Matplotlib 可視化之圖例與標簽高級應用
加入技術交流群
以下文章來源于數據STUDIO ，作者云朵君
作者 | 云朵君
來源 | 數據STUDIO
裝飾物指的是你可以添加到一個圖形上的所有額外元素，以美化它或使它更清晰。裝飾物包括圖例、注釋、顏色條、文本等標準元素，但也可以專門設計自己的元素。今天一起繼續學習圖例與標簽元素的應用實例。配置圖例
想在可視化圖形中使用圖例，可以為不同的圖形元素分配標簽。圖例非常容易使用，只要求用戶命名圖。Matplotlib將自動創建一個包含每個圖形元素的圖例。即使在大多數情況下，一個簡單的legend() 調用就足夠了，但圖例還是提供了幾個選項，允許我們自定義圖例的各個配置。如使用
ax.legend(loc='upper left',
frameon=False,
edgecolor="None")
上下滑動查看更多源碼
fig = plt.figure(figsize=(9.6, 4))
ax = plt.subplot(
xlim=[-np.pi, np.pi],
xticks=[-np.pi, -np.pi / 2, 0, np.pi / 2, np.pi],
xticklabels=["$-\pi$", "$-\pi/2$", "0", "$+\pi/2$", "$+\pi$"],
ylim=[-1, 1],
yticks=[-1, 0, 1],
yticklabels=["-1", "0", "+1"],
)
X = np.linspace(-np.pi, np.pi, 256, endpoint=True)
C, S = np.cos(X), np.sin(X)
# 繪制兩條折線，顏色默認
ax.plot(X, C, label="$cos(x)$", clip_on=False)
ax.plot(X, S, label="$sin(x)$", clip_on=False)
# 隱藏上右邊的軸線
ax.spines["right"].set_visible(False)
ax.spines["top"].set_visible(False)
# 移動下左邊的軸線
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，在某些情況下，用圖例來添加信息可能不是最合適的方式。例如，當你有多個圖表時，讀者在閱讀圖表，視線在圖表和圖例之間來回切換時，可能會覺得很乏味。另一種可以解決此類困惑的方法是在下圖所示的圖上直接添加信息。上下滑動查看更多源碼
X = np.linspace(-np.pi, np.pi, 400, endpoint=True)
C, S = np.cos(X), np.sin(X)
plot1, plot2 = plot(ax) # 繪制折線圖的對象
# --------------------P1-------------------------
# 用小橫線標注在折線旁邊
ax.text(
X[-1], C[-1],
" — " + plot1.get_label(), # 從對象中獲取標簽
color=plot1.get_color(), # 從對象中獲取線條顏色
size="small", ha="left", va="center",)
# --------------------P2--------------------------
# 標注在對應折線上，且有透明邊框
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--------------------------
# 使用箭頭
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--------------------------
# 圈點和注釋的組合
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,)當然，這里是沒有最好的選擇，因為它真的取決于數據。對于上述的sin / cos的示例(非常簡單)，這四種解決方案都是合適的，但當有很多實際數據一起使用時，可能這種方法就失效了。此時我們可能需要尋求其他方式來標記數據，如將圖分成幾個圖分別展示。標題和標簽
我們已經使用 set_title、set_xlabel 和 set_ylabel 方法操作了標題和標簽。當僅僅使用默認參數時，確實比較方便。并且它們的默認位置通常對大多數圖表都比較合適。盡管如此，仍然可以使用各種參數來定制和美化圖形。如下面兩個圖所示，對比觀察，可以明顯發現：上圖大部分使用了默認參數。而下圖中，用軸標簽替換軸刻度標簽，即在軸中間加上說明標簽，為了使其更靠近軸，刪除了可能與標簽碰撞的中心刻度。此外，將標題其向右移動，并相應地移動圖例框，將其放置在標題下方，并且使用一行兩列的排列方式。其實這里沒有做過復雜的操作，但我認為結果在視覺上更驚艷。
ax.legend(
edgecolor="None",
ncol=2,
loc="upper right",
bbox_to_anchor=(1.01, 1.225),
# 用于與loc一起定位圖例的框。(x, y, width, height)
borderaxespad=1,
# 軸線和圖例邊框之間的填充，以字體大小為單位。
)
# 設置標題
ax.set_title("三角函數", x=1, y=1.2, ha="right",size=14)
# 設置x軸標簽
ax.set_xlabel("角度", va="center", weight="bold",size=12)
ax.xaxis.set_label_coords(0.5, -0.25)
# 設置標簽的坐標。
# 默認情況下，y 標簽的 x 坐標和 x 標簽的 y 坐標由刻度標簽邊界框確定，
# 但是如果有多個軸，這可能會導致多個標簽對齊不良。
# 設置y軸標簽
ax.set_ylabel("值", ha="center", weight="bold",size=12)
ax.yaxis.set_label_coords(-0.025, 0.5)
在某些情況下(如會議海報)，可能需要讓標題更吸引眼球，如下圖所示。這可以通過使用make_axes_locatable 方法來劃分每個軸，并為標題區域預留15%的高度。在這個圖中，還用Latex 插入了一個完全對齊的文本，它可以被看作是另一種形式或(高級)裝飾。完整代碼參見latex-text-box[1]
在matplotlib中，注釋可能是最難處理的對象。原因是它包含的概念眾多，而這些概念又具有大量的參數。此外，由于注釋所涉及的文本大小是按點排列的，這無疑又是雪上加霜。此外可能需要混合使用像素、點、分數或數據單元中的絕對坐標或相對坐標。你可以這么認為，你可以對具有任何類型投影的任何軸進行注釋，那么你現在應該可以理解到為什么annotate方法提供這么多參數。
上面這段話比較抽象，接下來我們一起看下具體例子。注釋圖形最簡單的方法是在想要注釋的點附近添加標簽，如下圖所示。圖中，為了使得標簽獨立于數據分布保持可讀性，為標簽添加了一個白色的輪廓。然而，如果這樣的點過多，所有不同的標簽可能會使圖形變得混亂，并可能會掩蓋潛在的重要信息。
上下滑動查看更多源碼
import matplotlib.patheffects as path_effects
fig = plt.figure(figsize=(10, 5))
ax = plt.subplot(1, 2, 1, xlim=[-1, +1],
xticks=[], ylim=[-1, +1],
yticks=[], aspect=1)
# ---------------------------------------------
# 繪制散點圖
np.random.seed(123)
X = np.random.normal(0, 0.35, 1000)
Y = np.random.normal(0, 0.35, 1000)
ax.scatter(X, Y, edgecolor="None", s=60,
facecolor="C1", alpha=0.5)
# 不重復采用：array([1, 4, 0, 3, 2])
I = np.random.choice(len(X), size=5,
replace=False)
# 根據y值，從大到小排序
Px, Py = X[I], Y[I]
I = np.argsort(Y[I])[::-1]
Px, Py = Px[I], Py[I]
# 將隨機選取的五個點用黑色邊框框選出
ax.scatter(Px, Py, edgecolor="black", facecolor="white", zorder=20)
ax.scatter(Px, Py, edgecolor="None", facecolor="C1", alpha=0.5, zorder=30)for i in range(len(I)):
# 五個注釋是樣式是一樣的，可以使用循環添加
text = ax.annotate(
"Point " + chr(ord("A") + i),
xy=(Px[i], Py[i]),
xycoords="data",
xytext=(0, 18),
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()]
)
另一種方法是將標簽推到圖的一側，并使用虛線來建立點和標簽之間的鏈接，如下圖所示。但這些形狀、位置、排列方式等樣式的設計并不是圖形自動的，為了繪制出該圖形，就必須計算幾乎所有的東西。首先，為了不讓線相互交叉，將目標標記的點排序:
X = np.random.normal(0, .35, 1000)
Y = np.random.normal(0, .35, 1000)
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]
從這些點開始，使用一個相當復雜的連接樣式來注釋它們：
上下滑動查看更多源碼
y, dy = 0.25, 0.125
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()]
)上下滑動查看更多源碼
from matplotlib.gridspec import GridSpec
from matplotlib.patches import Rectangle, ConnectionPatch
# 設置畫布
fig = plt.figure(figsize=(6, 5))
n = 5
gs = GridSpec(n, n + 1)
ax = plt.subplot( gs[:n, :n],
xlim=[-1, +1], xticks=[],
ylim=[-1, +1], yticks=[], aspect=1)
# 繪制散點圖略（見上面代碼）
dx, dy = 0.075, 0.075
for i, (x, y) in enumerate(zip(Px, Py)):
# 設置子畫布
sax = plt.subplot(
gs[i, n],
xlim=[x - dx, x + dx],
xticks=[],
ylim=[y - dy, y + dy],
yticks=[],
aspect=1,)
# 在子畫布上繪制散點
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)
# 加上注釋
sax.text(
1.1, 0.5,
"Point " + chr(ord("A") + i),
rotation=90, size=8, ha="left", va="center",
transform=sax.transAxes, )
# 繪制矩形
rect = Rectangle(
(x - dx, y - dy),
2 * dx, 2 * dy,
edgecolor="black", facecolor="None",
linestyle="--", linewidth=0.75, )
ax.add_patch(rect)
# 繪制連接補丁Patch
con = ConnectionPatch(
xyA=(x, y), coordsA=ax.transData,
xyB=(0, 0.5), coordsB=sax.transAxes,
linestyle="--", linewidth=0.75,
patchA=rect, arrowstyle="->", )
fig.add_artist(con)GridSpec：指定子圖將放置的網格的幾何位置。需要設置網格的行數和列數。子圖布局參數（例如，左，右等）可以選擇性調整。ConnectionPatch：用于在兩點之間建立連接線。
上下滑動查看更多參數
參數：xyA: 它是x-y圖上也稱為點A的連接線的起點。xyB: 它是x-y圖上連接線的起點，也稱為點B。coordsA: A點的坐標。coordsB: B點的坐標。axesA: 它是x-y圖上連接軸的起點。axesB: 它是x-y圖上連接軸的終點。arrowstyle: 用于設置連接箭頭的樣式。其默認類型為“-”。arrow_transmuter: 用于忽略連接線。connectionstyle: 它描述了posA和posB的連接方式。它可以是ConnectionStyle類的實例，也可以是connectionstyle名稱的字符串，它具有可選的逗號分隔屬性。connector: 通常忽略它，并決定忽略哪個連接器。patchA: 用于在A點添加補丁。patchB: 用于在B點添加補丁shrinkA: 用于在A點收縮連接器。shrinkB: 用于在B點收縮連接器。mutation_scale: 箭頭樣式的屬性(例如head_length)的縮放比例值。mutation_aspect: 變異前，矩形的高度將被該值擠壓，變異框將被其倒數拉伸。clip_on: 設置藝術家是否使用剪輯。dpi_cor: dpi_cor當前用于linewidth-related事物和收縮因子。突變規模受此影響。
參考資料[1]
latex-text-box: https://github.com/rougier/scientific-visualization-book/blob/master/code/ornaments/latex-text-box.py
[2]Scientific Visualisation-Python & Matplotlib
*博客內容為網友個人發布，僅代表博主個人觀點，如有侵權請聯系工作人員刪除。
