转载]利用Python进行数据分析——绘图和可视化 xticks-学习笔记

http://blog.csdn.net/ssw_1990/article/details/23739953

Python有许多可视化工具，但是我主要讲解matplotlib（ http://matplotlib.sourceforge.net ）。此外，还可以利用诸如d3.js（ http://d3js.org/ ）之类的工具为Web应用构建交互式图像。

matplotlib是一个用于创建出版质量图表的桌面绘图包（主要是2D方面）。该项目是由John Hunter于2002年启动的，其目的是为Python构建一个MATLAB式的绘图接口。如果结合使用一种GUI工具包（如IPython），matplotlib还具有诸如缩放和平移等交互功能。它不仅支持各种操作系统上许多不同的GUI后端，而且还能将图片导出为各种常见的矢量（vector）和光栅（raster）图：PDF、SVG、JPG、PNG、BMP、GIF等。

matplotlib还有许多插件工具集，如用于3D图形的mplot3d以及用于地图和投影的basemap。要使用本章中的代码示例，请确保你的IPython是以Pylab模式启动的（ipython  --pylab），或通过%gui魔术命令打开了GUI事件循环集成。

1、matplotlib API入门

使用matplotlib的办法有很多种，最常用的方式是Python模式的IPython（ipython  -pylab）。这样会将IPython配置为使用你所指定的matplotlib GUI后端（Tk、wxPython、PyQt、Mac OS X native、GTK）。对大部分用户而言，默认的后端就已经够用了。Pylab模式还会向IPython引入一大堆模块和函数以提供一种更接近于MATLAB的界面。绘制一张简单的图表即可测试是否一切准备就绪：

如果一切都没有问题，就会弹出一个新窗口，其中绘制的是一条直线。你可以用鼠标或输入close()来关闭它。matplotlib API函数（如plot和close）都位于matplotlib.pyllot模块中，其通常的引入约定是：

[python] view plaincopy

1. In [2]: import matplotlib.pyplot as plt  

虽然pandas的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。matplotlib的示例库和文档是成为绘图高手的最佳学习资源。

2、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：

[python] view plaincopy

1. In [3]: fig = plt.figure()  

这时会弹出一个空窗口。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。matplotlib中的Figure还支持一种MATLAB式的编号架构（如plt.figure(2)）。通过plt.gcf()即可得到当前Figure的引用。

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

[python] view plaincopy

1. In [4]: ax1 = fig.add_subplot(2, 2, 1)  

这条代码的意思是：图像应该是22的，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，最终得到的图像如下所示：

如果这时发出一条绘图命令哪个（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。因此，如果我们执行下列命令，你就会得到如下所示的效果：

“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他空着的格子里面画图了，如下所示：

[python] view plaincopy

1. In [9]: _ = ax1.hist(randn(100), bins=20, color='k', alpha=0.3)  
2. In [10]: ax2.scatter(np.arange(30), np.arange(30) + 3 * randn(30))  
3. Out[10]: 0xa8201cc>  

你可以在matplotlib的文档中找到各种图标类型。由于根据特定布局创建Figure和subplot是一件非常常见的任务，于是便出现了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：

[python] view plaincopy

1. In [13]: fig, axes = plt.subplots(2, 3)  
2. In [14]: axes  
3. Out[14]:  
4. array([[0xa76c7ec>,  
5.        0xae8f1ec>,  
6.        0xb40bc8c>],  
7.       [0xb5b7dac>,  
8.        0xadf680c>,  
9.        0xad6222c>]], dtype=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。

3、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，如果你调整了图像的大小（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：

[python] view plaincopy

1. In [15]: subplots_adjust(left=None, bottom=None, right=None, top=None, 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，我们将间距收缩到了0：

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。

4、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：

[python] view plaincopy

1. In [18]: 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。通过下面这种更为明确的方式也能得到同样的效果：

[python] view plaincopy

1. In [19]: ax.plot(x, y, linestyle='--', color='g')  

常用的颜色都有一个缩写词，要使用其他任意颜色则可以通过指定其RGB值的形式使用（例如，'#CECECE'）。完整的linestyle列表请参见plot的文档。

线型图还可以加上一些标记（marker），以强调实际的数据点。由于matplotlib创建的是连续的线型图（点与点之间插值），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。

[python] view plaincopy

1. In [20]: plt.plot(randn(30).cumsum(), 'ko--')  
2. Out[20]: [0xb86924c>]  

还可以将其写成更为明确的形式：

[python] view plaincopy

1. In [19]: 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：

[python] view plaincopy

1. In [18]: plt.plot(randn(30).cumsum(), 'ko--')  
2. Out[18]: [0xb86924c>]  
3. In [19]: data = randn(30).cumsum()  
4. In [20]: plt.plot(data, 'k--', label='Default')  
5. Out[20]: [0xba62c8c>]  
6. In [21]: plt.plot(data, 'k--', drawstyle='steps-post', label='steps-post')  
7. Out[21]: [0xba758ac>]  
8. In [22]: plt.legend(loc='best')  
9. Out[22]: 0xba75bcc>  

5、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作用，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。因此，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，当然你完全可以选择自己觉得方便的那个。

(1)设置标题、轴标签、刻度以及刻度标签

为了说明轴的自定义，我将创建一个简单的图像并绘制一段随机漫步：

[python] view plaincopy

1. In [23]: fig = plt.figure();  
2. In [24]: ax = fig.add_subplot(1, 1, 1)  
3. In [25]: ax.plot(randn(1000).cumsum())  
4. Out[25]: [0xbc4da6c>]  

要修改X轴的刻度，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 ：

[python] view plaincopy

1. In [28]: fig = plt.figure();  
2. In [29]: ax = fig.add_subplot(1, 1, 1)  
3. In [30]: ax.plot(randn(1000).cumsum())  
4. Out[30]: [0xbd4684c>]  
5. In [31]: ticks = ax.set_xticks([0, 250, 500, 750, 1000])  
6. In [32]: labels = ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'], rotation=30, fontsize='small')  
7. In [33]: ax.set_title('My first matplotlib plot')  
8. Out[33]: 0xbd1ed0c>  
9. In [34]: ax.set_xlabel('Stages')  
10. Out[34]: 0xba911cc>  

说明：

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。

(2)添加图例

图例（legend）是另一种用于标识图表元素的重要工具。添加图例的方式有二。最简单的是在添加subplot的时候传入label参数：

[python] view plaincopy

1. In [35]: fig = plt.figure(); ax = fig.add_subplot(1, 1, 1)  
2. In [36]: ax.plot(randn(1000).cumsum(), 'k', label='one')  
3. Out[36]: [0xc0e49cc>]  
4. In [37]: ax.plot(randn(1000).cumsum(), 'k--', label='two')  
5. Out[37]: [0xc0e7e2c>]  
6. In [38]: ax.plot(randn(1000).cumsum(), 'k.', label='three')  
7. Out[38]: [0xc0f238c>]  

在此之后，你可以调用ax.legend()或plt.legend()来自动创建图例：

[python] view plaincopy

1. In [40]: ax.legend(loc='best')  
2. Out[40]: 0xc0e7dcc>  

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。

转载本文请联系原作者获取授权，同时请注明本文来自郭大龙科学网博客。

链接地址： http://blog.sciencenet.cn/blog-251664-800766.html

上一篇： [转载]质粒的提取

下一篇： [转载]笨办法学 Python （第三版）