发表更新DataScience22 分钟读完 (大约3286个字)

Matplotlib 可视化应用基础

笔记是针对 Python 可视化工具 Matplotlib 基本信息总结，针对的版本是 3.3.1

TL;DR

  1. 图形是对象，所有对象都是 Artists
  2. 图形对象是具有层级关系
  3. 图像优化可以选择具体的对象进行分别优化
  4. 数据可视化建议，先简单摸索后优化

作为 Python 可视化中的重要工具，matplotlib 有广泛的应用——不仅是一个独立 package，而且常被作为其他可视化依赖工具——例如 pandas 和 seaborn 可视化均有相关依赖。

1. 图形对象

matplotlib 中可视化元素都是对象，理解作为对象的方法以及元素对象在结构上的关系是有必要的。下图说明了表明了图形对象结构:

图摘自:Usage Guide — Matplotlib documentation

上图描述了图形的主要对象包括：

  • Title： 图形标题
  • Spines： 图形边框
  • Axis： 图形坐标轴，包括 X 轴和 Y 轴
    • Axis label： 坐标轴标签
    • Axis tick： 坐标轴刻度
    • Tick label： 坐标轴刻度标签
  • Legend： 图形图例，用于说明图形某些信息，例如 circle 大小、颜色等对应数据等关系
  • 其他 Artists：这个是一个泛指统称，指在绘图中表达的数据信息以及表达形式，例如散点图中的 circle，线性图中的 line，直方图中的 bar

这些信息也说明了，在进行绘图时需要考虑到有哪些对象可以使用，即可以被用于制图

1.1 图形对象层次关系

以上的图说明了图形有哪些对象，应用上需要对图形的对象之间的关系进行一个初步认识：

图摘自:Python Plotting With Matplotlib (Guide) – Real Python

上图说明了图形对象的层次的关系：

  • Figure：所有的图形对象都包括在该对象中，由其他对象组成构成了一个完整的图。它记录了所有的子对象包括 Axes 以及 “画布”对象 canvas

    • Axes：包括了整个图形中主要了图形元素对象，例如 标题、坐标轴、图形信息。它包括了所有的 Artists 对象，是具有数据的图像区域
      • Title： 标题
      • Axis：坐标轴，用于处理图形中数据范围，它是一个类似线性数据的对象（Number-line-like Objects）。其下有 Locator 对象控制坐标轴刻度位置，Formatter 对象决定坐标轴刻度标签的格式等表现形式
        • Locator
        • Formatter
      • 其他 Artists：具体图形信息，例如图像的文本信息（Text 对象），图像的线性信息（Line2D 对象）饼状图以及其他变形图形信息（Patch 对象）

  • Artists：所有的 Artist 对象包括了所有在图像中可见的对象（甚至包括 Figure， Axes 和 Axis 对象，包括上面提到的文本信息对象、信息对象等）。所有的 Artists 对象被绘制到“画布”上，当然是在 Figure 对象被渲染时。⚠️注意有些 Artist 对象是被绑定到了 Axes 对象中而不能被共享（例如数据信息对象）

上图部分信息展示了简介对象层次结构，下图更充分展现了完整对象结构：

2. 绘制图形

前文对图形对象和对象层级关系进行了简要概述，下文将从实践的方面来了解 matplotlib 的可视化操作。

2.1 创建 Figure 对象

Figure 对象是整个图形的“根基”，创建的过程中可以使用 figure、subplots 等多种方法得到实例化的 Figure。几种常用的初始化方法示例:

1
2
3
4
5
6
7
8
9
10
11
12
>>> # Load package
>>> from matplotlib import pyplot as plt
>>> import matplotlib as mpl

>>> # figure instance by using figure method
>>> fig1 = plt.figure() # 返回一个 Figure
 <Figure size 432x288 with 0 Axes>
>>> # figure instance by using subplots
>>> fig2, ax = plt.subplots(1,2)
>>> # check the type of figure
>>> type(fig1), type(fig2)
(matplotlib.figure.Figure, matplotlib.figure.Figure)

以上两种方法中，直接使用 figure 方法相关参数如下：

matplotlib.pyplot.figure(num=None, figsize=None, dpi=None, facecolor=None,
edgecolor=None, frameon=True, FigureClass=<class ‘matplotlib.figure.Figure’>,
clear=False, **kwargs)

使用 subplots 方法相关参数如下:

matplotlib.pyplot.subplots(nrows=1, ncols=1, sharex=False, sharey=False,
squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)

2.2 使用 Axes 绘图

图形的数据信息对象 Artists，可以通过 Axes 对象实现绘制。Axes 对象可以通过前文中 subplots 方法创建 figure 时得到，也可以通过 gca 方法得到该对象，其底层逻辑为：

图摘自:Python Plotting With Matplotlib (Guide) – Real Python

2.2.1 绘制基本图形

获取 Axes 对象的常用方式如下：

1
2
3
4
>>> # 方法一，直接通过 subplots 方法得到
>>> fig, ax = plt.subplots(*args, **kwargs)
>>> # 方法二，通过 gca 方法获取
>>> fig = plt.subplot(); ax = plt.gca()

通过 Axes 对象绘图的方式，是使用该对象下绘图方法实现；而其他标题、坐标轴等绘制，需要通过响应的 set 方法实现：

1
2
3
4
5
6
7
8
9
10
>>> # 比较常用的是使用 figsize 调整整个图形大小
>>> height_width = 6
>>> fig = plt.figure(figsize=(height_width, height_width))
>>> # 获取 axes 对象
>>> ax = plt.gca()
>>> # 使用 axes 对象 bar 方法进行绘条形图
>>> x = [1, 2, 3, 4]
>>> height = [8, 9, 10, 6]
>>> ax.bar(x, height)
>>> plt.show()

图形效果如下：

2.2.2 修改标题以及轴标签

完成图形基本绘制之后，继续对标题、坐标轴标签、刻度标签以及条形图的 Bar 调整：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
>>> # 设置标题，还可以传入其他字体参数用于调整字体大小颜色等，传入 loc 传入可以控制标题位置
>>> ax.set_title("This is test plot", fontsize=20, color="red", loc="left")

>>> # 设置 x 标签，还可以传入其他字体参数用于调整字体大小颜色等
>>> ax.set_xlabel("X label", fontsize=16, color="green")
>>> # 设置 y 标签
>>> ax.set_ylabel("Y label", fontsize=25, color="cyan")
>>> # 设置 x 刻度标签
>>> ax.set_xticks(x)
>>> ax.set_xticklabels(["A", "B", "C", "D"])

>>> # 设置背景颜色
>>> ax.set_facecolor("azure")
>>> # 调用 fig 显示图形
>>> fig

图形效果如下：

轴标签的调整涉及到，刻度位置、方向以及文本大小的调整。对于坐标刻度的标签字体等调整，需要使用 axes 对象下的 tick_params 方法，而非 axis 对象下的方法：

Axes.tick_params(axis=’both’, **kwargs)

axis : {'x', 'y', 'both'}, optional
    Which axis to apply the parameters to.

color : color
    Tick color; accepts any mpl color spec.

pad : float
    Distance in points between tick and label.

labelsize : float or str
    Tick label font size in points or as a string (e.g., 'large').

labelcolor : color
    Tick label color; mpl color spec.

colors : color
    Changes the tick color and the label color to the same value: mpl color spec.

bottom, top, left, right : bool
    Whether to draw the respective ticks.

labelbottom, labeltop, labelleft, labelright : bool
    Whether to draw the respective tick labels.

labelrotation : float
    Tick label rotation

使用的示例方法如下：

1
2
3
4
5
6
>>> # 设置了 x 轴的颜色，字体大小和旋转
>>> ax.tick_params(axis="x", colors="deeppink", labelsize=12, labelrotation=40) 

>>> # 设置了 y 轴的字体大小，填充大小以及坐标轴位置
>>> ax.tick_params(axis="y", labelsize=25, pad=20, labelright=True,right=True, left=False, labelleft=False) 
>>> fig

示例效果如下:

2.2.3 修改 patch 颜色

条形图中的 bar 对象可以通过 patches 属性获取，可以通过 patch 属性的 set_color() 方法修改图形颜色：

1
2
3
4
5
6
# 遍历 patch 对象的方式，可以来分别调整每个 bar 的颜色，注意后两个颜色是 16 进制数据
colors = ["aquamarine", "olive", "#1e90ff", "#add8e6"]
>>> for index, patch in enumerate(ax.patches):
>>>     patch.set_color(colors[index])

>>> fig

图形效果如下:

2.2.4 数据标注

将数据信息表达出来，需要使用 Axes 对象来控制 Text 对象，其中参数如下

Axes.text(x, y, s, fontdict=None, withdash=False, **kwargs)

x, y : scalars
    The position to place the text.
s : str
    The text

使用示例如下：

1
2
3
4
5
>>> # 需要使用的数据是 x 和 y 的位置以及数据。 y 的位置和数据 s 可以通过之前的 height 得到，x 坐标位置可以通过 x 数据得到
>>> for x_index, value in zip(x, height):
>>>     ax.text(x=x_index-0.2, y=value+0.2, s="#{}".format(value), color="deepskyblue", fontsize=13)
    
>>> fig

结果如下：

在表达数据信息时，可能遇到不仅仅需要直接表现具体数据，而且需要图例来说明图形信息，因此需要对图形添加 legend。由于之前没有设置 legend 相关信息，需要先从 Axes 对象中得到 legend 信息，它包括了 handles 和 labels 两个对象，之后利用处理完对象之后，使用 legend 方法即可以完成图像图例。

Axes.get_legend_handles_labels(legend_handler_map=None)

Return handles and labels for legend

具体的使用示例如下:

1
2
3
4
5
6
7
8
9
>>> handles, labels = ax.get_legend_handles_labels()

>>> for patch in ax.patches:
>>>     handles.append(patch)
>>> labels = ["A", "B", "C", "D"]

>>> # 需要使用 legend 来完成 legend 设置
>>> ax.legend(handles, labels, loc="best")
>>> fig

示例效果如下：

上述是指导绘图的一般方式，而实际应用中方法和调用参数并不完全一致，解决问题的方式是没有完全标准的答案。例如 pandas 中 DataFrame 封装来 plot 方法可以快速绘图，此外还可以直接使用 pyplot 模块中相关方法绘图。

2.3 使用 pyplot 方法绘图

从前文可知 Axes 绘图更精细，但是 plot 绘图的方式更快速，两者在图形调整上都具有相通性——绘图和调整图形都需要控制相应的对象 Axes 需要使用 set 等方式，而 plot 可以直接使用对象名称进行绘图。图形优化和调整的方面还是可以考虑之前的方案，使用 plt.gca() 方法来得到 Axes 对象进行调整。

2.3.1 绘制散点图及其调整示例一

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
>>> # load package
>>> import numpy as np
>>> import pandas as pd
>>>
>>> x = np.random.randint(100, size=40)
>>> y = np.array([i + np.random.randint(-10, 10) for i in x])
>>> 
>>> y_series = pd.Series()

>>> marker = y_series.apply(lambda i: 'd' if i > 50 else 'o')
>>> color = ["fuchsia" if i > 10 else "black" for i in y]
>>> height_width = 5
>>> fig = plt.figure(figsize=(height_width, height_width))
>>> 
>>> plt.scatter(x, y, c=color)
>>> # 设置标题
>>> plt.title("Test the scatter", fontsize=20, loc="left", color="cyan")
>>> 
>>> # 设置轴标签
>>> plt.xlabel("Xlabel", fontsize=16, color="green")
>>> # 图像中中文字体乱码的解决可以通过传入 family 参数，值为系统中已有的中文字体名称即可
>>> plt.ylabel("Ylabel 标签", fontsize=12, color="grey")
>>> # plt.ylabel("Ylabel 标签", fontsize=12, color="grey", family="STHeiti")
>>> 
>>> # 设置坐标轴刻度范围
>>> plt.xlim(-10, 150)
>>> plt.ylim(-10, 120)
>>> 
>>> # 设置坐标轴刻度标签字体
>>> plt.tick_params(axis="x", labelsize=10, labelcolor="blue")
>>> 
>>> # 设置 figure 和 axes 背景颜色
>>> fig.set_facecolor("azure")
>>> 
>>> ax = plt.gca()
>>> ax.set_facecolor("beige")
>>> 
>>> plt.show()

结果示例：

2.3.2 绘制散点图以及调整示例二

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
>>> height_width = 5
>>> fig = plt.figure(figsize=(height_width, height_width))
>>> 
>>> plt.scatter(x, y, c=color)
>>> # 设置标题
>>> plt.title("Test the scatter", fontsize=20, loc="left", color="cyan")
>>> 
>>> # 设置轴标签
>>> plt.xlabel("Xlabel", fontsize=16, color="green")
>>> # 图像中中文字体乱码的解决可以通过传入 family 参数，值为系统中已有的中文字体名称即可
>>> # plt.ylabel("Ylabel 标签", fontsize=12, color="grey")
>>> plt.ylabel("Ylabel 标签", fontsize=12, color="black", family="STHeiti")
>>> 
>>> # 设置坐标轴刻度范围
>>> plt.xlim(-10, 150)
>>> plt.ylim(-10, 120)
>>> 
>>> # 设置坐标轴刻度标签字体
>>> plt.tick_params(axis="x", labelsize=10, labelcolor="blue")
>>> 
>>> # 设置 figure 和 axes 背景颜色
>>> fig.set_facecolor("azure")
>>> 
>>> ax = plt.gca()
>>> ax.set_facecolor("beige")
>>> 
>>> # 删除边框，需要选择不同位置对 spines 分别调整——设置不可以见，即用 set_visible 方法传入 False 值
>>> for loc in ["top", "left", "right", "bottom"]:
>>>     ax.spines[loc].set_visible(False)
>>> 
>>> 
>>> plt.show()

结果示例:

参考

  1. Matplotlib User’s Guide
  2. Python Plotting With Matplotlib (Guide) – Real Python
  3. RGB颜色值与十六进制颜色码转换工具

Matplotlib 可视化应用基础

https://zenray.github.io/[object%20Object]/Python-Matplotlib%E5%8F%AF%E8%A7%86%E5%8C%96%E5%BA%94%E7%94%A8%E5%9F%BA%E7%A1%80/

作者

ZenRay

发布于

2021-01-07

更新于

2021-04-11

许可协议

CC BY-NC-SA 4.0

#

最新文章

分类

标签

DataAnalysis14
DataScience1
DevOps3
FeatureEngineering1
GPG1
Git2
GitHub1
HBase1
Hexo2
Linux2
MachineLearning2
Machinelearning6
Markdonw1
Matplotlib1
NLP3
Note38
Pandas1
Paper1
PySpark2
Python9
R1
SQL2
Statistic6
TimeSeries1
Trick2
Ubuntu1
machinelearning3
note2
python1
关系型数据库2
摄影1
社科2
统计学习2
费孝通1
关注我
×