python数据可视化之matplotlib（下）

• matplotlib

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
# 解决坐标轴刻度负号乱码
plt.rcParams['axes.unicode_minus'] = False

# 解决中文乱码问题
plt.rcParams['font.sans-serif'] = ['Simhei']

• 1、plt.plot() 绘图进阶

• 1.1 子图 plt.subplot()

plt.subplot(CRP)：划分C行R列，从最左到右，从上到下，序号P依次增加

import matplotlib as mpl
import matplotlib.pyplot as plt

x = np.linspace(-2*np.pi,2*np.pi,200)
y_01 = np.sin(x)
y_02 = np.cos(x)
y_03 = x
y_04 = x**2

plt.subplot(221)    # 设置子图的位置
plt.plot(x, y_01, label="sin(x)")

plt.subplot(222)
plt.plot(x, y_02, label="cos(x)")

plt.subplot(223)
plt.plot(x, y_03, label="x");

plt.subplot(224)
plt.plot(x, y_04, label="x**2")

plt.show()

结果为：

import matplotlib as mpl
import matplotlib.pyplot as plt

x = np.linspace(-2*np.pi,2*np.pi,200)
y_01 = np.sin(x)
y_02 = np.cos(x)
y_03 = x**2


plt.subplot(221)
plt.plot(x, y_01)
plt.title("y=sin(x)")    # 子图标题

plt.subplot(222)
plt.plot(x, y_02)
plt.title("y=cos(x)")

plt.subplot(212)   # 两行一列，占其第二行
plt.plot(x, y_03);
plt.title("y=x^2")

plt.suptitle("subplot()函数的实例展示")    # 整体图的标题

plt.show()

结果为：

• 1.2 网格布局子图

plt.subplot2grid(shape, loc, colspan, rowspan)

• shape 如果是 (2,3) 的话，就是设置了一个2行3列的网格布局
• loc 表示元组的第一个和第二个数值的起点，如果 loc 为 (0,1) 就以为这图形从第1行第2列的位置开始绘制
• rowspan表示图形横跨多少行
• colspan表示图形横跨多少列

import matplotlib as mpl
import matplotlib.pyplot as plt

x = np.linspace(-2*np.pi,2*np.pi,200)
y_01 = np.sin(x)
y_02 = np.cos(x)
y_03 = x**2

plt.subplot2grid((2,3), (0,0), colspan=2)    #在一个2行3列的网格，从第1行第1列开始绘制，横跨2列
plt.plot(x, y_01)
plt.title("y=sin(x)")


plt.subplot2grid((2,3), (0,2))              #在一个2行3列的网格，从第1行第3列开始绘制，横跨1列
plt.plot(x, y_02)
plt.title("y=cos(x)")


plt.subplot2grid((2,3), (1,0), colspan=2)    #在一个2行3列的网格，从第2行第1列开始绘制，横跨2列
plt.plot(x, y_03);
plt.title("y=x^2")


plt.suptitle("subplot2grid()函数的实例展示")

plt.show()

结果为：

• 2、面向对象接口绘图

• 2.1 简介

• 我们想一下，上面的图画完之后，如果此时想再画一条折线图，添加到“图一”中，实现起来就比较麻烦。因为此时两幅子图已经画完。那如何让Python再回到“图一”中去绘图呢？
• 另外一个问题就是，如果我想对图形的细节作进一步优化，比如上面图二的图标题，就和图一的横轴标签重叠了，有办法对这些小的细节作优化吗？
• 此时我们就需要引入另外一种绘图方式：通过面向对象绘图。我们首先阅读以下代码，对比上面的绘图方式，看看这种绘图方式的特点：

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

fig, ax = plt.subplots(2,1)    # 把fig想象成一块画板，ax想象成两张画纸

x = np.linspace(-2*np.pi,2*np.pi,200)
y_01 = np.sin(x)
y_02 = x**2


ax[0].plot(x, y_01, label="sin(x)")
ax[0].legend()
ax[0].set_title("图一")


ax[1].plot(x, y_02, label="x**2")
ax[1].legend()
ax[1].set_title("图二")

#如果在画完两幅子图之后，在这个时候想再往图一添加折线图y=x，可以直接通过实例ax[0].plot()来画：
ax[0].plot(x, x, color="r", ls="--", alpha=0.3)

plt.show()

结果为：

首先要说明的是 fig, ax = plt.subplots(2,1) 是什么意思：

• plt.subplots()其实会返回两个对象，一个是画板实例 figure，一个是坐标轴域实例 axes ：
  • figure 可以看做是一个图形实例，用来包含坐标轴、图形、文字标签等
  • axes 表示一个坐标轴域实例，是一个带有刻度和标签的矩阵
  • 先有了 figure、axes，就可以使用 ax.plot 来绘图了
• 因为 ax[0] 表示第一个子图的实例，ax[1] 表示第二个子图的实例，所以可以通过 ax[0] 回到第一个子图绘图，画出红色的折线图

或者将子图 plt.subplot(211) 和 plt.subplot(212) 赋值到对象中去，然后同样可以通过面向对象的调用方法实现追加画图操作：

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

x = np.linspace(-2*np.pi,2*np.pi,200)
y_01 = np.sin(x)
y_02 = x**2


ax_01 = plt.subplot(211)
ax_01.plot(x, y_01, label="sin(x)")
ax_01.legend()
ax_01.set_title("图一")

ax_02 = plt.subplot(212)
ax_02.plot(x, y_02, label="x**2")
ax_02.legend()
ax_02.set_title("图二")

#如果在画完两幅子图之后，在这个时候想再往图一添加折线图y=x，可以直接通过实例ax[0].plot()来画：
ax_01.plot(x, x, color="r", ls="--", alpha=0.3)

plt.show()

结果为：

• 2.2 plt.figure 创建画板

plt.figure(num, figsize, dpi, facecolor, edgecolor, frameon)

• num：整数或字符串，可选，默认值：无
  • 如果未提供，将创建新图形和图形编号，图形对象将此数字保存在“数字”中
  • 如果提供了num，将在该编号的图形中绘图
  • 如果num是一个字符串，该字符串作为图标题
• figsize：整数元组，可选，默认值：无
  • [宽度，高度]（英寸）
  • 如果未提供，则默认为[6.4, 4.8]
• dpi：整数，可选，默认值：无
  • 分辨率，如果未提供，则默认为100
• facecolor：背景颜色。如果未提供，则默认为白色
• edgecolor：边框颜色。如果未提供，则默认为白色
• frameon：布尔型，可选，默认值：True，如果为 False，则禁止绘制图框

import matplotlib.pyplot as plt
import numpy as np

fig_01 = plt.figure(1, figsize=[3,3])  # 建立“画板1”
ax_01 = plt.axes()   # 在“画板1”生成一张画纸，需配合figure对象使用，不然只是一个画板对象

fig_02 = plt.figure(2, figsize=[6,6])  # 建立“画板2”
ax_02 = plt.axes()

plt.show()

结果为：

• 2.3 plt.axes

plt.axes 用来创建一个新的全窗口轴域（画纸）:

• plt.axes([left, bottom, width, height]...)
• 以左下角为原点，右上角为1，设置轴域的[左坐标，底坐标，宽度，高度]
  • 上面的轴域取值范围是左下角（原点）为0，右上角为1
  • 左坐标和底坐标两个参数对应的就是——该坐标轴的原点位置，为该图形宽度和高度比例
  • 宽度和高度的参数就是——该坐标轴原点往外扩展，宽度和高度为图形的比例长度

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-2*np.pi,2*np.pi,200)
y = np.sin(x)

fig = plt.figure(1, facecolor="gray")  #建立“画板1”，颜色设置为灰色

ax_1 = plt.axes([0, 0, 0.4, 0.4], facecolor="w")   # 建立轴域1（画纸），颜色设置成白色，起点原点，长宽均为整体长宽的0.4倍
ax_1.plot(x, y, ls="-.", color="r")

ax_2 = plt.axes([0.4, 0.4, 0.6, 0.6], facecolor="g")   # 建立轴域2（画纸），颜色设置成绿色，起点为0.4倍整体长宽的位置，长宽均为整体长宽的0.6倍
ax_2.plot(x, y, ls="-", color="c")

plt.show()

结果为：

• 2.4 其他建立 figure 和 axes 的方法

• 2.4.1 通过 plt.subplots() 同时创建画板和画纸

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0,10,1000)
y_1 = np.sin(x)
y_2 = np.cos(x)
y_3 = x
y_4 = x ** 3


fig, ((ax_01, ax_02), (ax_03, ax_04)) = plt.subplots(2,2)    # 通过 plt.subplots() 返回“画板”和“画纸”

ax_01.plot(x, y_1)

ax_02.plot(x, y_2)

ax_03.plot(x, y_3)

ax_04.plot(x, y_4)

plt.show()

结果为：

或者：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0,10,1000)
y_1 = np.sin(x)
y_2 = np.cos(x)
y_3 = x
y_4 = x ** 3


fig, ax = plt.subplots(2,2)    # 通过 plt.subplots() 返回“画板”和“画纸”

ax_01 = ax[0][0]   # 或者ax_01 = ax[0,1]

ax_01.plot(x, y_1)

ax_02 = ax[0][1]
ax_02.plot(x, y_2)

ax_03 = ax[1][0]
ax_03.plot(x, y_3)

ax_04 = ax[1][1]
ax_04.plot(x, y_4)

plt.show()

结果为：

• 2.4.2 通过 fig.add_subplot() 在已经创建好的画板上再追加创建画纸

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0,10,1000)
y_1 = np.sin(x)
y_2 = np.cos(x)
y_3 = x
y_4 = x ** 3


fig = plt.figure()              # 先创建“画板”

ax_01 = fig.add_subplot(221)    # 通过“画板”来调用“画纸”
ax_01.plot(x, y_1)

ax_02 = fig.add_subplot(222)    # 通过“画板”来调用“画纸”
ax_02.plot(x, y_2)

ax_03 = fig.add_subplot(223)    # 通过“画板”来调用“画纸” 
ax_03.plot(x, y_3)

ax_04 = fig.add_subplot(224)    # 通过“画板”来调用“画纸”
ax_04.plot(x, y_4)

plt.show()

结果为：

• 2.5 面向对象接口绘图举例

• 2.5.1 折线图 ax.plot()

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-2*np.pi,2*np.pi,200)
y = np.sin(x)

fig = plt.figure()  # 建立“画板”
ax = plt.axes()   # 建立“画纸”

ax.plot(x, y, ls="-", lw=2, label="plot figure", color="c") 
ax.legend()

# plt.plot(x,y,ls="-",lw=2,label="plot figure",color="c")
# plt.legend()       #将标签显示出来
plt.show()

结果为：

• 2.5.2 散点图 ax.scatter()

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()  
ax = plt.axes() 

x = np.linspace(0.05,20,500)
y = np.random.randint(1,100,500)       

ax.scatter(x,y,label="scatter figure")
ax.legend()

# plt.scatter(x,y,label="scatter figure")
# plt.legend()
plt.show()

结果为：

• 2.5.3 柱状图 ax.bar()

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()  
ax = plt.axes()   

x = [i for i in range(1,6)]   
y = np.random.randint(45,100,5)  
z = ("小红","小明","小帅","小英","小晓")   

ax.set_ylabel("成绩")  
ax.grid(linestyle="-.", color="r", axis="y", alpha=0.15)    
ax.bar(x, y, align="center", color="c", tick_label=z, hatch="///")

# plt.ylabel("成绩")
# plt.grid(linestyle="-.",color="r",axis="y",alpha=0.15)    
# plt.bar(x,y,align="center",color="c",tick_label=z,hatch="///")
plt.show()

结果为：

• 2.6 matplotlib 陷阱

• 绝大多数 plt 函数都可以直接转换成 ax 方法，比如 plt.plot() --> ax.plot()、plt.legend() --> ax.legend() 等
• 在设置坐标轴上下限、坐标轴标题和图形标题方面，会稍有不同：
  • 设置坐标轴标题
    • plt.xlabel() --> ax.set_xlabel()
    • plt.ylabel() --> ax.set_ylabel()
  • 设置坐标轴上下限
    • plt.xlim() --> ax.set_xlim()
    • plt.ylim() --> ax.set_ylim()
  • 设置图形标题
    • plt.title() --> ax.set_title()
• 用面向对象接口画图的另外一个好处就是，你可以使用 ax.set() 对图形的属性进行一次性定义

• 3、共享绘图区域

• 3.1 设置副坐标轴

共享x轴，y轴设置副坐标轴：

import matplotlib as mpl
import matplotlib.pyplot as plt

fig, ax_01 = plt.subplots()        #生成一个画布对象fig，以及一个坐标轴实例数组ax_01


#通过实例ax_01绘制x、y坐标轴标签
x = np.linspace(0.0,4.0,100)
y_01 = np.random.randn(100)
ax_01.plot(x, y_01, c="c")        #通过实例ax_01来绘图 

ax_01.set_xlabel("x坐标轴")     
ax_01.set_ylabel("散点图的y轴")   
ax_01.tick_params("y", colors="b")  # 绘制ax_01的y坐标轴的主刻度线和刻度标签颜色(蓝色)


#通过ax.twins()来“克隆”ax_01的双胞胎轴域ax_02
ax_02 = ax_01.twinx()

x = np.linspace(0.0,4.0,100)
y_02 = x**2
ax_02.plot(x, y_02, c="r")

ax_02.set_ylabel("折线图的y轴")
ax_02.tick_params("y", colors="r")  # 绘制ax_02的y坐标轴的主刻度线和刻度标签颜色（红色）

plt.show()

结果为：

共享y轴，x轴设置副坐标轴：

import matplotlib as mpl
import matplotlib.pyplot as plt

fig, ax_01 = plt.subplots()        #生成一个画布对象fig，以及一个坐标轴实例数组ax_01


#通过实例ax_01绘制x、y坐标轴标签
x = np.linspace(0.0,4.0,100)
y_01 = np.random.randint(0, 10, 100)
ax_01.plot(x, y_01, c="c")        #通过实例ax_01来绘图 

ax_01.set_xlabel("散点图的x轴")     
ax_01.set_ylabel("y坐标轴")   
ax_01.tick_params("x", colors="b")  # 绘制ax_01的y坐标轴的主刻度线和刻度标签颜色(蓝色)


#通过ax.twins()来“克隆”ax_01的双胞胎轴域ax_02
ax_02 = ax_01.twiny()

x = np.linspace(5.0 , 10.0,100)
y_02 = np.random.randint(0, 10, 100)
ax_02.plot(x, y_02, c="r")

ax_02.set_xlabel("折线图的x轴")
ax_02.tick_params("x", colors="r")  # 绘制ax_02的y坐标轴的主刻度线和刻度标签颜色（红色）

plt.show()

结果为：

• 3.2 plt.subplots() 方法中全部子图共享某坐标轴

有时候，我们将多个子图放在一起显示，是想要某些子图之间做出对比，这个时候，我们可能想将子图的坐标轴设置得一样

• 此时我们可以通过修改 plt.subplots(shape, sharex, sharey) 里面的sharex，sharey两个参数，以sharex为例：
  • sharex="all"：所有的x轴都相同，以子图中 x 轴范围最大的作为共享 x 轴
  • sharex="row"：同一行的子图，所有的 x 轴都相同
  • sharex="col"：同一列的子图，所有的 x 轴都相同
  • sharex="none"：坐标轴不变
• sharex，sharey 两个参数都可以同时在 subplots() 中使用

import matplotlib as mpl
import matplotlib.pyplot as plt

fig, ax = plt.subplots(2, 2, sharex="all")         #修改sharex,sharey

ax_01 = ax[0,0]
x_01 = np.linspace(0.0,10.0,100)
y_01 = np.random.randn(100)
ax_01.scatter(x_01, y_01, c="c")
ax_01.set_xlabel("散点图")

ax_02 = ax[0,1]
x_02 = np.linspace(0.0,8.0,100)
y_02 = x_02**2
ax_02.plot(x_02, y_02, c="c")
ax_02.set_xlabel("折线图")

ax_03 = ax[1,0]
x_03 = np.linspace(0.0,12.0,100)
y_03 = np.cos(x_03)
ax_03.plot(x_03, y_03, lw=2, ls="-")
ax_03.grid(True, ls=":", c="g")
ax_03.set_xlabel("三角函数cos(x)")

ax_04 = ax[1,1]
x_04 = np.linspace(0.0,15.0,100)
y_04 = (x_04+3)**2
ax_04.plot(x_04, y_04, lw=2, ls="-")
ax_04.grid(True, ls=":", c="g")
ax_04.set_xlabel("折线图")

plt.suptitle("子图共享同一坐标的展示")

plt.show()

结果为：

• 3.3 plt.subplot() 方法中与某子图共享坐标轴

在使用 plt.subplot() 制图方法的时候，创建子图轴域实例的时候，用 sharex 或 sharey 参数可以指定与哪个子图共享坐标轴

import matplotlib as mpl
import matplotlib.pyplot as plt

x = np.linspace(-2*np.pi,2*np.pi,200)
y_01 = np.sin(x)
y_02 = np.cos(x)
y_03 = np.sin(x)+np.cos(x)
y_04 = x**2


ax_01 = plt.subplot(221)
ax_01.plot(x, y_01)

ax_02 = plt.subplot(222)
ax_02.plot(x, y_02)

ax_03 = plt.subplot(223)
ax_03.plot(x, y_03)

ax_04 = plt.subplot(224, sharey=ax_02)   #用sharex或sharey参数指定与哪个子图共享坐标轴，此时ax_02的y坐标轴与ax_04相同
ax_04.plot(x, y_04)

plt.show()

结果为：

• 3.4 修改子图之间的空隙

通过 fig.subplots_adjust(wspace,hspace) 中的 wspace 和 hspace 修改子图之间的空隙距离

• wspace：子图之间的宽距
• hspace：子图之间的高距

import matplotlib as mpl
import matplotlib.pyplot as plt


fig, ax = plt.subplots(2,2)        
fig.subplots_adjust(hspace=0.55, wspace=0.2)   #可以在开头就添加

ax_01 = ax[0,0]
x_01 = np.linspace(0.0,10.0,100)
y_01 = np.random.randn(100)
ax_01.scatter(x_01, y_01, c="c")
ax_01.set_xlabel("散点图")

ax_02 = ax[0,1]
x_02 = np.linspace(0.0,8.0,100)
y_02 = x_02**2
ax_02.plot(x_02, y_02, c="c")
ax_02.set_xlabel("折线图")

ax_03 = ax[1,0]
x_03 = np.linspace(0.0,12.0,100)
y_03 = np.cos(x_03)
ax_03.plot(x_03, y_03, lw=2, ls="-")
ax_03.grid(True,ls=":",c="g")
ax_03.set_xlabel("三角函数cos(x)")

ax_04 = ax[1,1]
x_04 = np.linspace(0.0,15.0,100)
y_04 = (x_04+3)**2
ax_04.plot(x_04, y_04, lw=2, ls="-")
ax_04.grid(True, ls=":", c="g")
ax_04.set_xlabel("折线图")

plt.suptitle("子图共享同一坐标的展示")

plt.show()

结果为：

• 3.5 自动调整坐标轴范围

如果觉得调整坐标轴数据范围太麻烦，可以使用函数 autoscale() ，坐标轴范围会自适应调整

• ax.autoscale(enable=True, axis="both", tight=True)
  • enable:对坐标轴范围进行自适应调整
  • axis：使 x, y 轴都进行自适应调整
  • tight：让坐标轴的范围调整到数据的范围上

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

np.random.seed(100)

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

x_01 = np.linspace(0.0,5.0,100)
y_01 = np.random.randn(100)

ax_01 = ax[0]
ax_01.scatter(x_01, y_01, c="c")
ax_01.set_xlabel("散点图")

ax_02 = ax[1]
ax_02.scatter(x_01, y_01, c="c")
ax_02.set_xlabel("散点图")
ax_02.autoscale(enable=True, axis="both", tight=True)    # 想对子图2的坐标轴范围进行调整，可以将autoscale()函数放这里，此时坐标轴的范围会从图的边缘开始

plt.show()

结果为：