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(shè)計自己的元素。上篇Matplotlib 可視化之注釋與文本高級應(yīng)用一文中，已經(jīng)接觸了注釋與文本的應(yīng)用實例，今天和云朵君一起繼續(xù)學習圖例與標簽元素的應(yīng)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(chuàng)建一個包含每個圖形元素的圖例。即使在大多數(shù)情況下，一個簡單的legend() 調(diào)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")

完整代碼解析

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。

詳細代碼解析

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(yīng)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(shù)據(jù)。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(shù)據(jù)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(shù)據(jù)，如將圖分成幾個圖分別展示。

展開全文

標題和標簽

我們已經(jīng)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(shù)時，確實比較方便。并且它們的默認位置通常對大多數(shù)圖表都比較合適。盡管如此，仍然可以使用各種參數(shù)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(fā)現(xiàn)：上圖大部分使用了默認參數(shù)。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(yīng)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(fù)雜的操作，但我認為結(jié)果在視覺上更驚艷。

完整代碼解析

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(shè)置標題

ax.set_title("三角函數(shù)", x=1, y=1.2, ha="right",size=14)

# 設(shè)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(shè)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(dǎo)致多個標簽對齊不良。

# 設(shè)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(qū)域預(yù)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]

注釋

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(shù)。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(shù)或數(shù)據(jù)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(xiàn)在應(yīng)該可以理解到為什么annotate方法提供這么多參數(shù)。

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(shù)據(jù)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。

完整代碼解析

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(fù)采用：array([1, 4, 0, 3, 2])

I = np.random.choice(len(X), size=5,

replace=False)

# 根據(jù)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)

添加標簽注釋

for i

in range(len(I)):

# 五個注釋是樣式是一樣的，可以使用循環(huán)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(cè)，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(shè)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(fù)雜的連接樣式來注釋它們:

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()]

)

也可以使用連接補片的方式在軸外來注釋的目標對象，如下圖所示。

該圖中，創(chuàng)建了幾個矩形，在一些點周圍顯示感興趣的區(qū)域，并創(chuàng)建了與相應(yīng)的縮放軸的連接。注意連接開始在外面的矩形，這是一個不錯的功能提供的注釋：可以指定對象的性質(zhì)要注釋(通過提供一個patche)和matplotlib會照顧的連接邊界的起源的patche。

完整代碼解析

from matplotlib.gridspec

import GridSpec

from matplotlib.patches

import Rectangle, ConnectionPatch

# 設(shè)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(shè)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(wǎng)格的幾何位置。需要設(shè)置網(wǎng)格的行數(shù)和列數(shù)。子圖布局參數(shù)（例如，左，右等）可以選擇性調(diào)整。

ConnectionPatch：用于在兩點之間建立連接線。

參數(shù)：

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(shè)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?qū)⒈黄涞箶?shù)拉伸。

clip_on: 設(shè)置藝術(shù)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(guī)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

【聲明】本文版權(quán)歸原作者所有，內(nèi)容為作者個人觀點，轉(zhuǎn)載目的在于傳遞更多信息，如涉及作品內(nèi)容、版權(quán)等問題，可聯(lián)系本站刪除，謝謝。