• 9.1 matplotlib API入门
    • Figure和Subplot
    • 调整subplot周围的间距
    • 颜色、标记和线型
    • 刻度、标签和图例
    • 设置标题、轴标签、刻度以及刻度标签
    • 添加图例
    • 注解以及在Subplot上绘图
    • 将图表保存到文件
    • matplotlib配置

    9.1 matplotlib API入门

    matplotlib的通常引入约定是:

    1. In [11]: import matplotlib.pyplot as plt

    在Jupyter中运行%matplotlib notebook(或在IPython中运行%matplotlib),就可以创建一个简单的图形。如果一切设置正确,会看到图9-1:

    1. In [12]: import numpy as np
    2. In [13]: data = np.arange(10)
    3. In [14]: data
    4. Out[14]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    5. In [15]: plt.plot(data)

    图9-1 简单的线图

    虽然seaborn这样的库和pandas的内置绘图函数能够处理许多普通的绘图任务,但如果需要自定义一些高级功能的话就必须学习matplotlib API。

    笔记:虽然本书没有详细地讨论matplotlib的各种功能,但足以将你引入门。matplotlib的示例库和文档是学习高级特性的最好资源。

    Figure和Subplot

    matplotlib的图像都位于Figure对象中。你可以用plt.figure创建一个新的Figure:

    1. In [16]: fig = plt.figure()

    如果用的是IPython,这时会弹出一个空窗口,但在Jupyter中,必须再输入更多命令才能看到。plt.figure有一些选项,特别是figsize,它用于确保当图片保存到磁盘时具有一定的大小和纵横比。

    不能通过空Figure绘图。必须用add_subplot创建一个或多个subplot才行:

    1. In [17]: ax1 = fig.add_subplot(2, 2, 1)

    这条代码的意思是:图像应该是2×2的(即最多4张图),且当前选中的是4个subplot中的第一个(编号从1开始)。如果再把后面两个subplot也创建出来,最终得到的图像如图9-2所示:

    1. In [18]: ax2 = fig.add_subplot(2, 2, 2)
    2. In [19]: ax3 = fig.add_subplot(2, 2, 3)

    图9-2 带有三个subplot的Figure

    提示:使用Jupyter notebook有一点不同,即每个小窗重新执行后,图形会被重置。因此,对于复杂的图形,,你必须将所有的绘图命令存在一个小窗里。

    这里,我们运行同一个小窗里的所有命令:

    1. fig = plt.figure()
    2. ax1 = fig.add_subplot(2, 2, 1)
    3. ax2 = fig.add_subplot(2, 2, 2)
    4. ax3 = fig.add_subplot(2, 2, 3)

    如果这时执行一条绘图命令(如plt.plot([1.5, 3.5, -2, 1.6])),matplotlib就会在最后一个用过的subplot(如果没有则创建一个)上进行绘制,隐藏创建figure和subplot的过程。因此,如果我们执行下列命令,你就会得到如图9-3所示的结果:

    1. In [20]: plt.plot(np.random.randn(50).cumsum(), 'k--')

    图9-3 绘制一次之后的图像

    “k—“是一个线型选项,用于告诉matplotlib绘制黑色虚线图。上面那些由fig.add_subplot所返回的对象是AxesSubplot对象,直接调用它们的实例方法就可以在其它空着的格子里面画图了,如图9-4所示:

    1. In [21]: ax1.hist(np.random.randn(100), bins=20, color='k', alpha=0.3)
    2. In [22]: ax2.scatter(np.arange(30), np.arange(30) + 3 * np.random.randn(30))

    图9-4 继续绘制两次之后的图像

    你可以在matplotlib的文档中找到各种图表类型。

    创建包含subplot网格的figure是一个非常常见的任务,matplotlib有一个更为方便的方法plt.subplots,它可以创建一个新的Figure,并返回一个含有已创建的subplot对象的NumPy数组:

    1. In [24]: fig, axes = plt.subplots(2, 3)
    2. In [25]: axes
    3. Out[25]:
    4. array([[<matplotlib.axes._subplots.AxesSubplot object at 0x7fb626374048>,
    5. <matplotlib.axes._subplots.AxesSubplot object at 0x7fb62625db00>,
    6. <matplotlib.axes._subplots.AxesSubplot object at 0x7fb6262f6c88>],
    7. [<matplotlib.axes._subplots.AxesSubplot object at 0x7fb6261a36a0>,
    8. <matplotlib.axes._subplots.AxesSubplot object at 0x7fb626181860>,
    9. <matplotlib.axes._subplots.AxesSubplot object at 0x7fb6260fd4e0>]], dtype
    10. =object)

    这是非常实用的,因为可以轻松地对axes数组进行索引,就好像是一个二维数组一样,例如axes[0,1]。你还可以通过sharex和sharey指定subplot应该具有相同的X轴或Y轴。在比较相同范围的数据时,这也是非常实用的,否则,matplotlib会自动缩放各图表的界限。有关该方法的更多信息,请参见表9-1。

    表9-1 pyplot.subplots的选项

    调整subplot周围的间距

    默认情况下,matplotlib会在subplot外围留下一定的边距,并在subplot之间留下一定的间距。间距跟图像的高度和宽度有关,因此,如果你调整了图像大小(不管是编程还是手工),间距也会自动调整。利用Figure的subplots_adjust方法可以轻而易举地修改间距,此外,它也是个顶级函数:

    1. subplots_adjust(left=None, bottom=None, right=None, top=None,
    2. wspace=None, hspace=None)

    wspace和hspace用于控制宽度和高度的百分比,可以用作subplot之间的间距。下面是一个简单的例子,其中我将间距收缩到了0(如图9-5所示):

    1. fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)
    2. for i in range(2):
    3. for j in range(2):
    4. axes[i, j].hist(np.random.randn(500), bins=50, color='k', alpha=0.5)
    5. plt.subplots_adjust(wspace=0, hspace=0)

    图9-5 各subplot之间没有间距

    不难看出,其中的轴标签重叠了。matplotlib不会检查标签是否重叠,所以对于这种情况,你只能自己设定刻度位置和刻度标签。后面几节将会详细介绍该内容。

    颜色、标记和线型

    matplotlib的plot函数接受一组X和Y坐标,还可以接受一个表示颜色和线型的字符串缩写。例如,要根据x和y绘制绿色虚线,你可以执行如下代码:

    1. ax.plot(x, y, 'g--')

    这种在一个字符串中指定颜色和线型的方式非常方便。在实际中,如果你是用代码绘图,你可能不想通过处理字符串来获得想要的格式。通过下面这种更为明确的方式也能得到同样的效果:

    1. ax.plot(x, y, linestyle='--', color='g')

    常用的颜色可以使用颜色缩写,你也可以指定颜色码(例如,’#CECECE’)。你可以通过查看plot的文档字符串查看所有线型的合集(在IPython和Jupyter中使用plot?)。

    线图可以使用标记强调数据点。因为matplotlib可以创建连续线图,在点之间进行插值,因此有时可能不太容易看出真实数据点的位置。标记也可以放到格式字符串中,但标记类型和线型必须放在颜色后面(见图9-6):

    1. In [30]: from numpy.random import randn
    2. In [31]: plt.plot(randn(30).cumsum(), 'ko--')

    图9-6 带有标记的线型图示例

    还可以将其写成更为明确的形式:

    1. plot(randn(30).cumsum(), color='k', linestyle='dashed', marker='o')

    在线型图中,非实际数据点默认是按线性方式插值的。可以通过drawstyle选项修改(见图9-7):

    1. In [33]: data = np.random.randn(30).cumsum()
    2. In [34]: plt.plot(data, 'k--', label='Default')
    3. Out[34]: [<matplotlib.lines.Line2D at 0x7fb624d86160>]
    4. In [35]: plt.plot(data, 'k-', drawstyle='steps-post', label='steps-post')
    5. Out[35]: [<matplotlib.lines.Line2D at 0x7fb624d869e8>]
    6. In [36]: plt.legend(loc='best')

    图9-7 不同drawstyle选项的线型图

    你可能注意到运行上面代码时有输出。matplotlib会返回引用了新添加的子组件的对象。大多数时候,你可以放心地忽略这些输出。这里,因为我们传递了label参数到plot,我们可以创建一个plot图例,指明每条使用plt.legend的线。

    笔记:你必须调用plt.legend(或使用ax.legend,如果引用了轴的话)来创建图例,无论你绘图时是否传递label标签选项。

    刻度、标签和图例

    对于大多数的图表装饰项,其主要实现方式有二:使用过程型的pyplot接口(例如,matplotlib.pyplot)以及更为面向对象的原生matplotlib API。

    pyplot接口的设计目的就是交互式使用,含有诸如xlim、xticks和xticklabels之类的方法。它们分别控制图表的范围、刻度位置、刻度标签等。其使用方式有以下两种:

    • 调用时不带参数,则返回当前的参数值(例如,plt.xlim()返回当前的X轴绘图范围)。
    • 调用时带参数,则设置参数值(例如,plt.xlim([0,10])会将X轴的范围设置为0到10)。

    所有这些方法都是对当前或最近创建的AxesSubplot起作用的。它们各自对应subplot对象上的两个方法,以xlim为例,就是ax.get_xlim和ax.set_xlim。我更喜欢使用subplot的实例方法(因为我喜欢明确的事情,而且在处理多个subplot时这样也更清楚一些)。当然你完全可以选择自己觉得方便的那个。

    设置标题、轴标签、刻度以及刻度标签

    为了说明自定义轴,我将创建一个简单的图像并绘制一段随机漫步(如图9-8所示):

    1. In [37]: fig = plt.figure()
    2. In [38]: ax = fig.add_subplot(1, 1, 1)
    3. In [39]: ax.plot(np.random.randn(1000).cumsum())

    图9-8 用于演示xticks的简单线型图(带有标签)

    要改变x轴刻度,最简单的办法是使用set_xticks和set_xticklabels。前者告诉matplotlib要将刻度放在数据范围中的哪些位置,默认情况下,这些位置也就是刻度标签。但我们可以通过set_xticklabels将任何其他的值用作标签:

    1. In [40]: ticks = ax.set_xticks([0, 250, 500, 750, 1000])
    2. In [41]: labels = ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'],
    3. ....: rotation=30, fontsize='small')

    rotation选项设定x刻度标签倾斜30度。最后,再用set_xlabel为X轴设置一个名称,并用set_title设置一个标题(见图9-9的结果):

    1. In [42]: ax.set_title('My first matplotlib plot')
    2. Out[42]: <matplotlib.text.Text at 0x7fb624d055f8>
    3. In [43]: ax.set_xlabel('Stages')

    图9-9 用于演示xticks的简单线型图

    Y轴的修改方式与此类似,只需将上述代码中的x替换为y即可。轴的类有集合方法,可以批量设定绘图选项。前面的例子,也可以写为:

    1. props = {
    2. 'title': 'My first matplotlib plot',
    3. 'xlabel': 'Stages'
    4. }
    5. ax.set(**props)

    添加图例

    图例(legend)是另一种用于标识图表元素的重要工具。添加图例的方式有多种。最简单的是在添加subplot的时候传入label参数:

    1. In [44]: from numpy.random import randn
    2. In [45]: fig = plt.figure(); ax = fig.add_subplot(1, 1, 1)
    3. In [46]: ax.plot(randn(1000).cumsum(), 'k', label='one')
    4. Out[46]: [<matplotlib.lines.Line2D at 0x7fb624bdf860>]
    5. In [47]: ax.plot(randn(1000).cumsum(), 'k--', label='two')
    6. Out[47]: [<matplotlib.lines.Line2D at 0x7fb624be90f0>]
    7. In [48]: ax.plot(randn(1000).cumsum(), 'k.', label='three')
    8. Out[48]: [<matplotlib.lines.Line2D at 0x7fb624be9160>]

    在此之后,你可以调用ax.legend()或plt.legend()来自动创建图例(结果见图9-10):

    1. In [49]: ax.legend(loc='best')

    图9-10 带有三条线以及图例的简单线型图

    legend方法有几个其它的loc位置参数选项。请查看文档字符串(使用ax.legend?)。

    loc告诉matplotlib要将图例放在哪。如果你不是吹毛求疵的话,”best”是不错的选择,因为它会选择最不碍事的位置。要从图例中去除一个或多个元素,不传入label或传入label=’nolegend‘即可。(中文第一版这里把best错写成了beat)

    注解以及在Subplot上绘图

    除标准的绘图类型,你可能还希望绘制一些子集的注解,可能是文本、箭头或其他图形等。注解和文字可以通过text、arrow和annotate函数进行添加。text可以将文本绘制在图表的指定坐标(x,y),还可以加上一些自定义格式:

    1. ax.text(x, y, 'Hello world!',
    2. family='monospace', fontsize=10)

    注解中可以既含有文本也含有箭头。例如,我们根据最近的标准普尔500指数价格(来自Yahoo!Finance)绘制一张曲线图,并标出2008年到2009年金融危机期间的一些重要日期。你可以在Jupyter notebook的一个小窗中试验这段代码(图9-11是结果):

    1. from datetime import datetime
    2. fig = plt.figure()
    3. ax = fig.add_subplot(1, 1, 1)
    4. data = pd.read_csv('examples/spx.csv', index_col=0, parse_dates=True)
    5. spx = data['SPX']
    6. spx.plot(ax=ax, style='k-')
    7. crisis_data = [
    8. (datetime(2007, 10, 11), 'Peak of bull market'),
    9. (datetime(2008, 3, 12), 'Bear Stearns Fails'),
    10. (datetime(2008, 9, 15), 'Lehman Bankruptcy')
    11. ]
    12. for date, label in crisis_data:
    13. ax.annotate(label, xy=(date, spx.asof(date) + 75),
    14. xytext=(date, spx.asof(date) + 225),
    15. arrowprops=dict(facecolor='black', headwidth=4, width=2,
    16. headlength=4),
    17. horizontalalignment='left', verticalalignment='top')
    18. # Zoom in on 2007-2010
    19. ax.set_xlim(['1/1/2007', '1/1/2011'])
    20. ax.set_ylim([600, 1800])
    21. ax.set_title('Important dates in the 2008-2009 financial crisis')

    图9-11 2008-2009年金融危机期间的重要日期

    这张图中有几个重要的点要强调:ax.annotate方法可以在指定的x和y坐标轴绘制标签。我们使用set_xlim和set_ylim人工设定起始和结束边界,而不使用matplotlib的默认方法。最后,用ax.set_title添加图标标题。

    更多有关注解的示例,请访问matplotlib的在线示例库。

    图形的绘制要麻烦一些。matplotlib有一些表示常见图形的对象。这些对象被称为块(patch)。其中有些(如Rectangle和Circle),可以在matplotlib.pyplot中找到,但完整集合位于matplotlib.patches。

    要在图表中添加一个图形,你需要创建一个块对象shp,然后通过ax.add_patch(shp)将其添加到subplot中(如图9-12所示):

    1. fig = plt.figure()
    2. ax = fig.add_subplot(1, 1, 1)
    3. rect = plt.Rectangle((0.2, 0.75), 0.4, 0.15, color='k', alpha=0.3)
    4. circ = plt.Circle((0.7, 0.2), 0.15, color='b', alpha=0.3)
    5. pgon = plt.Polygon([[0.15, 0.15], [0.35, 0.4], [0.2, 0.6]],
    6. color='g', alpha=0.5)
    7. ax.add_patch(rect)
    8. ax.add_patch(circ)
    9. ax.add_patch(pgon)

    图9-12 由三个块图形组成的图

    如果查看许多常见图表对象的具体实现代码,你就会发现它们其实就是由块patch组装而成的。

    将图表保存到文件

    利用plt.savefig可以将当前图表保存到文件。该方法相当于Figure对象的实例方法savefig。例如,要将图表保存为SVG文件,你只需输入:

    1. plt.savefig('figpath.svg')

    文件类型是通过文件扩展名推断出来的。因此,如果你使用的是.pdf,就会得到一个PDF文件。我在发布图片时最常用到两个重要的选项是dpi(控制“每英寸点数”分辨率)和bbox_inches(可以剪除当前图表周围的空白部分)。要得到一张带有最小白边且分辨率为400DPI的PNG图片,你可以:

    1. plt.savefig('figpath.png', dpi=400, bbox_inches='tight')

    savefig并非一定要写入磁盘,也可以写入任何文件型的对象,比如BytesIO:

    1. from io import BytesIO
    2. buffer = BytesIO()
    3. plt.savefig(buffer)
    4. plot_data = buffer.getvalue()

    表9-2列出了savefig的其它选项。

    表9-2 Figure.savefig的选项

    matplotlib配置

    matplotlib自带一些配色方案,以及为生成出版质量的图片而设定的默认配置信息。幸运的是,几乎所有默认行为都能通过一组全局参数进行自定义,它们可以管理图像大小、subplot边距、配色方案、字体大小、网格类型等。一种Python编程方式配置系统的方法是使用rc方法。例如,要将全局的图像默认大小设置为10×10,你可以执行:

    1. plt.rc('figure', figsize=(10, 10))

    rc的第一个参数是希望自定义的对象,如’figure’、’axes’、’xtick’、’ytick’、’grid’、’legend’等。其后可以跟上一系列的关键字参数。一个简单的办法是将这些选项写成一个字典:

    1. font_options = {'family' : 'monospace',
    2. 'weight' : 'bold',
    3. 'size' : 'small'}
    4. plt.rc('font', **font_options)

    要了解全部的自定义选项,请查阅matplotlib的配置文件matplotlibrc(位于matplotlib/mpl-data目录中)。如果对该文件进行了自定义,并将其放在你自己的.matplotlibrc目录中,则每次使用matplotlib时就会加载该文件。

    下一节,我们会看到,seaborn包有若干内置的绘图主题或类型,它们使用了matplotlib的内部配置。