python可视化（3-1）面向对象绘图（画布和子图，fig & ax）
我们进入下一个阶段：面向对象绘图
matplotlib的前身是matlab，事实上，前两章的模块调用与matlab并无差异，无非就是将matlab语法换成python语法。遵循的仍然是顺序调用，接口传参，而后得到绘图结果的过程。
而这是远远不够的，举个简单的例子，当我们得到绘图对象后，我们可能对绘图对象的横坐标尺度不够满意，比如原横坐标是每个0.1产生一个刻度，而我们需要每隔0.5产生一个尺度；有时，我们对图例是不够满意的，原图例是5行1列，而我们想将其设置为1行5列。解决这些问题，需要的是面向对象的思路，就一幅图而言，其对象由总到分可以概括为：
| 对象 | 常用代号 |
|---|---|
| 画布 | fig |
| 子图（或者坐标系） | ax |
| 绘图对象（如散点，直方、折线等） | ax.scatter、ax.hist、ax.plot |
| 坐标轴 | ax.xaxis |
| 坐标轴刻度 | ax.xaxis.xtick |
| 图例 | ax.legend |
| 轴标题 | ax.xlabel |
从表中可以看出，大多数对象都从属于ax，而ax是根植在fig基础上的，本文重点探讨fig与ax的关系
文章目录
- 单子图
- 思路一：创建画布，在画布基础上创建子图
-
- fig.add_subplot
-
- 设置坐标系
- 极坐标polar
- fig.add_axes
- 思路二：画布和子图同时创建
- 思路三：创建画布栅格
-
- 不均匀的栅格子图
- 栅格子图的合并-fig.add_subplot
- 栅格子图的合并-plt.subplot2grid
- 总结
本文的运行环境为 jupyter notebook
python版本为3.7
本文所用到的库包括
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec
单子图
当画布上只有一副子图时，以下两段代码并无差异，plt会自动创建一副子图并绘制图像。
x=np.sin(np.linspace(1,10,100))
fig=plt.figure()
ax=fig.add_subplot(1,1,1)
ax.plot(x)
x=np.sin(np.linspace(1,10,100))
plt.plot(x)
但是，大多数情况下，我们都需要绘制多个子图，在一张画布上绘制多个子图一共分为三种思路，请往下看。
思路一：创建画布，在画布基础上创建子图
刚思路需先创建一个画布对象fig，并以此为基础，通过调用fig.add_subplot接口或fig.add_axes接口，逐个创建子图ax，后通过ax进行绘图对象的绘制及子图的修改。两者原理亦有些差别。
fig.add_subplot
nrows, ncols=2,3
fig=plt.figure(figsize=(8,6))
for i in range(nrows*ncols):
ax=fig.add_subplot(nrows, ncols,i+1)
### 子图的绘制 ###
设置坐标系
需要注意的是，在创建子图时，可以根据具体需求，对子图的坐标系进行设定。
下图展示了不同坐标系下，正弦折线图的差异。从下图可知，我们常用的坐标系为rectilinear
x = np.linspace(-1.0*np.pi, np.pi, 100)
y = np.sin(x)
nrows, ncols = 2, 3
fig = plt.figure(figsize=(8, 6))
for i, projection in enumerate(['aitoff', 'hammer', 'lambert', 'mollweide', 'polar', 'rectilinear']):
ax = fig.add_subplot(nrows, ncols, i+1, projection=projection)
ax.plot(x, y, c='darkred', lw=3)
ax.set_title(projection)
极坐标polar
另一个常用的坐标系为极坐标系，其原理是将x，y映射为 θ和r，如图正弦曲线x浮点型数据被映射到0-180度，其高度height被映射为半径，有点像华为的LOGO。
x = np.linspace(0, np.pi, 10)
height = np.sin(x)+1
nrows, ncols = 1, 2
fig = plt.figure(figsize=(15, 6))
for i, projection in enumerate(['polar', 'rectilinear']):
ax = fig.add_subplot(nrows, ncols, i+1, projection=projection)
ax.bar(x=x, height=height, width=0.3, color='darkred')
ax.set_xlim((0, np.pi))
ax.set_title(projection)
fig.add_axes
fig.add_axes接口更像是直接在一张纸上根据坐标，一个个地绘制子图。
其接口传入参数为一个矩形rect，rect包含四个数值，分别代表矩形的x，y，w，h。
x，y为子图左下角在画布上的坐标，w表示矩形宽，h表示矩形高。以上数值均为画布归一化数值。
fig = plt.figure(figsize=(6, 4))
rect = [0.08, 0.08, 0.62, 0.9]
rect_in = [0.4, 0.65, 0.25, 0.25]
rect_out = [0.82, 0.08, 0.18, 0.9]
ax = fig.add_axes(rect)
ax_in = fig.add_axes(rect_in)
ax_out = fig.add_axes(rect_out)
ax.text(0.5, 0.5, 'ax', ha='center', va='center',
transform=ax.transAxes, fontsize=15)
ax_in.text(0.5, 0.5, 'ax_in', ha='center', va='center',
transform=ax_in.transAxes, fontsize=15)
ax_out.text(0.5, 0.5, 'ax_out', ha='center', va='center',
transform=ax_out.transAxes, fontsize=15)
下图应用该技巧，对y的20-35个区间点进行了区域放大
fig = plt.figure(figsize=(6, 4))
rect1 = [0.08, 0.08, 0.92, 0.92]
rect2 = [0.5, 0.65, 0.4, 0.3]
########### ax1 #######
np.random.seed(123)
x = np.linspace(-18.0*np.pi, 18.0*np.pi, 100)
y = np.sin(x)+np.random.uniform(0, 0.2, 100)
ax1 = fig.add_axes(rect1, aspect='auto')
ax1.plot(x, y, lw=4, c='darkcyan')
ax1.set_ylim(-1.2, 3.2)
ax1.axvspan(x[20], x[35], ymin=0.05, ymax=0.55, lw=4,
edgecolor='tomato', facecolor='white')
########## ax2 #############
x2 = x[20:35]
y2 = y[20:35]
ax2 = fig.add_axes(rect2, aspect='auto')
ax2.plot(x2, y2, lw=4, c='red')
思路二：画布和子图同时创建
在画布（fig）上一个个地add（add_subplot,add_axes）子图，往往效率不高，plt.subplots接口很好地解决了该问题，一步生成画布，并同时生成m行，n列的子图栅格。
nrows = 4
ncols = 3
fig, axs = plt.subplots(nrows=nrows,ncols=ncols)
在此情况下，对子图的调用主要分为两种方式：
方式一：通过子图在栅格中的位置调用
axs为nrows行，ncols列的二维列表。对某个子图的调用需指定其行、列号码。
nrows = 4
ncols = 3
fig, axs = plt.subplots(nrows=nrows,
ncols=ncols,
sharex=True,
sharey=True,
squeeze=False,
)
# 画布标题
fig.suptitle(x=0.5,
y=1.0,
t='the tile of the Fig',
size=20,
va='top')
for i in range(nrows):
for j in range(ncols):
axs[i, j].text(0.5, 0.5, 'ax-%d-%d' % (i, j), ha='center',
va='center', fontsize=20, transform=axs[i, j].transAxes)
plt.subplots_adjust(left=0.1, right=0.9,
bottom=0.1, top=0.9,
)
方式二：按顺序对子图进行调用
因行、列号的调用方式需要嵌套两层for循环，相对复杂。若绘图序列是按顺序给予的，可将axs二维列表展平为一维列表，而后按顺序逐个调用。
nrows = 4
ncols = 3
fig, axs = plt.subplots(nrows=nrows,
ncols=ncols,
sharex=True,
sharey=True,
squeeze=False,
)
# 画布标题
fig.suptitle(x=0.5,
y=1.0,
t='the tile of the Fig',
size=20,
va='top')
for i, ax in enumerate(axs.ravel()): # 将所有子图拉平成一维列表
ax.text(0.5, 0.5, 'ax-%d' % (i), ha='center',
va='center', fontsize=20, transform=ax.transAxes)
plt.subplots_adjust(left=0.1, right=0.9,
bottom=0.1, top=0.9,
)
思路三：创建画布栅格
另一种创建栅格的方式，是在画布的基础上，增加一个栅格对象GridSpec
该类通过以下代码调用（已在本文开头导入）
from matplotlib.gridspec import GridSpec
不均匀的栅格子图
通过传入width_ratios，height_ratios参数，可以将子图的宽高设置为不同比例。
fig = plt.figure(figsize=(8, 6))
nrows, ncols = 4, 3
gs = GridSpec(nrows, ncols,
width_ratios=[10, 20, 10], # 各栅格列宽度相对比例
height_ratios=[30, 10, 20, 10],) # 各栅格行高度相对比例
for i in range(nrows*ncols):
ax = fig.add_subplot(gs[i])
ax.text(0.5,0.5,'ax%d'%(i+1),ha='center',va='center',transform=ax.transAxes,fontsize=15)
栅格子图的合并-fig.add_subplot
通过对栅格对象的切片操作，可以将栅格进行 列或者行的合并，如下图：
fig = plt.figure(figsize=(8, 6))
nrows, ncols = 4, 3
gs = GridSpec(nrows, ncols,
width_ratios=[10, 20, 10],
height_ratios=[30, 10, 20, 10],)
# rows，cols 切片形式选定子图区域，切片数值为左闭右开 和numpy数组类似
ax1 = fig.add_subplot(gs[0, 0:2])
ax2 = fig.add_subplot(gs[0, 2])
ax3 = fig.add_subplot(gs[1:4, 0])
ax4 = fig.add_subplot(gs[1:3, 1:3])
ax5 = fig.add_subplot(gs[3, 1:3])
# 标注每个子图
ax1.text(0.5, 0.5, 'ax1', ha='center', va='center',
transform=ax1.transAxes, fontsize=30)
ax2.text(0.5, 0.5, 'ax2', ha='center', va='center',
transform=ax2.transAxes, fontsize=30)
ax3.text(0.5, 0.5, 'ax3', ha='center', va='center',
transform=ax3.transAxes, fontsize=30)
ax4.text(0.5, 0.5, 'ax4', ha='center', va='center',
transform=ax4.transAxes, fontsize=30)
ax5.text(0.5, 0.5, 'ax5', ha='center', va='center',
transform=ax5.transAxes, fontsize=30)
栅格子图的合并-plt.subplot2grid
同样的功能，通过plt.subplot2grid接口也能实现，注意其与fig.add_subplot调用时参数的不同。
fig = plt.figure(figsize=(8, 6))
rows, cols = 4, 3
ax1 = plt.subplot2grid(shape=(rows, cols), loc=(0, 0),
fig=fig, rowspan=1, colspan=2)
# colspan=2 表示占据2列
ax2 = plt.subplot2grid(shape=(rows, cols), loc=(0, 2),
fig=fig, rowspan=1, colspan=1)
ax3 = plt.subplot2grid(shape=(rows, cols), loc=(1, 0),
fig=fig, rowspan=3, colspan=1)
ax4 = plt.subplot2grid(shape=(rows, cols), loc=(1, 1),
fig=fig, rowspan=2, colspan=2)
ax5 = plt.subplot2grid(shape=(rows, cols), loc=(3, 1),
fig=fig, rowspan=1, colspan=2)
# 标记每个子图
ax1.text(0.5, 0.5, 'ax1', ha='center', va='center',
fontsize=30, transform=ax1.transAxes)
ax2.text(0.5, 0.5, 'ax2', ha='center', va='center',
fontsize=30, transform=ax2.transAxes)
ax3.text(0.5, 0.5, 'ax3', ha='center', va='center',
fontsize=30, transform=ax3.transAxes)
ax4.text(0.5, 0.5, 'ax4', ha='center', va='center',
fontsize=30, transform=ax4.transAxes)
ax5.text(0.5, 0.5, 'ax5', ha='center', va='center',
fontsize=30, transform=ax5.transAxes)
总结
栅格子图的创建
批量创建m行n列 等宽、等高子图，推荐：
plt.subplots(nrows=m,ncols=n)
批量创建m行n列 不等宽、不等高子图，推荐：
GridSpec(nrows=m, ncols=n, width_ratios=*args, height_ratios=*args)
创建行列不均匀、不等宽、不等高子图，推荐：
GridSpec(nrows=m, ncols=n)
fig.add_subplot(gs[row1:row2, col1:col2])
自由创建任意位置的子图，推荐：
fig.add_axes(rect)
栅格子图的调用
精确调用:
for i in []:
for j in []:
axs[i,j]=*****
顺序调用:
for ax in axs.ravel():
ax=******
plt绘图对象与ax绘图对象总结
不同绘图对象plt和ax的对比如下表，从表中可以看出，两种调用方式是没有差异的，且接口中参数也是一致的
| plt 方法 | ax 方法 |
|---|---|
| plt.plot() | ax.plot() |
| plt.scatter() | ax.scatter() |
| plt.stem() | ax.stem() |
| plt.boxplot() | ax.boxplot() |
| plt.errorbar() | ax.errorbar() |
| plt.stackplot() | ax.stackplot() |
| plt.broken_barh() | ax.broken_barh() |
| plt.step() | ax.step() |
| plt.text() | ax.text() |
| plt.hlines(),plt.vlines() | ax.hlines(),ax.vlines() |
| plt.axhline(),plt.axvline() | ax.axhline(),ax.axvline() |
| plt.axhspan(),plt.axvspan() | ax.axhspan(),ax.axvspan() |
| plt.hist() | ax.hist() |
| plt.annotate() | ax.annotate() |
| plt.fill_between() | ax.fill_between() |
那什么情况下用plt，什么情况下用ax呢？
- 绘制绘图对象而言，单一子图情况下，两者无差异，例如绘制散点图，plt.scatter() 与 ax.scatter() 无差异；
- plt的绘图坐标系为当前子图，例如当前通过ax3=fig.add_subplot(133)声明至第3个子图，此时调用plt接口则在第3个子图上进行绘制；
而对于ax而言，顾名思义，指定为哪个子图即在那个子图上绘制，如ax3.plot()，则毫无疑问，是去第三个子图绘制； - 子图的修饰。通常而言，对子图坐标、标题、轴标签、刻度等元素的修饰，大多数均是通过与ax相关的接口实现的，因此为了“精修”子图，有必要在绘制绘图对象时声明子图；
- plt.gca() 返回当前子图。
希望对你有所启发和帮助！