].set_xlabel('横坐标')
        if j==0: axs[i][j].set_ylabel('纵坐标')
fig.tight_layout()
plt.show()

在这里插入图片描述

plt.suptitle()可以传入x=,y=来控制suptitle的位置。

horizontalalignment与verticalalignment是调整suptitle与坐标的相对位置。

如果horizontalalignment=right，那么就是文本标题的最右边在(x,y)位置上，horizontalalignment=center，就是文本标题的中间位置处于(x,y)

2.极坐标

除了常规的直角坐标系，也可以通过projection方法创建极坐标系下的图表

N = 150
r = 2 * np.random.rand(N)
theta = 2 * np.pi * np.random.rand(N)
area = 200 * r**2
colors = theta
plt.subplot(projection='polar')
plt.scatter(theta, r, c=colors, s=area, cmap='hsv', alpha=0.75)

在这里插入图片描述

这个图有点高阶。我们先看下极坐标的定义。

在平面内取一个定点O，叫极点，引一条射线Ox，叫做极轴，再选定一个长度单位和角度的正方向（通常取逆时针方向）。对于平面内任何一点M，用ρ表示线段OM的长度（有时也用r表示），θ表示从OX到OM的角度，ρ叫做点M的极径，θ叫做点M的极角，有序数对 (ρ,θ)就叫点M的极坐标，这样建立的坐标系叫做极坐标系。
在这里插入图片描述

import matplotlib.pyplot as plt
ax1 = plt.subplot(121, projection='polar')
ax2 = plt.subplot(122)
# 极坐标下需要的数据有极径和角度
r = np.arange(1,6,1)  # 极径
theta = [i*np.pi/2 for i in range(5)]  #角度
# 指定画图坐标为极坐标,projection='polar'
ax = plt.subplot(111, projection='polar')
ax.scatter(theta,r,linewidth=3,color='r')
# 加网格
ax.grid(True)
plt.show()

在这里插入图片描述

可以看到每个点都被标在相应的位置，只是坐标是(ρ,θ)

这里的1,2,3,4,5是网格线的极径值列表，最小值不能小于等于0。

在这里插入图片描述

具体参数设置参考

3. 使用 `GridSpec` 绘制非均匀子图

所谓非均匀包含两层含义，第一是指图的比例大小不同但没有跨行或跨列，第二是指图为跨列或跨行状态

利用 add_gridspec 可以指定相对宽度比例 width_ratios 和相对高度比例参数 height_ratios

fig = plt.figure(figsize=(10, 4))
spec = fig.add_gridspec(nrows=2, ncols=5, width_ratios=[1,2,3,4,5], height_ratios=[1,3])
fig.suptitle('样例2', size=20)
for i in range(2):
    for j in range(5):
        ax = fig.add_subplot(spec[i, j])
        ax.scatter(np.random.randn(10), np.random.randn(10))
        ax.set_title('第%d行，第%d列'%(i+1,j+1))
        if i==1: ax.set_xlabel('横坐标')
        if j==0: ax.set_ylabel('纵坐标')
fig.tight_layout()

在这里插入图片描述

注意：非均匀子图与均匀子图的写法有些许不同，非均匀状态子图是先fig.add_gridspec()作出非均匀子图，这是一个，然后fig.add_subplot()将primitives存入axes容器中。

在上面的例子中出现了 spec[i, j] 的用法，事实上通过切片就可以实现子图的合并而达到跨图的共能

fig = plt.figure(figsize=(10, 4))
spec = fig.add_gridspec(nrows=2, ncols=6, width_ratios=[2,2.5,3,1,1.5,2], height_ratios=[1,2])
fig.suptitle('样例3', size=20,x=-0.05,y=1)
# sub1
ax = fig.add_subplot(spec[0, :3])
ax.scatter(np.random.randn(10), np.random.randn(10))
# sub2
ax = fig.add_subplot(spec[0, 3:5])
ax.scatter(np.random.randn(10), np.random.randn(10))
# sub3
ax = fig.add_subplot(spec[:, 5])
ax.scatter(np.random.randn(10), np.random.randn(10))
# sub4
ax = fig.add_subplot(spec[1, 0])
ax.scatter(np.random.randn(10), np.random.randn(10))
# sub5
ax = fig.add_subplot(spec[1, 1:5])
ax.scatter(np.random.randn(10), np.random.randn(10))
fig.tight_layout()

在这里插入图片描述

这里的切片就是切fig.add_gridspec()的width_ratios和height_ratios参数。spec[i,j]里i是对height_ratios切片，j是对width_ratios切片。

举个例子sub1与sub2的width宽度比是(2+2.5+3):(1+1.5)即3:1

注意：在一个fig下每个spec切片的索引不能相交，其实可以理解为把一个大的画布进行不均等分割。

二、子图上的方法

在 ax 对象上定义了和 plt 类似的图形绘制函数，常用的有： plot, hist, scatter, bar, barh, pie

在这里插入图片描述

常用直线的画法为： axhline, axvline, axline （水平、垂直、任意方向）

在这里插入图片描述

ax.hline()添加一个水平线，第一个参数是与水平线垂直的值。第二个第三个参数是xmin和xmax，即与线平行的轴的值。

ax.vline()与其类似。

ax.axline()的参数可以看成两个坐标，然后相连。

使用 grid 可以加灰色网格

在这里插入图片描述

使用 set_xscale, set_title, set_xlabel 分别可以设置坐标轴的规度（指对数坐标等）、标题、轴名

在这里插入图片描述

.set_yscale(‘log’)是把y轴设置为对数坐标。

与一般的 plt 方法类似， legend, annotate, arrow, text 对象也可以进行相应的绘制

fig, ax = plt.subplots()
ax.arrow(0, 0, 1, 1, head_width=0.03, head_length=0.05, facecolor='red', edgecolor='blue')
ax.text(x=0, y=0,s='这是一段文字', fontsize=16, rotation=70, rotation_mode='anchor', color='green')
ax.annotate('这是中点', xy=(0.5, 0.5), xytext=(0.8, 0.2), arrowprops=dict(facecolor='yellow', edgecolor='black'), fontsize=16)

在这里插入图片描述

ax.arrow(x, y, dx, dy, **kwargs)

x,y是起始坐标，dx与dy是起始坐标的偏移量，head_width控制箭头宽度。

ax.text(x, y, s, fontdict=None, **kwargs) 在axes中加入文本。

x,y是文字的坐标(应该是text的开头坐标)，fontdict是改变text的属性。

ax.annotate(text, xy, *args, **kwargs) 对某点添加注释。

text传入注释的文本，xy是注释点的坐标，xytest是注释文本的坐标。注意这里xy与xytest是用元组传入坐标。

fig, ax = plt.subplots()
ax.plot([1,2],[2,1],label="line1")
ax.plot([1,1],[1,2],label="line1")
ax.legend(loc=1)

在这里插入图片描述

其中，图例的 loc 参数如下：

string	code
best	0
upper right	1
upper left	2
lower left	3
lower right	4
right	5
center left	6
center right	7
lower center	8
upper center	9
center	10

三、作业

1. 墨尔本1981年至1990年的每月温度情况

from matplotlib.pyplot import MultipleLocator
import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
ex1 = pd.read_csv('data/layout_ex1.csv')
fig, axs = plt.subplots(2, 5, figsize=(16, 4),sharex=True, sharey=True)
fig.suptitle('墨尔本1981年至1990年月温度曲线', size=15,horizontalalignment='right',verticalalignment='center',x=0.55,y=1)
index_1=pd.Series(range(0,121,12))
for i in range(2):
    for j in range(5):
        axs[i][j].plot(range(1,13),ex1['Temperature'][index_1[i*5+j]:index_1[i*5+j+1]],marker='*')
        axs[i][j].set_xlim(0.5,12.5)
        axs[i][j].set_ylim(4,20)
        axs[i][j].set_title('%d年'%(1981+5*i+j),size=10)
        if j==0:axs[i][j].set_ylabel('气温')
        x_major_locator=MultipleLocator(1)
        axs[i][j].xaxis.set_major_locator(x_major_locator)
        
fig.tight_layout()
plt.show()

在这里插入图片描述

2. 画出数据的散点图和边际分布

用 np.random.randn(2, 150) 生成一组二维数据，使用两种非均匀子图的分割方法，做出该数据对应的散点图和边际分布图

import pandas as pd 
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(22)
X=np.random.randn(2,150)
fig = plt.figure(figsize=(6,6))
spec = fig.add_gridspec(nrows=2, ncols=2, width_ratios=[4,1], height_ratios=[1,4])
for i in range(2):
    for j in range(2):
        if (i==0)&(j==1):
            continue
        ax=fig.add_subplot(spec[i,j])
        if (i ==1) & (j==0):
            ax.scatter(X[0],X[1])
            ax.set_xlabel('my_data_x')
            ax.set_ylabel('my_data_y')
            ax.grid(True)
        if (i==0)&(j==0):
            ax.hist(X[0],rwidth=0.9)  #设置柱子的宽度占bins宽的比例,可以理解为调整柱子的宽度
            ax.xaxis.set_major_locator(plt.NullLocator()) #去掉双轴
            ax.yaxis.set_major_locator(plt.NullLocator())
            ax.axis('off')  #去掉外面的框
        if (i==1)&(j==1):
            ax.hist(X[1],orientation='horizontal',rwidth=[0.9])
            ax.xaxis.set_major_locator(plt.NullLocator())
            ax.yaxis.set_major_locator(plt.NullLocator())
            ax.axis('off')
fig.suptitle('习题2-解法1', size=20)
fig.tight_layout()
plt.show()

在这里插入图片描述

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
np.random.seed(22)
X=np.random.randn(2,150)
fig = plt.figure(figsize=(6,6))
spec = fig.add_gridspec(nrows=2, ncols=2, width_ratios=[4,1], height_ratios=[1,4])
ax = fig.add_subplot(spec[0,:1])
ax.hist(X[0],rwidth=0.8)
ax.xaxis.set_major_locator(plt.NullLocator()) #去掉双轴
ax.yaxis.set_major_locator(plt.NullLocator())
ax.axis('off')  #去掉外面的框
ax = fig.add_subplot(spec[1,:1])
ax.scatter(X[0],X[1])
ax.set_xlabel('my_data_x')
ax.set_ylabel('my_data_y')
ax.grid(True)
ax = fig.add_subplot(spec[1,1:])
ax.hist(X[0],rwidth=0.8,orientation='horizontal')
ax.xaxis.set_major_locator(plt.NullLocator()) #去掉双轴
ax.yaxis.set_major_locator(plt.NullLocator())
ax.axis('off')
fig.tight_layout()