数据可视化|Python-Matplotlib可视化（6）——自定义坐标轴让统计图清晰易懂新星计划|python|数据可视化|可

Python-Matplotlib可视化（6）——自定义坐标轴让统计图清晰易懂

- 前言
- 控制刻度间距
- 控制刻度标签
- - 更简单的设置方式
  - 高级刻度标签控制
- 使用对数刻度
- 使用极坐标
- 系列链接

前言在系列博文的中，我们已经学习了如何自定义绘图的颜色和样式，以使得绘制更加精美、符合审美要求。可以用Matplotlib绘制出复杂而又精美的统计图，同时也讲解了注释的用法，但是，很多时候我们还要对坐标轴进行自定义，以满足学习或工作的要求，使统计图变得清晰简洁，考虑到这一需求，Matplotlib提供了大量针对坐标轴的操作，利用这些方法对坐标轴按照需求进行定制可以使统计图变得更加清晰明了。
控制刻度间距目前为止，我们让Matplotlib自动处理刻度在坐标轴上的位置，但有时我们需要覆盖默认的坐标轴刻度配置，以便更加快速估计图形中点的坐标。

import numpy as np import matplotlib.pyplot as plt import matplotlib.ticker as ticker x = np.linspace(-20, 20, 1024) y = np.sinc(x) ax = plt.axes() ax.xaxis.set_major_locator(ticker.MultipleLocator(5)) ax.xaxis.set_minor_locator(ticker.MultipleLocator(1)) plt.plot(x, y, c = 'm') plt.show()

数据可视化|Python-Matplotlib可视化（6）——自定义坐标轴让统计图清晰易懂

文章图片

以上代码，强制水平刻度每隔5个单位步长呈现一次。此外，我们还添加了副刻度，副刻度的间隔为1个单位步长，步骤说明如下：

首先实例化一个Axes对象——用于管理图形中的坐标轴：ax=plot.Axes()。
然后使用Locator实例设置x轴(ax.xaxis)或y轴(ax.yaxis)的主刻度和副刻度。

也为副刻度添加辅助网格：

import numpy as np import matplotlib.pyplot as plt import matplotlib.ticker as ticker x = np.linspace(-20, 20, 1024) y = np.sinc(x) ax = plt.axes() ax.xaxis.set_major_locator(ticker.MultipleLocator(5)) ax.xaxis.set_minor_locator(ticker.MultipleLocator(1)) plt.grid(True, which='both', ls='dashed') plt.plot(x, y, c = 'm') plt.show()

文章图片

Tips：我们已经知道，可以使用plt.grid()添加辅助网格，但此函数还有一个可选参数which，它具有三个可选值："minor"、"major"和"both"，分别用于仅显示副刻度、仅显示主刻度、主副刻度同时显示。

控制刻度标签是时候介绍刻度标签的设置了，刻度标签是图形空间中的坐标，虽然数字刻度标签对于大多说场景来说是足够的，但是却并不总是能够满足需求。例如，我们需要显示100个公司的营收情况，这时候我们就需要横坐标刻度标签为公司名，而非数字；同样对于时间序列，我们希望横坐标刻度标签为日期…。考虑到此类需求，我们需要使用Matplotlib为此提供了的API控制刻度标签。
可以按以下步骤为任何Matplotlib图形设置刻度标签：

import numpy as np import matplotlib.ticker as ticker import matplotlib.pyplot as plt name_list = ('Apple', 'Orange', 'Banana', 'Pear', 'Mango') value_list = np.random.randint(0, 99, size = len(name_list)) pos_list = np.arange(len(name_list)) ax = plt.axes() ax.xaxis.set_major_locator(ticker.FixedLocator((pos_list))) ax.xaxis.set_major_formatter(ticker.FixedFormatter((name_list))) plt.bar(pos_list, value_list, color = 'c', align = 'center') plt.show()

文章图片

Tips：我们首先使用ticker.Locator实例来生成刻度的位置，然后使用ticker.Formatter实例将为刻度生成标签。FixedFormatter从字符串列表中获取标签，然后用Formatter实例设置坐标轴。同时，我们还使用了FixedLocator来确保每个标签中心都正好与刻度中间对齐。

更简单的设置方式
虽然使用上述方法可以控制刻度标签，但可以看出此方法过于复杂，如果刻度标签是固定的字符列表，那么可以用以下简单的设置方法：

import numpy as np import matplotlib.pyplot as plt name_list = ('Apple', 'Orange', 'Banana', 'Pear', 'Mango') value_list = np.random.randint(0, 99, size = len(name_list)) pos_list = np.arange(len(name_list)) plt.bar(pos_list, value_list, color = 'c', align = 'center') plt.xticks(pos_list, name_list) plt.show()

文章图片

Tips：使用plt.xticks()函数为一组固定的刻度提供固定标签，此函数接受位置列表和名称列表作为参数值，可以看出，此方法比第一种方法实现起来更简单。

高级刻度标签控制
不仅可以使用固定标签，使用ticker API可以使用函数生成的标签：

import numpy as np import matplotlib.pyplot as plt import matplotlib.ticker as ticker def make_label(value, pos): return '%0.1f%%' % (100. * value) ax = plt.axes() ax.xaxis.set_major_formatter(ticker.FuncFormatter(make_label)) x = np.linspace(0, 1, 256) plt.plot(x, np.exp(-10 * x), c ='c') plt.plot(x, np.exp(-5 * x), c= 'c', ls = '--') plt.show()

文章图片

在此示例中，刻度标签是由自定义函数make_label生成的。此函数以刻度的坐标作为输入，并返回一个字符串作为坐标标签，这比给出固定的字符串列表更灵活。为了使用自定义函数，需要使用FuncFormatter实例——一个以函数为参数的格式化实例。

这种将生成标签的实际任务指派给其他函数的方法称为委托(delegation)模式，这是一种漂亮的编程技术。比方说，我们要将每个刻度显示为日期，这可以使用标准的Python时间和日期函数完成：

import numpy as np import datetime import matplotlib.pyplot as plt import matplotlib.ticker as ticker start_date = datetime.datetime(1998, 1, 1) def make_label(value, pos): time = start_date + datetime.timedelta(days = 365 * value) return time.strftime('%b %y') ax = plt.axes() ax.xaxis.set_major_formatter(ticker.FuncFormatter(make_label)) x = np.linspace(0, 1, 256) plt.plot(x, np.exp(-10 * x), c ='c') plt.plot(x, np.exp(-5 * x), c= 'c', ls = '--') labels = ax.get_xticklabels() plt.setp(labels, rotation = 30.) plt.show()

文章图片

Tips：可以利用ax.get_xticklabels()获取刻度标签实例，然后对标签进行旋转，以避免长标签之间重叠，旋转使用plt.setp()函数，其接受刻度标签实例和旋转角度作为参数值。

使用对数刻度当可视化的数据变化范围非常广时，如果仍然使用常规的坐标轴刻度，将导致数据密集显示，甚至无法看到数据的变化趋势，这时，使用对数刻度就可以对图形进行更好的展示。

import numpy as np import matplotlib.pyplot as plt x = np.linspace(1, 10, 1024) plt.yscale('log') plt.plot(x, x, c = 'c', lw = 2., label = r'$f(x)=x$') plt.plot(x, 10 ** x, c = 'y', ls = '--', lw = 2., label = r'$f(x)=e^x$') plt.plot(x, np.log(x), c = 'm', lw = 2., label = r'$f(x)=\log(x)$') plt.legend() plt.show()

文章图片

若使用常规坐标轴刻度，则图形将变得混乱：

文章图片

Tips：通过向plt.yscale()函数传递'log'参数值来得到对数刻度，；其他可用缩放类型参数值还包括'linear'、'symlog'等。同样，我们也可以使用plt.xscale()在x轴上获得相同的结果默认情况下，对数基数为10，但可以使用可选参数basex和basey进行更改。设置对数刻度适用于任何图形，而不仅仅是曲线图。

同样，使用对数标度也可以用于放大范围非常大的数据上的一个小范围：

import numpy as np import matplotlib.pyplot as plt x = np.linspace(-100, 100, 4096) plt.xscale('symlog', linthreshx=6.) plt.plot(x, np.sinc(x), c = 'c') plt.show()

文章图片

Tips：将"symlog"作为plt.xscale()的参数值，可以设置以0为中心的对称对数刻度，如通过设置"linthreshx=6"，指定了对数刻度的范围为[-6, 6]，此时，在[-6, 6]范围内使用对数刻度，而超出该范围则使用线性刻度。这样，我们既可以详细地查看某个范围内的数据，同时仍然可以查看大量范围外数据的大致特征。

使用极坐标有些图形的绘制和角度有着密不可分的关系。例如，扬声器的功率取决于测量的角度。此时，极坐标就是表示此类数据关系的最佳选择。

import numpy as np import matplotlib.pyplot as plt t = np.linspace(0 , 2 * np.pi, 1024) plt.axes(polar = True) plt.plot(t, 1. + .25 * np.sin(16 * t), c= 'm') plt.show()

文章图片

Tips：plt.axes()可以显式的创建一个Axes实例，从而进行一些自定义的设置。只需使用可选的polar参数即可设置使用极坐标。

虽然绘制曲线可能是极坐标最常见的用法。但是，我们也可以使用极坐标绘制其他任何类型的图形，如条形图和形状。例如，使用极坐标和多边形，可以绘制雷达图：

import numpy as np import matplotlib.patches as patches import matplotlib.pyplot as plt ax = plt.axes(polar = True) theta = np.linspace(0, 2 * np.pi, 8, endpoint = False) radius = .25 + .75 * np.random.random(size = len(theta)) points = np.vstack((theta, radius)).transpose() plt.gca().add_patch(patches.Polygon(points, color = 'c')) plt.show()

文章图片

Tips：这里所用的多边形坐标是多边形顶点与原点间的角度和距离，不需要执行从极坐标到笛卡尔坐标的显式转换。

系列链接 【数据可视化|Python-Matplotlib可视化（6）——自定义坐标轴让统计图清晰易懂】Python-Matplotlib可视化（1）——一文详解常见统计图的绘制
Python-Matplotlib可视化（2）——自定义颜色绘制精美统计图
Python-Matplotlib可视化（3）——自定义样式绘制精美统计图
Python-Matplotlib可视化（4）——添加注释让统计图通俗易懂
Python-Matplotlib可视化（5）——添加自定义形状绘制复杂图形
Python-Matplotlib可视化（7）——多方面自定义统计图绘制
Python-Matplotlib可视化（8）——图形的输出与保存
Python-Matplotlib可视化（9）——精通更多实用图形的绘制
Python-Matplotlib可视化（10）——一文详解3D统计图的绘制