数据科学 IPython 笔记本 8.11 多个子图

8.11 多个子图

原文:Multiple Subplots

译者:飞龙

协议:CC BY-NC-SA 4.0

本节是《Python 数据科学手册》(Python Data Science Handbook)的摘录。

有时,并排比较不同的数据视图会很有帮助。为此,Matplotlib 具有子图的概念:可以在单个图形中一起存在的较小轴域分组。这些子图可能是插图,绘图网格或其他更复杂的布局。在本节中,我们将探讨在 Matplotlib 中创建子图的四个例程。

%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('seaborn-white')
import numpy as np

plt.axes:手动创建子图

创建轴域的最基本方法是使用plt.axes函数。正如我们之前看到的,默认情况下,这会创建一个填充整个图形的标准轴域对象。plt.axes也有一个可选参数,它是图坐标系中四个数字的列表。这些数字代表图形坐标系中的“左,底,宽,高”``,其范围从图的左下角的 0 到图的右上角的 1。

例如,我们可以通过将xy位置设置为 0.65(也就是说,从图形宽度的 65% 和高度的 65% 开始),xy范围为 0.2(即轴域的大小是图形宽度的 20% 和高度的 20%),在另一个轴域的右上角创建一个插入的轴域:

ax1 = plt.axes()  # 标准轴域
ax2 = plt.axes([0.65, 0.65, 0.2, 0.2])

png

在面向对象的接口中,这个命令的等价物是fig.add_axes()。 让我们用它来创建两个垂直堆叠的轴:

fig = plt.figure()
ax1 = fig.add_axes([0.1, 0.5, 0.8, 0.4],
                   xticklabels=[], ylim=(-1.2, 1.2))
ax2 = fig.add_axes([0.1, 0.1, 0.8, 0.4],
                   ylim=(-1.2, 1.2))

x = np.linspace(0, 10)
ax1.plot(np.sin(x))
ax2.plot(np.cos(x));

png

我们现在有两个刚刚接触的轴域(顶部没有刻度标签):上面板的底部(位置为 0.5)匹配下面板的顶部(位置为 0.1 + 0.4)。

plt.subplot:子图的简单网格

子图的对齐的列或行是一个常见的需求,Matplotlib 有几个便利例程,使它们易于创建。其中最低级别是plt.subplot(),它在网格中创建一个子图。如你所见,此命令接受三个整数参数 - 行数,列数和要在此图案中创建的绘图的索引,从左上角到右下角:

for i in range(1, 7):
    plt.subplot(2, 3, i)
    plt.text(0.5, 0.5, str((2, 3, i)),
             fontsize=18, ha='center')

png

命令plt.subplots_adjust可用于调整这些图之间的间距。下面的代码使用等效的面向对象命令fig.add_subplot()

fig = plt.figure()
fig.subplots_adjust(hspace=0.4, wspace=0.4)
for i in range(1, 7):
    ax = fig.add_subplot(2, 3, i)
    ax.text(0.5, 0.5, str((2, 3, i)),
           fontsize=18, ha='center')

png

我们使用了plt.subplots_adjusthspacewspace参数,它们沿图的高度和宽度指定间距,以子图大小为单位(这里,间距是子图宽度和高度的 40%。

plt.subplots:一次创建整个网格

在创建大型子图网格时,刚才描述的方法会变得相当繁琐,特别是如果你想在内部绘图上隐藏x轴和y轴标签。为此,plt.subplots()是更容易使用的工具(注意subplots末尾的s)。 该函数不创建单个子图,而是在一行中创建完整的子图网格,并在 NumPy 数组中返回它们。参数是行数和列数,以及可选关键字sharexsharey,它们允许你指定不同轴之间的关系。

在这里,我们将创建2x3子图的网格,其中同一行中的所有轴域共享其y轴刻度,并且同一列中的所有轴域共享其x轴刻度:

fig, ax = plt.subplots(2, 3, sharex='col', sharey='row')

png

请注意,通过指定sharexsharey,我们会自动删除网格上的内部标签,来使绘图更清晰。生成的轴域网格实例在 NumPy 数组中返回,允许使用标准数组索引表示法,方便地指定所需的轴域:

# ax 是二维数组,由 [row, col] 索引
for i in range(2):
    for j in range(3):
        ax[i, j].text(0.5, 0.5, str((i, j)),
                      fontsize=18, ha='center')
fig

png

plt.subplot()相比,plt.subplots()与 Python 传统的基于 0 的索引更加一致。

plt.GridSpec:更加复杂的排列

为了超越常规网格,转向跨越多行和列的子图,plt.GridSpec()是最好的工具。
plt.GridSpec()对象本身不会创建一个图;它只是一个方便的接口,可以通过plt.subplot()命令识别。例如,具有指定宽度和高度间距的,两行和三列网格的gridspec如下所示:

grid = plt.GridSpec(2, 3, wspace=0.4, hspace=0.3)

从这里我们可以使用熟悉的 Python 切片语法来指定子图位置和范围:

plt.subplot(grid[0, 0])
plt.subplot(grid[0, 1:])
plt.subplot(grid[1, :2])
plt.subplot(grid[1, 2]);

png

这种类型的灵活网格对齐具有广泛的用途。我最经常在创建多轴域直方图时使用它,如下图所示:

# 创建一些正态分布的数据
mean = [0, 0]
cov = [[1, 1], [1, 2]]
x, y = np.random.multivariate_normal(mean, cov, 3000).T

# 使用 gridspec 建立轴域
fig = plt.figure(figsize=(6, 6))
grid = plt.GridSpec(4, 4, hspace=0.2, wspace=0.2)
main_ax = fig.add_subplot(grid[:-1, 1:])
y_hist = fig.add_subplot(grid[:-1, 0], xticklabels=[], sharey=main_ax)
x_hist = fig.add_subplot(grid[-1, 1:], yticklabels=[], sharex=main_ax)

# 主要轴域上的散点图
main_ax.plot(x, y, 'ok', markersize=3, alpha=0.2)

# 附加轴域上的直方图
x_hist.hist(x, 40, histtype='stepfilled',
            orientation='vertical', color='gray')
x_hist.invert_yaxis()

y_hist.hist(y, 40, histtype='stepfilled',
            orientation='horizontal', color='gray')
y_hist.invert_xaxis()

png

这种类型的分布与其外边距一起绘制,这是很常见的,它在 Seaborn 包中有自己的绘图 API; 详细信息请参阅“使用 Seaborn 进行可视化”。

展开阅读全文
©️2020 CSDN 皮肤主题: 黑客帝国 设计师: 上身试试 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值