Matplotlib 可视化之图例与标签高级应用

百家 作者:AI100 2022-05-12 20:21:26

作者 | 云朵君     

来源 | 数据STUDIO
装饰物指的是你可以添加到一个图形上的所有额外元素,以美化它或使它更清晰。装饰物包括图例、注释、颜色条、文本等标准元素,但也可以专门设计自己的元素。今天一起继续学习图例与标签元素的应用实例。

配置图例

想在可视化图形中使用图例,可以为不同的图形元素分配标签。
图例非常容易使用,只要求用户命名图。Matplotlib将自动创建一个包含每个图形元素的图例。即使在大多数情况下,一个简单的legend() 调用就足够了,但图例还是提供了几个选项,允许我们自定义图例的各个配置。如使用
ax.legend(loc='upper left',
          frameon=False,
          edgecolor="None")

完整代码解析

上下滑动查看更多源码
fig = plt.figure(figsize=(9.64))
ax = plt.subplot(
    xlim=[-np.pi, np.pi],
    xticks=[-np.pi, -np.pi / 20, np.pi / 2, np.pi],
    xticklabels=["$-\pi$""$-\pi/2$""0""$+\pi/2$""$+\pi$"],
    ylim=[-11],
    yticks=[-101],
    yticklabels=["-1""0""+1"],
)

X = np.linspace(-np.pi, np.pi, 256, endpoint=True)
C, S = np.cos(X), np.sin(X)
# 绘制两条折线,颜色默认
ax.plot(X, C, label="$cos(x)$", clip_on=False)
ax.plot(X, S, label="$sin(x)$", clip_on=False)
# 隐藏上右边的轴线
ax.spines["right"].set_visible(False)
ax.spines["top"].set_visible(False)
# 移动下左边的轴线
ax.spines["left"].set_position(("data"-3.25))
ax.spines["bottom"].set_position(("data"-1.25))
ax.legend(edgecolor="None",loc=2,frameon=False)
然而,在某些情况下,用图例来添加信息可能不是最合适的方式。例如,当你有多个图表时,读者在阅读图表,视线在图表和图例之间来回切换时,可能会觉得很乏味。另一种可以解决此类困惑的方法是在下图所示的图上直接添加信息。

详细代码解析

上下滑动查看更多源码
X = np.linspace(-np.pi, np.pi, 400, endpoint=True)
C, S = np.cos(X), np.sin(X)
plot1, plot2 = plot(ax) # 绘制折线图的对象
# --------------------P1-------------------------
# 用小横线标注在折线旁边
ax.text(
    X[-1], C[-1],
    " — " + plot1.get_label(), # 从对象中获取标签   
    color=plot1.get_color(),   # 从对象中获取线条颜色
    size="small", ha="left", va="center",)
# --------------------P2--------------------------
# 标注在对应折线上,且有透明边框
ax.text(
    X[100], C[100],
    " " + plot1.get_label(),
    bbox=dict(facecolor="white", edgecolor="None", alpha=0.85),
    color=plot1.get_color(),
    ha="center", va="center", size="small",
    rotation=42.5,)
# --------------------P3--------------------------
# 使用箭头
ax.annotate(
    "$cos(x)$",
    (X[100], C[100]),
    size="medium",
    color=plot1.get_color(),
    xytext=(-50, +10),
    textcoords="offset points",
    arrowprops=dict(
        arrowstyle="->", color=plot1.get_color(), 
        connectionstyle="arc3,rad=-0.3"),)
# --------------------P4--------------------------
# 圈点和注释的组合
index = 10
ax.scatter(
    [X[index]], [C[index]],
    s=100, marker="o", zorder=10,     
    edgecolor=plot1.get_color(),
    facecolor="white", linewidth=1, clip_on=False,)
ax.text(
    X[index], 1.01 * C[index],
    "A",
    zorder=20,size="small",
    color=plot1.get_color(),
    ha="center", va="center", clip_on=False,)
当然,这里是没有最好的选择,因为它真的取决于数据。对于上述的sin / cos的示例(非常简单),这四种解决方案都是合适的,但当有很多实际数据一起使用时,可能这种方法就失效了。此时我们可能需要寻求其他方式来标记数据,如将图分成几个图分别展示。

标题和标签

我们已经使用 set_titleset_xlabelset_ylabel 方法操作了标题和标签。当仅仅使用默认参数时,确实比较方便。并且它们的默认位置通常对大多数图表都比较合适。尽管如此,仍然可以使用各种参数来定制和美化图形。
如下面两个图所示,对比观察,可以明显发现:上图大部分使用了默认参数。而下图中,用轴标签替换轴刻度标签,即在轴中间加上说明标签,为了使其更靠近轴,删除了可能与标签碰撞的中心刻度。此外,将标题其向右移动,并相应地移动图例框,将其放置在标题下方,并且使用一行两列的排列方式。其实这里没有做过复杂的操作,但我认为结果在视觉上更惊艳。

完整代码解析

ax.legend(
    edgecolor="None",
    ncol=2,
    loc="upper right",
    bbox_to_anchor=(1.011.225),   
    # 用于与loc一起定位图例的框。(x, y, width, height)
    borderaxespad=1,                
    # 轴线和图例边框之间的填充,以字体大小为单位。
)
# 设置标题
ax.set_title("三角函数", x=1, y=1.2, ha="right",size=14)
# 设置x轴标签
ax.set_xlabel("角度", va="center", weight="bold",size=12)
ax.xaxis.set_label_coords(0.5-0.25)
# 设置标签的坐标。
# 默认情况下,y 标签的 x 坐标和 x 标签的 y 坐标由刻度标签边界框确定,
# 但是如果有多个轴,这可能会导致多个标签对齐不良。
# 设置y轴标签
ax.set_ylabel("值", ha="center", weight="bold",size=12)
ax.yaxis.set_label_coords(-0.0250.5)
在某些情况下(如会议海报),可能需要让标题更吸引眼球,如下图所示。这可以通过使用make_axes_locatable 方法来划分每个轴,并为标题区域预留15%的高度。在这个图中,还用Latex 插入了一个完全对齐的文本,它可以被看作是另一种形式或(高级)装饰。
完整代码参见latex-text-box[1]

注释

在matplotlib中,注释可能是最难处理的对象。原因是它包含的概念众多,而这些概念又具有大量的参数。此外,由于注释所涉及的文本大小是按点排列的,这无疑又是雪上加霜。此外可能需要混合使用像素、点、分数或数据单元中的绝对坐标或相对坐标。你可以这么认为,你可以对具有任何类型投影的任何轴进行注释,那么你现在应该可以理解到为什么annotate方法提供这么多参数。

上面这段话比较抽象,接下来我们一起看下具体例子。注释图形最简单的方法是在想要注释的点附近添加标签,如下图所示。图中,为了使得标签独立于数据分布保持可读性,为标签添加了一个白色的轮廓。然而,如果这样的点过多,所有不同的标签可能会使图形变得混乱,并可能会掩盖潜在的重要信息。

完整代码解析

上下滑动查看更多源码
import matplotlib.patheffects as path_effects
fig = plt.figure(figsize=(105))
ax = plt.subplot(121, xlim=[-1, +1], 
                 xticks=[], ylim=[-1, +1], 
                 yticks=[], aspect=1)
# --------------------------------------------- 
# 绘制散点图
np.random.seed(123)
X = np.random.normal(00.351000)
Y = np.random.normal(00.351000)

ax.scatter(X, Y, edgecolor="None", s=60,
           facecolor="C1", alpha=0.5)

# 不重复采用:array([1, 4, 0, 3, 2])
I = np.random.choice(len(X), size=5
                     replace=False)
# 根据y值,从大到小排序
Px, Py = X[I], Y[I]
I = np.argsort(Y[I])[::-1]
Px, Py = Px[I], Py[I]
# 将随机选取的五个点用黑色边框框选出
ax.scatter(Px, Py, edgecolor="black", facecolor="white", zorder=20)
ax.scatter(Px, Py, edgecolor="None", facecolor="C1", alpha=0.5, zorder=30)

添加标签注释

for i in range(len(I)):
# 五个注释是样式是一样的,可以使用循环添加
    text = ax.annotate(
        "Point " + chr(ord("A") + i),
        xy=(Px[i], Py[i]),
        xycoords="data",
        xytext=(018),
        textcoords="offset points",
        ha="center",
        size="medium",
        arrowprops=dict(
            arrowstyle="->", shrinkA=0, shrinkB=5, color="black", linewidth=0.75),
    )
    text.set_path_effects(
        [path_effects.Stroke(linewidth=2, foreground="white"), path_effects.Normal()]
    )
    text.arrow_patch.set_path_effects(
        [path_effects.Stroke(linewidth=2, foreground="white"), path_effects.Normal()]
    )
另一种方法是将标签推到图的一侧,并使用虚线来建立点和标签之间的链接,如下图所示。
但这些形状、位置、排列方式等样式的设计并不是图形自动的,为了绘制出该图形,就必须计算几乎所有的东西。
首先,为了不让线相互交叉,将目标标记的点排序:
X = np.random.normal(0.351000
Y = np.random.normal(0.351000)
ax.scatter(X, Y, edgecolor="None"
           facecolor="C1", alpha=0.5)
I = np.random.choice(len(X), size=5, replace=False)
Px, Py = X[I], Y[I]
I = np.argsort(Y[I])[::-1]
Px, Py = Px[I], Py[I]
从这些点开始,使用一个相当复杂的连接样式来注释它们:
上下滑动查看更多源码
y, dy = 0.250.125
style = "arc,angleA=-0,angleB=0,armA=-100,armB=0,rad=0"
for i in range(len(I)):
    text = ax2.annotate(
        "Point " + chr(ord("A") + i),
        xy=(Px[i], Py[i]),
        xycoords="data",
        xytext=(1.25, y - i * dy),
        textcoords="data",
        arrowprops=dict(
            arrowstyle="->",
            color="black",
            linewidth=0.75,
            shrinkA=20,
            shrinkB=5,
            patchA=None,
            patchB=None,
            connectionstyle=style,
        ),
    )
    text.arrow_patch.set_path_effects(
        [path_effects.Stroke(linewidth=2, foreground="white"), path_effects.Normal()]
    )
也可以使用连接补片的方式在轴外来注释的目标对象,如下图所示。
该图中,创建了几个矩形,在一些点周围显示感兴趣的区域,并创建了与相应的缩放轴的连接。注意连接开始在外面的矩形,这是一个不错的功能提供的注释:可以指定对象的性质要注释(通过提供一个patche)和matplotlib会照顾的连接边界的起源的patche。

完整代码解析

上下滑动查看更多源码
from matplotlib.gridspec import GridSpec
from matplotlib.patches import Rectangle, ConnectionPatch
# 设置画布
fig = plt.figure(figsize=(65))
n = 5
gs = GridSpec(n, n + 1)
ax = plt.subplot( gs[:n, :n], 
          xlim=[-1, +1], xticks=[], 
          ylim=[-1, +1], yticks=[], aspect=1)

# 绘制散点图略(见上面代码)
dx, dy = 0.0750.075
for i, (x, y) in enumerate(zip(Px, Py)):
# 设置子画布
    sax = plt.subplot(
        gs[i, n],
        xlim=[x - dx, x + dx],
        xticks=[],
        ylim=[y - dy, y + dy],
        yticks=[],
        aspect=1,)
# 在子画布上绘制散点
    sax.scatter(X, Y, edgecolor="None"
                facecolor="C1", alpha=0.5,s=60)
    sax.scatter(Px, Py, edgecolor="black"
                facecolor="None", linewidth=0.75,s=60)
# 加上注释
    sax.text(
        1.10.5,
        "Point " + chr(ord("A") + i),
        rotation=90, size=8, ha="left", va="center",
        transform=sax.transAxes, )
# 绘制矩形
    rect = Rectangle(
        (x - dx, y - dy),
        2 * dx, 2 * dy,
        edgecolor="black", facecolor="None",
        linestyle="--", linewidth=0.75, )
    ax.add_patch(rect)
# 绘制连接补丁Patch
    con = ConnectionPatch(
        xyA=(x, y), coordsA=ax.transData,
        xyB=(00.5), coordsB=sax.transAxes,
        linestyle="--", linewidth=0.75,
        patchA=rect, arrowstyle="->", )
    fig.add_artist(con)
GridSpec:指定子图将放置的网格的几何位置。需要设置网格的行数和列数。子图布局参数(例如,左,右等)可以选择性调整。
ConnectionPatch:用于在两点之间建立连接线。
上下滑动查看更多参数
参数:
  • xyA: 它是x-y图上也称为点A的连接线的起点。
  • xyB: 它是x-y图上连接线的起点,也称为点B。
  • coordsA: A点的坐标。
  • coordsB: B点的坐标。
  • axesA: 它是x-y图上连接轴的起点。
  • axesB: 它是x-y图上连接轴的终点。
  • arrowstyle: 用于设置连接箭头的样式。其默认类型为“-”。
  • arrow_transmuter: 用于忽略连接线。
  • connectionstyle: 它描述了posA和posB的连接方式。它可以是ConnectionStyle类的实例,也可以是connectionstyle名称的字符串,它具有可选的逗号分隔属性。
  • connector: 通常忽略它,并决定忽略哪个连接器。
  • patchA: 用于在A点添加补丁。
  • patchB: 用于在B点添加补丁
  • shrinkA: 用于在A点收缩连接器。
  • shrinkB: 用于在B点收缩连接器。
  • mutation_scale: 箭头样式的属性(例如head_length)的缩放比例值。
  • mutation_aspect: 变异前,矩形的高度将被该值挤压,变异框将被其倒数拉伸。
  • clip_on: 设置艺术家是否使用剪辑。
  • dpi_cor: dpi_cor当前用于linewidth-related事物和收缩因子。突变规模受此影响。

参考资料

[1]

latex-text-box: https://github.com/rougier/scientific-visualization-book/blob/master/code/ornaments/latex-text-box.py

[2]

Scientific Visualisation-Python & Matplotlib


资讯

变身「毒」苹果?全球首个DMP漏洞

资讯

程序员化身“侦探”识破AI律所骗局

技术

浅谈Python中的字符串格式化输出

技术

10个有趣的Python高级脚本!


分享

点收藏

点点赞

点在看

关注公众号:拾黑(shiheibook)了解更多

[广告]赞助链接:

四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

公众号 关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接
百度热搜榜
排名 热点 搜索指数