【python数据分析（23）】Matplotlib库绘图的子图、主次刻度、注解、图表输出

柔光的暖阳◎ 2023-07-13 15:13 40阅读 0赞

## 1、 子图 ##

1）在matplotlib中，整个图像为一个Figure对象；

2）在Figure对象中可以包含一个或者多个Axes对象；

3）每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域

#### 1.1 `plt.figure`绘制子图 ####

**1）直接通过`num`参数绘制子图**

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

常使用的是前五个参数：  
`num=None` 第几个图像  
`figsize=None` 图像的大小  
`dpi=None` 图像的清晰度  
`facecolor=None` 前景色设置  
`edgecolor=None` 边缘色设置

fig1 = plt.figure(num=1,figsize=(4,2))
    plt.plot(np.random.rand(50).cumsum(),'k--')
    fig2 = plt.figure(num=2,figsize=(4,2))
    plt.plot(50-np.random.rand(50).cumsum(),'k--')

–> 输出的结果为：（当我们调用`plot`时，如果设置`plt.figure()`，则会自动调用`figure()`生成一个`figure`, 严格的讲，是生成`subplots(111)`，注意这里有`s`的，之后的内容会将到这个`subplots`）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70]  
**2）先建立子图然后填充图表**

fig = plt.figure(figsize=(10,3),facecolor = 'gray')
    
    ax1 = fig.add_subplot(1,2,1)  # 第一行的左图
    plt.plot(np.random.rand(50).cumsum(),'k--')
    plt.plot(np.random.randn(50).cumsum(),'b--')
    
    ax2 = fig.add_subplot(1,2,2)  # 第一行的右图
    ax2.hist(np.random.rand(50),alpha=0.5,edgecolor = 'k')

–> 输出的结果为：（注意这里的方法是`fig.add_subplot()`，后面是没有`s`的，要和下面要介绍的方法区别开，这个`add_subplot()`是需要创建一个大画布对象之后再添加子图）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 1]

#### 1.2 `plt.subplots`绘制子图 ####

`plt.subplots()`创建一个新的figure，并返回一个`subplot`对象的`numpy`数组

fig,axes = plt.subplots(2,2,figsize=(10,4))
    ts = pd.Series(np.random.randn(1000).cumsum())
    print(axes, axes.shape, type(axes))

–> 输出的结果为：(生成图表对象的数组，默认是只有画布的，没有图像)  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 2]  
**1） 通过数组指定绘制子图的位置**

ax1 = axes[0,0]
    ax2 = axes[1,0]
    ax1.plot(ts)
    ax2.plot(ts,color='g')

–> 输出的结果为：（注意上面的`axes.shape`的输出，被命名的绘制子图数组的范围应该在这个输出的范围之内）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 3]  
**2） 通过`plot()`括号内的`ax`参数子图设置**

ts.plot(ax = axes[0,1], color = 'k')
    ts.plot(ax = axes[1,1], color = 'y')

–> 输出的结果为：（这两行代码是和上面一个`cell`中的，由于使用的随机数，所以最后的图形是不一样的，注意这两个绘图的区别）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 4]

#### 1.3 子图参数调整 ####

使用上面的方式可以创建子图，那么对子图进行调整的话，就需要进一步设置代码了，常使用的就是下面的四个参数

`sharex`,`sharey`：是否共享x，y刻度  
`wspace`,`hspace`：用于控制宽度和高度的百分比，比如`subplot`之间的间距

fig,axes = plt.subplots(2,2,sharex=True,sharey=True)
    
    for i in range(2):
        for j in range(2):
            axes[i,j].hist(np.random.randn(500),color='k',alpha=0.5,edgecolor = 'k')
    plt.subplots_adjust(wspace=0,hspace=0)

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 5]

#### 1.4 多系列图，分别绘制 ####

这种就是根据创建的`DataFrame`的`columns`中的元素进行绘制

df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD'))
    df = df.cumsum()
    df.plot(style = '-.',alpha = 0.7,grid = True,figsize = (16,4),
           subplots = True,
           layout = (1,4))
    plt.subplots_adjust(wspace=0.1,hspace=0)

–> 输出的结果为：（可以从图例上看出，每个子图都是对应的`columns`中的一列数据，如果要绘制在一个图上，将`plot`中的最后两个参数去掉即可）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 6]

## 2、主次刻度 ##

之前也讲过刻度的相关的知识点，这里主要是介绍的坐标轴上的主次刻度的划分，这里需要单独引入`ticker`中的两个模块进行设置 `MultipleLocator`, `FormatStrFormatter`

`set_major_locator()` 设置主刻度  
`set_minor_locator()` 设置次刻度  
`set_major_formatter()` 设置主刻度格式  
`plt.NullLocator()` 删除刻度显示  
`plt.NullFormatter()` 删除文本格式

次刻度只是范围的划定，并不显示对应的数值或字符，一般就不需要设置次刻度的格式

from matplotlib.ticker import MultipleLocator, FormatStrFormatter
    t = np.arange(0.0, 100.0, 1)
    s = np.sin(0.1*np.pi*t)*np.exp(-t*0.01)
    fig = plt.figure(figsize = (10,8))
    ax = plt.subplot(111) 
    plt.plot(t,s,'--*')
    
    xmajorLocator = MultipleLocator(10) # 将x主刻度标签设置为10的倍数
    xmajorFormatter = FormatStrFormatter('%.0f') # 设置x轴标签文本的格式
    xminorLocator   = MultipleLocator(5) # 将x轴次刻度标签设置为5的倍数 
    ymajorLocator = MultipleLocator(0.5) # 将y轴主刻度标签设置为0.5的倍数
    ymajorFormatter = FormatStrFormatter('%.1f') # 设置y轴标签文本的格式
    yminorLocator   = MultipleLocator(0.1) # 将此y轴次刻度标签设置为0.1的倍数 
    
    ax.xaxis.set_major_locator(xmajorLocator)  # 设置x轴主刻度
    ax.xaxis.set_major_formatter(xmajorFormatter)  # 设置x轴标签文本格式
    ax.xaxis.set_minor_locator(xminorLocator)  # 设置x轴次刻度
    
    ax.yaxis.set_major_locator(ymajorLocator)  # 设置y轴主刻度
    ax.yaxis.set_major_formatter(ymajorFormatter)  # 设置y轴标签文本格式
    ax.yaxis.set_minor_locator(yminorLocator)  # 设置y轴次刻度
    
    ax.xaxis.grid(True, linestyle = "-",which='both') #x坐标轴的网格使用主刻度
    ax.yaxis.grid(True, linestyle = "-",which='minor') #y坐标轴的网格使用次刻度
    
    #删除坐标轴的刻度显示
    #ax.yaxis.set_major_locator(plt.NullLocator()) 
    #ax.xaxis.set_major_formatter(plt.NullFormatter())

–> 输出的结果为：（注意这里输出的y轴上主刻度上显示的虚线，是个人倾向设置的默认样式，如果之前没有设置，这里应该是什么也没有的）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 7]

## 3、注解 ##

`plt.text`(x,y,s,\*\*kwargs) 横坐标，纵坐标，注解字符串，和其他参数（对注解的文本进行设置的参数，比如下面的fontsize）

#### 3.1 单个文本数据注解 ####

df = pd.DataFrame(np.random.randn(10,2))
    df.plot(style = '--o')
    plt.text(5,0.5,'hahaha',fontsize=10)

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 8]

#### 3.2 多文本数据注解 ####

进行单文本注释，在日常工作中并不怎么常用，经常使用的方式还是进行多文本数据的注释（比如希望直接在图线上显示对应的y轴信息，一般是数值的显示），代码操作如下

df = pd.DataFrame(np.random.randn(10,1))
    df.plot(style = '--o')
    
    for i,j in zip(df.index,df.values):
        plt.text(i-0.05,j+0.1, '%.f' %j, fontsize = 10)

–> 输出的结果为：（可以通过`i`和`j`的数值大小进行注释文本数据的上下左右位置的调节，字符串可以使用格式化的方式输出）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 9]

## 4、图表输出 ##

`plt.savefig()` 第一个参数就是文件输出的路径，其次主要使用的参数就是`dpi`图像的像素大小(分辨率)设定，影响了输出图像的清晰度

1） 也可以有其他参数的设定，一般不再这里使用，因为执行到这一步主要是进行图像存储的，需要调整的话应在这步之前就已经将图像的格式调整完毕了

2） 输出的图像的格式可以通过后缀名进行指定，常见的文件格式可以有png，pdf，svg，ps，eps…等

df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD'))
    df = df.cumsum()
    df.plot(style = '--.',alpha = 0.5)
    plt.legend(loc = 'upper left')
    plt.savefig('C:\\Users\\86177\\Desktop\\demo.png',
                dpi=400,
                bbox_inches = 'tight',
                facecolor = 'g',
                edgecolor = 'b')

–> 输出的结果为：（`bbox_inches`：图表需要保存的部分。如果设置为`‘tight’`，则尝试剪除图表周围的空白部分。`facecolor`，`edgecolor`： 图像的背景色，默认为`‘w’`（白色））  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 10]  
关于`dpi`分辨率的设定，建议也在之前的个人风格中进行设定一下，`dpi=400`，已经够用了，可以看出上图即便是直接上传到博客，其清晰度也十分不错

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70]: /images/20230529/4ec1376b907c472daa0d600bc62e2e4b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 1]: /images/20230529/09ec0b5896084c91bab5a245a37c586f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 2]: /images/20230529/c8622d9949ed4f08a21ebea8dba63f7e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 3]: /images/20230529/3debd6b8b1a54eee82c1933110dfeacb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 4]: /images/20230529/3aee0a9d893d492daf6cbda5cb978a04.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 5]: /images/20230529/48bd4376098e48f5a7805efe47384fca.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 6]: /images/20230529/d56c3c849f2b413d9c856fe013112666.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 7]: /images/20230529/cf9159d6458042ca8e1b52ae220402b4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 8]: /images/20230529/b0b1c04a291a4228ab25ba2f18c658f5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 9]: /images/20230529/f4f136f0d0b04e1da309c171803bf514.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 10]: /images/20230529/445459a4cd9a40959806eeadea525935.png