当前位置 : 主页 > 编程语言 > python >

还在对Matplotlib繁琐的图层设置感到烦恼!?快来看看这个Python绘图工具包吧

来源:互联网 收集:自由互联 发布时间:2023-08-12
是不是被matplotlib繁琐绘图属性设置搞得一脸懵?是不是因常常记不住某一个图层设置函数而被迫看又长又枯燥的API文档?又或者是不是在面对多个matplotlib子图时写了大量的循环代码来


是不是被matplotlib繁琐绘图属性设置搞得一脸懵?是不是因常常记不住某一个图层设置函数而被迫看又长又枯燥的API文档?又或者是不是在面对多个matplotlib子图时写了大量的循环代码来设置属性?最后还是不是希望只精通一个Python绘图包就可以把二维、空间等类型图表绘制方法都掌握??此外,还有好多无奈和吐槽,我不知道你们是不是这样?反正以上列出的几点就是我在使用matplotlib自定义绘制图表时最大的感触了,当然,本期推文不是来吐槽的,是来为大家提供好的解决方法的。下面就介绍下今天的主角-- ProPlot。说真的!当我刚开始发现这个包时:“嗯?不错,logo和matplotlib很像”,可是,当我在熟悉大多数和经常使用matplotlib绘图时,回来再看这个工具包时:“我ri,真香!!我之前干了啥?赶快用起来!”。总之一句话,如果上期推文 因为配图,SCI多次返修!?因为你还没发现这个Python科学绘图宝藏工具包 可以让你一步设置sci发表级别的配图格式的话,那本期推文将告诉你如何使用更少的代码实现繁琐的自定义绘图需求,当然,也是符合出版需求的配图,主要内容如下:
  • ProPlot 库介绍
  • ProPlot 实例演示
ProPlot 库介绍

使用Python-matplotlib绘制图表时,默认的颜色以及格式主题只能帮助我们熟悉绘图函数,而想要设计出优秀的可视化作品(无论是出版级别还是略带艺术气息) 都需要熟悉大量的绘图函数,如颜色、刻度、轴脊、字体等,当涉及绘制多子图时,这些操作都会耗费我们大量的精力,不经导致编写代码冗长,而且还易出错,具体可以查看下我之前的文章Python-matplotlib 学术散点图 EE 统计及绘制 和 Python-matplotlib 横向堆积柱状图绘制。除此之外,如果你每天都需要使用matplotlib绘图且经常需要对图表进行美化,那Proplot 绘图包就太适合你了,也不要担心会不适应,人家可是对matplotlib进行高度封装,极大简化绘图函数而已。下面我们就其安装和主要使用方法进行简单介绍,如果大家想要详细了解,可以去官网哦。

安装

我们直接可是使用pip或者conda直接进行安装即可,

#for pip
pip install proplot
#for conda
conda install -c conda-forge proplot

当然,由于版本的不断更新,你还可以使用如下代码进行更新处理:

#for pip
pip install --upgrade proplot
#for conda
conda upgrade proplot
format()简化代码

Proplot 绘制图表不需要像matplotlib那样对每一个绘图属性进行设置,其提供的format() 函提供一次更改所有设置的格式化方法。我们首先举个简单的例子,如下:

  • 使用matplotlib 绘制
import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
import matplotlib as mpl
with mpl.rc_context(rc={'axes.linewidth': 1, 'axes.color': 'gray'}):
    fig, axs = plt.subplots(ncols=2, sharey=True)
    axs[0].set_ylabel('bar', color='gray')
    for ax in axs:
        ax.set_xlim(0, 100)
        ax.xaxis.set_major_locator(mticker.MultipleLocator(10))
        ax.tick_params(width=1, color='gray', labelcolor='gray')
        ax.tick_params(axis='x', which='minor', bottom=True)
        ax.set_xlabel('foo', color='gray')
  • ProPlot绘制
import proplot as plot
fig, axs = plot.subplots(ncols=2)
axs.format(linewidth=1, color='gray')
axs.format(xlim=(0, 100), xticks=10, xtickminor=True, xlabel='foo', ylabel='bar')

从这简单的例子中就可以看出Proplot的简便性了。

A-b-c 多子图序号添加

除了上面 format() 大大缩减代码量,我们在介绍了我认为比较方便的绘图方法-多子图序号自动添加。具体的例子如下:

# 样本数据
import numpy as np
state = np.random.RandomState(51423)
data = 2 * (state.rand(100, 5) - 0.5).cumsum(axis=0)

import proplot as plot
fig, axs = plot.subplots(ncols=2)
axs[0].plot(data, lw=2)
axs[0].format(xticks=20, xtickminor=False)
axs.format(abc=True,abcstyle='(A)',abcsize=12,abcloc='ul',
    suptitle='Abc label test', title='Title',
    xlabel='x axis', ylabel='y axis'
)
plt.savefig(r'E:\Data_resourses\DataCharm 公众号\Python\学术图表绘制\ProPlot\abc_01.png',
             dpi=900)

效果如下:还在对Matplotlib繁琐的图层设置感到烦恼!?快来看看这个Python绘图工具包吧

还可以对序号进行样式(abcstyle)、位置(abcloc)、大小(abcsize) 等的设置。其他详细设置可以参考官网。

颜色条(Colorbars)和图例(legends)
  • axis 颜色条和图例
import proplot as plot
import numpy as np
fig, axs = plot.subplots(nrows=2, share=0, axwidth='55mm', panelpad='1em')
axs.format(suptitle='Stacked colorbars demo')
state = np.random.RandomState(51423)
N = 10
# Repeat for both axes
for j, ax in enumerate(axs):
    ax.format(
        xlabel='data', xlocator=np.linspace(0, 0.8, 5),
        title=f'Subplot #{j+1}'
    )
    for i, (x0, y0, x1, y1, cmap, scale) in enumerate((
        (0, 0.5, 1, 1, 'grays', 0.5),
        (0, 0, 0.5, 0.5, 'reds', 1),
        (0.5, 0, 1, 0.5, 'blues', 2)
    )):
        if j == 1 and i == 0:
            continue
        data = state.rand(N, N) * scale
        x, y = np.linspace(x0, x1, N + 1), np.linspace(y0, y1, N + 1)
        m = ax.pcolormesh(
            x, y, data, cmap=cmap,
            levels=np.linspace(0, scale, 11)
        )
        ax.colorbar(m, loc='l', label=f'dataset #{i+1}')
        
plt.savefig(r'E:\Data_resourses\DataCharm 公众号\Python\学术图表绘制\ProPlot\colorbar_legend_02.png',
             dpi=900)

效果如下:还在对Matplotlib繁琐的图层设置感到烦恼!?快来看看这个Python绘图工具包吧

  • Figure 颜色条和图例
import proplot as plot
import numpy as np
fig, axs = plot.subplots(ncols=3, nrows=3, axwidth=1.4)
state = np.random.RandomState(51423)
m = axs.pcolormesh(
    state.rand(20, 20), cmap='grays',
    levels=np.linspace(0, 1, 11), extend='both'
)[0]
axs.format(
    suptitle='Figure colorbars and legends demo', abc=True,
    abcloc='l', abcstyle='(a)', xlabel='xlabel', ylabel='ylabel'
)
fig.colorbar(m, label='column 1', ticks=0.5, loc='b', col=1)
fig.colorbar(m, label='columns 2-3', ticks=0.2, loc='b', cols=(2, 3))
fig.colorbar(m, label='stacked colorbar', ticks=0.1, loc='b', minorticks=0.05)
fig.colorbar(m, label='colorbar with length <1', ticks=0.1, loc='r', length=0.7)

效果如下:还在对Matplotlib繁琐的图层设置感到烦恼!?快来看看这个Python绘图工具包吧

时间刻度(Datetime ticks)
  • Datetime ticks
import proplot as plot
import numpy as np
plot.rc.update(
    linewidth=1.2, fontsize=10, ticklenratio=0.7,
    figurefacecolor='w', facecolor='pastel blue',
    titleloc='upper center', titleborder=False,
)
fig, axs = plot.subplots(nrows=5, axwidth=6, aspect=(8, 1), share=0)
axs[:4].format(xrotation=0)  # no rotation for these examples

# Default date locator
# This is enabled if you plot datetime data or set datetime limits
axs[0].format(
    xlim=(np.datetime64('2000-01-01'), np.datetime64('2001-01-02')),
    title='Auto date locator and formatter'
)

# Concise date formatter introduced in matplotlib 3.1
axs[1].format(
    xlim=(np.datetime64('2000-01-01'), np.datetime64('2001-01-01')),
    xformatter='concise', title='Concise date formatter',
)

# Minor ticks every year, major every 10 years
axs[2].format(
    xlim=(np.datetime64('2000-01-01'), np.datetime64('2050-01-01')),
    xlocator=('year', 10), xformatter='\'%y', title='Ticks every N units',
)

# Minor ticks every 10 minutes, major every 2 minutes
axs[3].format(
    xlim=(np.datetime64('2000-01-01T00:00:00'), np.datetime64('2000-01-01T12:00:00')),
    xlocator=('hour', range(0, 24, 2)), xminorlocator=('minute', range(0, 60, 10)),
    xformatter='T%H:%M:%S', title='Ticks at specific intervals',
)

# Month and year labels, with default tick label rotation
axs[4].format(
    xlim=(np.datetime64('2000-01-01'), np.datetime64('2008-01-01')),
    xlocator='year', xminorlocator='month',  # minor ticks every month
    xformatter='%b %Y', title='Ticks with default rotation',
)
axs.format(
    ylocator='null', suptitle='Datetime locators and formatters demo'
)
plot.rc.reset()
plt.savefig(r'E:\Data_resourses\DataCharm 公众号\Python\学术图表绘制\ProPlot\datetick.png',
             dpi=900)

效果如下:还在对Matplotlib繁琐的图层设置感到烦恼!?快来看看这个Python绘图工具包吧

以上是我认为ProPlot 比较优秀的几点,当然,大家也可以自行探索,发现自己喜欢的技巧。

ProPlot 实例演示

我们使用之前的推文数据进行实例操作,详细代码如下:

#开始绘图
labels = ['L1', 'L2', 'L3', 'L4', 'L5']
data_a = [20, 34, 30, 35, 27]
data_b = [25, 32, 34, 20, 25]
data_c = [12, 20, 24, 17, 16]

x = np.arange(len(labels))
width = .25
fig, axs = plot.subplots(ncols=2, nrows=1, sharey=1, width=10,height=4)
#for mark, data in zip()
axs[0].plot(x,y1, marker='s',c='k',lw=.5,label='D1',markersize=8)
axs[0].plot(x,y2, marker='s',c='k',ls='--',lw=.5,markersize=8,markerfacecolor='white',markeredgewidth=.4,label='D2')
axs[0].plot(x,y3,marker='^',c='k',lw=.5,markersize=8,markerfacecolor='dimgray',markeredgecolor='dimgray',
                     label='D3')
axs[0].plot(x,y4,marker='^',c='k',lw=.5,markersize=8,label='D4')

axs[1].bar(x-width/2, data_a,width,label='category_A',color='#130074',ec='black',lw=.5)
axs[1].bar(x+width/2, data_b, width,label='category_B',color='#CB181B',ec='black',lw=.5)
axs[1].bar(x+width*3/2, data_c,width,label='category_C',color='#008B45',ec='black',lw=.5)

#先对整体进行设置
axs.format(ylim=(0,40),
    xlabel='', ylabel='Values',
    abc=True, abcloc='ur', abcstyle='(A)',abcsize=13,
    suptitle='ProPlot Exercise'
)
#再对每个子图进行设置
axs[0].format(ylim=(10,40),title='Multi-category scatter plot')
axs[1].format(title='Multi-category bar plot',xticklabels=['L1', 'L2', 'L3', 'L4', 'L5'])

plt.savefig(r'E:\Data_resourses\DataCharm 公众号\Python\学术图表绘制\ProPlot\test_01.png',
            dpi=900)
plt.show()

效果如下:还在对Matplotlib繁琐的图层设置感到烦恼!?快来看看这个Python绘图工具包吧

只是简单的绘制,其他的设置也需要熟悉绘图函数,这里就给大家做个简单的演示。

总结

本期推文我们介绍了matplotlib非常优秀的科学图表绘图库PrpPlot, 在一定程度上极大了缩减了定制化绘制时间,感兴趣的同学可以持续关注这个库,当然,还是最好在熟悉matplotlib基本绘图函数及图层属性设置函数的基础上啊。

【文章原创作者:高防ip http://www.558idc.com/gfip.html欢迎留下您的宝贵建议】

网友评论