python绘图(子图、Loss+标准差、坐标轴缩放、美化格式)

一、Loss曲线(+子图)

import os
import pandas as pd
import matplotlib.pyplot as plt
from mpl_toolkits.axes_grid1.inset_locator import inset_axes

# 读取数据
# data1 = pd.read_csv('./1.csv',index_col=0)
# 或自动获取文件夹下的所有数据
path = r"data\\"
file = os.listdir(path)

fig = plt.figure(figsize = (7,5))    #figsize是图片的大小
# g = green,“-” = 实线，label = 图例的名称，一般要在名称前面加一个u
## 子图设置
ax1 = fig.add_subplot(1, 1, 1) # 子图
rect1 = [0.6, 0.25, 0.35, 0.35] # 子图位置，[左, 下, 宽, 高] 规定的矩形区域 （全部是0~1之间的数，表示比例）
axins = ax1.inset_axes(rect1)
# 设置想放大区域的横坐标范围
tx0 = 0
tx1 = 150
# 设置想放大区域的纵坐标范围
ty0 = 1000
ty1 = 2500
sx = [tx0,tx1,tx1,tx0,tx0]
sy = [ty0,ty0,ty1,ty1,ty0]
plt.plot(sx,sy,"purple")
axins.axis([tx0,tx1,ty0,ty1])  # 坐标范围

lab = ['1','2','3','4']
color = ['g','b','r']
for i in range(0,len(file)-1):
    data_csv=file[i]
    data = pd.read_csv(path+data_csv,index_col=0)
    # 横坐标Episode，纵坐标Loss
    x = data['Episodes']
    y = data['Loss']
    # 整体loss曲线
    plt.plot(x, y, color[i],label =lab[i])
    # 局部loss曲线
    axins.plot(x, y,color[i])

# 最后一个数据的后半截用虚线展示
data_csv = file[len(file)-1]
data = pd.read_csv(path+data_csv,index_col=0)
x_s = data[data['Episodes'] <= 100]['Episodes']
y_s = data[data['Episodes'] <= 100]['Loss']
x_x = data[data['Episodes'] > 100]['Episodes']
y_x = data[data['Episodes'] > 100]['Loss']

plt.plot(x_s, y_s,'y-', label =lab[len(file)-1])
plt.plot(x_x, y_x,'y--')  # 对于虚实要统一颜色，均设为y

axins.plot(x_s, y_s,'y-')
axins.plot(x_x, y_x,'y--')

plt.legend()  # 显示
# 坐标/标题设置
plt.xlabel(u'iters')
plt.ylabel(u'loss')
plt.title('Compare loss for different models in training')

参考链接
如何通过python画loss曲线的方法

二、Loss曲线对比+标准差范围

import os
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 读取文件名
our = 'our'
path_stand = r"F:\temp\data\standard\\"
file_stand = os.listdir(path_stand)
path_our = r'F:\temp\data\our\\'
file_our = os.listdir(path_our)

# diff和our各iter的数据
# 迭代500次，每次5组数据
iter_num=500
N = 5
loss_stand=[]
loss_our=[]
for i in file_stand:
    data = pd.read_csv(path_stand+i,index_col=0)
    loss_stand.append(data['Loss'].tolist())
for i in file_our:
    data = pd.read_csv(path_our+i,index_col=0)
    loss_our.append(data['Loss'].tolist())

fig = plt.figure(figsize = (7,5))    #figsize是图片的大小

# stand求mean和std
loss_mean=[]
loss_var=[]
for i in range(iter_num):
    loss_cur = [loss_stand[j][i] for j in range(N)]
    loss_mean.append(sum(loss_cur)/len(loss_cur))
    loss_var.append(np.std(loss_cur,ddof=1))
# 绘制stand的图像
iters=range(0,iter_num)
plt.plot(iters, loss_mean,'b-', label = u'diffhand')
np1=np.array(loss_mean)
np2=np.array(loss_var)
plt.fill_between(iters, np1 + np2, np1 - np2,'b',alpha=0.3,zorder=3)

# our求mean和std
loss_mean=[]
loss_var=[]
for i in range(iter_num):
    loss_cur = [loss_our[j][i] for j in range(N)]
    loss_mean.append(sum(loss_cur)/len(loss_cur))
    loss_var.append(np.std(loss_cur,ddof=1))
iters=range(0,iter_num)
# # 绘制our的图像
plt.plot(iters, loss_mean,'r-', label = our)
np1=np.array(loss_mean)
np2=np.array(loss_var)
plt.fill_between(iters, np1 + np2, np1 - np2,'r',alpha=0.3,zorder=3)
plt.legend()  
plt.title('Compare loss for different models in training')

三、缩放x/y轴，坐标间等距，数值不等距

1、需求和原理说明

假设y的数据是在4000-10000之间，但是6000-10000的数据非常少，希望等距刻度显示的范围分别是4000-5000，5000-6000，6000-10000。这样可以间接放大4000-6000之间的波动

理解这个博客中的内容，python画图，等间距坐标距离，不等间距数据值

其实核心原理就是要把6000-10000的数据归一化到6000-7000之间，让数据均匀地按照1000的间距分布。

此时，数据可以均匀显示在图像上。此后，修改坐标轴的刻度显示，虽然数据实际上已经归一化到6000-7000之间，但是让坐标轴上的文字分别显示 “6000”、“10000”。

所以主要有以下几个步骤：

• 定义上下界 up=10000，under=6000。[under,up]间的数据归一化到6000-7000
• 设置坐标按1000的间距输出数据
• 设置坐标的文字为实际数值

先贴完整代码，第二小板块是分开的步骤，便于理解。x轴和y轴的处理是同理的。

2、完整代码

这里舍去了导入数据 y 的过程，就自己弄数据就好。

import matplotlib.pyplot as plt
import numpy as np
# 原始代码
fig = plt.figure(figsize = (7,5))
x=np.array(range(0,len(y)))
plt.plot(x, y)  # 实线

修改后代码

import os
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 数据缩放
space = 1000  # 间距
mini = 4000  #坐标轴下界
under = 6000  # 缩放下界
up = 10000  # 缩放上界

y=np.array(y)  # 转array
index = np.where(y[y>under])
y[index]=(y[index]-under)/(up-under)*space+under  # 归一化到[under,under+space]
y=y.tolist()  # 转回list

num = (under-mini)/space
# 假坐标
# y_index = [4000, 5000, 6000, 7000]  # 自己定义
y_index = [mini+i*space for i in range(int(num+2))]  # 自动
# 真坐标
# y_index2=['4000','5000','6000','10000']  # 自己定义
y_index2 = []
for i in range(len(y_index)-1):
    y_index2.append(str(y_index[i]))
y_index2.append(str(up))  # 最后一个显示真坐标 up

# 绘图
fig = plt.figure(figsize = (7,5))

x=np.array(range(0,len(y)))
plt.plot(x, y)  # 实线
plt.yticks(y_index,y_index2)   # 假坐标和显示的真坐标

原图

新图

可以看到上面被压缩了，下面的波动被放大了。4000-6000之间以1000为间距，剩余的刻度等距，但表示了4000的数据

如果想让刻度更密集一点，可以修改间距space或者自定义真假坐标，以500为间距，使其更紧密一点

space = 500
# 或修改真假坐标
# y_index = [4000, 4500, 5000, 5500, 6000, 6500]
# y_index2 = ['4000', '4500', '5000', '5500', '6000', '10000']

3、子步骤

• （1）数据缩放

这里的y数据是一个list，所以转一下array再更新

# 数据缩放
space = 1000  # 间距
under = 6000  # 下界
up = 10000  # 上界
y=np.array(y)  # 转array
index = np.where(y[y>under])
y[index]=(y[index]-under)/(up-under)*space+under  # 归一化到[under,under+space]
y=y.tolist()  # 转回list

• （2）设置假坐标【等距】

y_index = [4000+i*space for i in range(7)]  # [4000, 5000, 6000, 7000]

• （3）设置实际数值【不等距】

y_index2=['4000','5000','6000','10000']

• （4）绘图

fig = plt.figure(figsize = (7,5))
x=np.array(range(0,len(y)))
plt.plot(x, y)  # 实线
plt.yticks(y_index,y_index2) 

4、问题

这里有一个坑就是一定要把plt.yticks(y_index,y_index2) 代码写在plt.plot(x, y)的后面，不然可能会刻度显示异常

其它参考链接

python X/Y轴缩放

在数据采样不均匀的情况下，如何使yscale均匀地显示图像？

四、图像美化

• 原始代码和图像

import os
import pandas as pd
import matplotlib.pyplot as plt

# 读取数据
path = r"data\\"
file = os.listdir(path)
#设置图片的大小
figsize=7,5
fig, ax = plt.subplots(figsize=figsize)   # axes

lab = ['1','2','3','4']
colors = ['#D62627','#1D76B3','#FF8113','#2A9F2A']
for i in range(0,len(file)):
    data_csv=file[i]
    data = pd.read_csv(path+data_csv,index_col=0)
    # 横坐标Episode，纵坐标Loss
    x = data['Episodes']
    y = data['Loss']
    # 整体loss曲线
    plt.plot(x, y, colors[i],label =lab[i])
plt.legend()  
plt.xlabel("Episode") 
plt.ylabel("Loss")
plt.title('Compare loss for different models in training')  # 图片标题

• 改进代码

将最后四行更换为如下代码

# 图像设置
plt.rcParams['xtick.direction'] = 'in' ####坐标轴刻度朝内
plt.rcParams['ytick.direction'] = 'in' ####坐标轴刻度朝内
ax.tick_params(which='major',axis='x',length =8,width=1) #,top=True
ax.tick_params(which='major',axis='y',length =8,width=1)#,right=True
ax.tick_params(which='minor',axis='x',length =4,width=1) #,top=True
ax.tick_params(which='minor',axis='y',length =4,width=1) #,right=True
ax.spines['bottom'].set_linewidth(1);###设置底部坐标轴的粗细
ax.spines['left'].set_linewidth(1);####设置左边坐标轴的粗细
ax.spines['right'].set_linewidth(1);###设置右边坐标轴的粗细
ax.spines['top'].set_linewidth(1);####设置上部坐标轴的粗细
ax.yaxis.grid(True,which='major',linestyle='--',c='grey')
labels = ax.get_xticklabels() + ax.get_yticklabels()
[label.set_fontname('Times New Roman') for label in labels]

#设置横纵坐标的名称以及对应字体格式
font2 = {'family' : 'Times New Roman','weight' : 'normal','size' : 16,}
font3 = {'family' : 'Times New Roman','weight' : 'normal','size' : 13,}

# 坐标/标题设置
plt.legend(prop=font3)  
plt.xlabel("Episode",font2) 
plt.ylabel("Loss",font2)
plt.title('Compare loss for different models in training',font2)  # 图片标题
# plt.savefig("flip_loss_cmopare.jpg", dpi=300)
plt.show()

修改了字体，添加了网格，变得美观了一些

五、参数设置

• 关于颜色

颜色设置：分享python中matplotlib指定绘图颜色的八种方式

颜色表：python常用画图颜色

• 关于子图

子图位置：如何在matplotlib中设置inset_axes位置

六、问题

1、子图+缩放+美化

如果是子图 + 缩放 + 美化，需要注意的是如以下代码中

# 大图plt和ax
figsize = 7,5
figure, ax = plt.subplots(figsize=figsize) 

# 子图axins
rect1 = [0.6, 0.35, 0.35, 0.3]
axins = ax.inset_axes(rect1)

此处 ax 是大图的Axes，axins是小子图的 axins。如果想调整各自的格式，可能会存在不同的调用方式【持续更新】

# 处理ax/plt——大图
plt.yticks(y_index,y_index2)
plt.plot(x,y)
# 处理axins——小子图
axins.set_yticks(y1_index,y2_index)
axins.plot(x,y)

各种区别说明参考他人博客【Python画图】Matplotlib中fig、ax、plt的区别及其用法（入门）