本文很短, 只是为了大家能够更了解matplotlib的作图机制.
适合刚刚入门的朋友们
1. figure和axes
- figure是作图的画布 : matplotlib.figure.Figure
- 你可以在figure上面铺展axes, 事实上, 你画的图其实都是画在axes上的 : matplotlib.pyplot.axes
以下展示一下两者关系:
plt.figure(facecolor='cyan');
plt.gcf().subplots(2,2);
注: 水蓝色就是figure, 带数字框框就是axes
浏览两者的api, 你会发现, figure的大部分功能, 都是和普通的图像属性以及铺展axes相关的. 而观察axes的api, 你会发现它是科学作图的代理, 有条形图, 散点图, 折线图等等的丰富强大的功能, axes其实是在一幅画布上, 规划出的一个个科学作图的坐标轴系统
2. 很多教程中的plt.<某种图像类型>做了什么
初学之时, 我们常常会用, plt.plot(), plt.scatter(), plt.bar()等等函数来画图, 不过这些函数的本质还是在axes上作图, 它们做的事情你可以理解为
- 首先得到当前活跃的axes, 如果当前figure上还没有axes, 就帮你创建一个axes, 然后将它设为当前活跃的axes
- 调用这个当前axes上的各个作图功能.
这里有两个重要的函数:
plt.gcf() # 意为, get current figure
plt.gca() # 意为, get current axes
所以, 一些初级教程教的
plt. 中其实有不少相当于plt.gca()., 它们很快能够看到效果, 但是到了我们需要复杂地铺展子图的时候, 它们就不好用了, 不过现在理解了axes其实是作图的基本代理之后, 我们就能对整件事有更多把握了.
3. 在figure上自由地铺展axes并获取它们!
首先, 我造一些玩具数据
foo = ['a','b','c']
bar = [1,2,3]
第一招:
_, axes = plt.subplots(2,2, figsize=(6, 6)) # 第一个参数是创建的figure
axes[0][0].bar(foo, bar);
axes[0][1].scatter(bar, bar);
axes[1][0].plot(bar, bar);
axes[1][1].pie(bar);
plt.subplots(2,2, figsize=(6, 6))会创建一个新的figure, 然后在这个figure上面铺展2x2一共4个axes, 然后返回figure以及axes, 这些axes能够直接通过索引获取, 所以你可以轻易地将它写到循环中:
_, axes = plt.subplots(2,2, figsize=(6, 6))
colors = ['r', 'g', 'b', 'k']
for ax, c in zip(axes.flatten(), colors):
ax.plot(bar, bar, c=c)
这一招我自己最常用, 子图可以作为一个新的维度存在, 用来组织数据中取值范围比较少的离散维度, 比如礼拜几这类
第二招
这招就定制化比较高了, 我自己用得比较少, 具体来说, 它可以做出这样的布局
它的代码如下:
plt.subplot(3,1,1)
plt.subplot(3,3,4)
plt.subplot(3,3,5)
plt.subplot(3,3,6)
plt.subplot(3,1,3)
格式为plt.subplot(<行数>, <列数>, <序号>), 以上代码创建了一个3x3的布局, 3x3的布局是能够和3x1的布局耦合的, 只要将3x3的第一行的三个子图合成一个长条就OK. 对应的代码就是plt.subplot(3,1,1)和plt.subplot(3,1,3)
它们都是返回axes的, 所以你可以
ax1 = plt.subplot(3,1,1)
ax1.plot(bar, bar)
不过, 每次调用完plt.subplot(...)之后, 新产生的axes会变成当前axes, 因此可以:
plt.subplot(3,1,1)
plt.plot(bar, bar)
plt.subplot(3,3,4)
plt.plot(bar, bar)
...
第三招!
还是一样, 铺展axes, 然后获取这些axes作图, 这次你可以做出这样的:
怎么做的呢? 经过上面的作图原理介绍, 这一次, matplotlib的文档你应该能直接看明白了, 直接传送:
https://matplotlib.org/users/gridspec.html
4. 为什么我要关注axes?
axes能够帮助我们实现定点作图, 一些非常受欢迎的库, 比如pandas和seaborn, 它们大部分的作图函数都有一个叫ax的参数, 用来控制图最终出现在哪个axes上. 毫不夸张地说, 我个人对于matplotlib的操控感就是从了解了这个基本的作图机制开始的
5. 总结
如果你
- 明白了matplotlib的作图机制
- 明白了铺展axes并定位到每个axes进行作图的方法
- 想要回去自己尝试
就给我个❤️吧, 哈哈哈~