使用Matplotlib可視化數據的5個強大技巧

做者|Rizky Maulana Nurhidayat
編譯|VK
來源|Towards Datas Science

數據可視化用於以更直接的表示方式顯示數據，而且更易於理解。它能夠用柱狀圖、散點圖、折線圖、餅圖等形式造成。許多人仍然使用Matplotlib做爲後端模塊來可視化他們的圖形。在這個故事中，我將給你一些技巧，使用Matplotlib建立一個優秀圖表的5個強大技巧。

1. 使用Latex字體

默認狀況下，咱們可使用Matplotlib提供的一些不錯的字體。可是，有些符號不夠好，不能由Matplotlib建立。例如，符號phi（φ），如圖1所示。

正如你在y-label中看到的，它仍然是phi（φ）的符號，可是對於某些人來講，它還不足以做爲繪圖標籤。爲了使它更漂亮，你可使用Latex字體。如何使用它？答案就在這裏。

plt.rcParams['text.usetex'] = True
plt.rcParams['font.size'] = 18

你能夠在python代碼的開頭添加上面的代碼。第1行定義繪圖中使用的LaTeX字體。你還須要定義大於默認大小的字體大小。若是你不換，我想它會給你一個小標籤。我選了18。應用上述代碼後的結果如圖2所示。

你須要在符號的開頭和結尾寫上雙美圓符號，像這樣（$…$）

plt.xlabel('x')
plt.ylabel('$\phi$ (phi)')

若是你有一些錯誤或沒有安裝使用LaTeX字體所需的庫，則須要經過在Jupyter notebook中運行如下代碼來安裝這些庫。

!apt install texlive-fonts-recommended texlive-fonts-extra cm-super dvipng

若是你想經過終端安裝，能夠輸入

apt install texlive-fonts-recommended texlive-fonts-extra cm-super dvipng

固然，你可使用一些不一樣的字體系列，如serif、sans-serif（上面的示例）等。要更改字體系列，可使用如下代碼。

plt.rcParams['font.family'] = "serif"

若是你將上面的代碼添加到代碼中，它將給你一個圖，如圖3所示。

你能理解圖3和圖2之間的區別嗎？是的，若是你仔細分析，區別在於字體的尾部。後一個圖形使用serif，而前者使用sans-serif。簡而言之，serif表示尾，sans表示沒有。若是你想了解更多有關字體系列或字體的信息，我建議你使用此連接。

https://en.wikipedia.org/wiki/Typeface

你還可使用Jupyter themes庫設置字體系列/字體。我已經作了使用它的教程。只需單擊如下連接。Jupyter主題也能夠改變你的Jupyter主題，例如暗模式主題：https://medium.com/@rizman18/how-can-i-customize-jupyter-notebook-into-dark-mode-7985ce780f38

咱們但願插入複雜文本，如圖4的標題所示。

若是你想建立圖4，可使用這個完整的代碼

# 導入庫
import numpy as np
import matplotlib.pyplot as plt

# 調整matplotlib參數
plt.rcParams.update(plt.rcParamsDefault)
plt.rcParams['text.usetex'] = True
plt.rcParams['font.size'] = 18
plt.rcParams['font.family'] = "serif"

# 建立模擬數據
r = 15
theta = 5
rw = 12
gamma = 0.1

err = np.arange(0., r, .1)
z = np.where(err < rw, 0, gamma * (err-rw)**2 * np.sin(np.deg2rad(theta)))
    
# 可視化數據
plt.scatter(err, z, s = 10)
plt.title(r'$\Sigma(x) = \gamma x^2 \sin(\theta)$', pad = 20)
plt.xlabel('x')
plt.ylabel('$\phi$')

# 保存圖表
plt.savefig('latex.png', dpi = 300, pad_inches = .1, bbox_inches = 'tight')

2.建立縮放效果

在這個技巧中，我將給你一個生成繪圖的代碼，如圖5所示。

首先，你須要瞭解plt.axes()和plt.figure() 你能夠在下面的連接中查看它。代碼plt.figure() 覆蓋單個容器中的全部對象，包括軸、圖形、文本和標籤。代碼plt.axes()只包含特定的部分。我想，圖6能夠給你一個簡單的理解。

黑盒子使用plt.figure()，紅色和藍色的盒子使用plt.axes(). 在圖6中，有兩個軸，紅色和藍色。你能夠查看此連接以獲取基本參考：https://medium.com/datadriveninvestor/python-data-visualization-with-matplotlib-for-absolute-beginner-python-part-ii-65818b4d96ce

理解以後，你能夠分析如何建立圖5。是的，簡單地說，圖5中有兩個軸。第一個軸是一個大的繪圖，放大版本從580到650，第二個是縮小版本。下面是建立圖5的代碼。

# 建立主容器
fig = plt.figure()

# 設置隨機種子
np.random.seed(100)

# 建立模擬數據
x = np.random.normal(400, 50, 10_000)
y = np.random.normal(300, 50, 10_000)
c = np.random.rand(10_000)

# 建立放大圖
ax = plt.scatter(x, y, s = 5, c = c)
plt.xlim(400, 500)
plt.ylim(350, 400)
plt.xlabel('x', labelpad = 15)
plt.ylabel('y', labelpad = 15)

# 建立放大圖
ax_new = fig.add_axes([0.6, 0.6, 0.2, 0.2]) # 放大圖的位置與放大圖的比例比較
plt.scatter(x, y, s = 1, c = c)

# 保存圖形，留好邊距
plt.savefig('zoom.png', dpi = 300, bbox_inches = 'tight', pad_inches = .1)

若是你須要代碼的解釋，能夠訪問此連接:https://medium.com/datadriveninvestor/data-visualization-with-matplotlib-for-absolute-beginner-part-i-655275855ec8

我還提供了另外一個版本的縮放效果，你可使用Matplotlib。如圖7所示。

要建立圖7，你須要在Matplotlib中使用add_subblot或其餘語法（subblot）建立三個軸。爲了更容易使用，我在這裏加上。要建立它們，可使用如下代碼。

fig = plt.figure(figsize=(6, 5))
plt.subplots_adjust(bottom = 0., left = 0, top = 1., right = 1)

# 建立第一個軸，左上角的圖用綠色的圖
sub1 = fig.add_subplot(2,2,1) # 兩行兩列，第一單元格

# 建立第二個軸，即左上角的橙色軸
sub2 = fig.add_subplot(2,2,2) # 兩行兩列，第二個單元格

# 建立第三個軸，第三和第四個單元格的組合
sub3 = fig.add_subplot(2,2,(3,4)) # 兩行兩列，合併第三和第四單元格

代碼將生成一個圖，如圖8所示。它告訴咱們它將生成2行2列。軸sub1（2，2，1）是子圖（第一行，第一列）中的第一個軸。順序從左上側到右開始。軸sub2（2，2，2）被放置在第一行第二列中。軸sub3（2，2，（3，4）），是第二行第一列和第二行第二列之間的合併軸。

固然，咱們須要定義一個模擬數據，以便在繪圖中可視化。在這裏，我定義了線性函數和正弦函數的簡單組合，以下面的代碼所示。

# 使用lambda定義函數
stock = lambda A, amp, angle, phase: A * angle + amp * np.sin(angle + phase)

# 定義參數
theta = np.linspace(0., 2 * np.pi, 250) # x軸
np.random.seed(100)
noise = 0.2 * np.random.random(250)
y = stock(.1, .2, theta, 1.2) + noise # y軸

若是你將代碼應用到前面的代碼中，你將獲得一個圖，如圖9所示。

下一步是限制第一個和第二個軸（sub1和sub2）的x軸和y軸，爲sub3中的兩個軸建立阻塞區域，並建立表明縮放效果的ConnectionPatch。可使用如下完整的代碼來完成（記住，爲了簡單起見，我沒有使用循環）。

# 使用lambda定義函數
stock = lambda A, amp, angle, phase: A * angle + amp * np.sin(angle + phase)

# 定義參數
theta = np.linspace(0., 2 * np.pi, 250) # x軸
np.random.seed(100)
noise = 0.2 * np.random.random(250)
y = stock(.1, .2, theta, 1.2) + noise # y軸

# 建立大小爲6x5的主容器
fig = plt.figure(figsize=(6, 5))
plt.subplots_adjust(bottom = 0., left = 0, top = 1., right = 1)

# 建立第一個軸，左上角的圖用綠色的圖
sub1 = fig.add_subplot(2,2,1) # 兩行兩列，第一單元格
sub1.plot(theta, y, color = 'green')
sub1.set_xlim(1, 2)
sub1.set_ylim(0.2, .5)
sub1.set_ylabel('y', labelpad = 15)

# 建立第二個軸，即左上角的橙色軸
sub2 = fig.add_subplot(2,2,2) # 兩行兩列，第二個單元格
sub2.plot(theta, y, color = 'orange')
sub2.set_xlim(5, 6)
sub2.set_ylim(.4, 1)

# 建立第三個軸，第三和第四個單元格的組合
sub3 = fig.add_subplot(2,2,(3,4)) # 兩行兩列，合併第三和第四單元格
sub3.plot(theta, y, color = 'darkorchid', alpha = .7)
sub3.set_xlim(0, 6.5)
sub3.set_ylim(0, 1)
sub3.set_xlabel(r'$\theta$ (rad)', labelpad = 15)
sub3.set_ylabel('y', labelpad = 15)

# 在第三個軸中建立阻塞區域
sub3.fill_between((1,2), 0, 1, facecolor='green', alpha=0.2) # 第一個軸的阻塞區域
sub3.fill_between((5,6), 0, 1, facecolor='orange', alpha=0.2) # 第二軸的阻塞區域

# 在左側建立第一個軸的ConnectionPatch
con1 = ConnectionPatch(xyA=(1, .2), coordsA=sub1.transData, 
                       xyB=(1, .3), coordsB=sub3.transData, color = 'green')
# 添加到左側
fig.add_artist(con1)

# 在右側建立第一個軸的ConnectionPatch
con2 = ConnectionPatch(xyA=(2, .2), coordsA=sub1.transData, 
                       xyB=(2, .3), coordsB=sub3.transData, color = 'green')
# 添加到右側
fig.add_artist(con2)

# 在左側建立第二個軸的ConnectionPatch
con3 = ConnectionPatch(xyA=(5, .4), coordsA=sub2.transData, 
                       xyB=(5, .5), coordsB=sub3.transData, color = 'orange')
# 添加到左側
fig.add_artist(con3)

# 在右側建立第二個軸的ConnectionPatch
con4 = ConnectionPatch(xyA=(6, .4), coordsA=sub2.transData, 
                       xyB=(6, .9), coordsB=sub3.transData, color = 'orange')
# 添加到右側
fig.add_artist(con4)

# 保存圖形，留好邊距
plt.savefig('zoom_effect_2.png', dpi = 300, bbox_inches = 'tight', pad_inches = .1)

代碼將爲你提供一個出色的縮放效果圖，如圖7所示。

3.建立圖例

你的圖中是否有許多圖例要顯示？若是是，則須要將它們放置在主軸以外。

要將圖例放置在主容器以外，須要使用此代碼調整位置

plt.legend(bbox_to_anchor=(1.05, 1.04)) # 圖例的位置

值1.05和1.04位於朝向主容器的x和y軸座標中。你能夠改變它。如今，把上面的代碼應用到咱們的代碼中，

# 使用lambda建立wave函數
wave = lambda amp, angle, phase: amp * np.sin(angle + phase)

# 設置參數值
theta = np.linspace(0., 2 * np.pi, 100)
amp = np.linspace(0, .5, 5)
phase = np.linspace(0, .5, 5)

# 建立主容器及其標題
plt.figure()
plt.title(r'Wave Function $y = \gamma \sin(\theta + \phi_0) $', pad = 15)

# 爲每一個放大器和階段建立繪圖
for i in range(len(amp)):
    lgd1 = str(amp[i])
    lgd2 = str(phase[i])
    plt.plot(theta, wave(amp[i], theta, phase[i]), label = (r'$\gamma = $'+lgd1+', $\phi = $' +lgd2))
    
plt.xlabel(r'$\theta$ (rad)', labelpad = 15)
plt.ylabel('y', labelpad = 15)

# 調整圖例
plt.legend(bbox_to_anchor=(1.05, 1.04))

# 保存圖形，留好邊距
plt.savefig('outbox_legend.png', dpi = 300, bbox_inches = 'tight', pad_inches = .1)

運行代碼後，它將給出一個圖，如圖11所示。

若是要使圖例框更漂亮，可使用如下代碼添加陰影效果。它將顯示一個圖，如圖12所示。

plt.legend(bbox_to_anchor=(1.05, 1.04), shadow=True)

4.建立連續偏差圖

在過去的十年裏，數據可視化的風格被轉移到一個乾淨的繪圖主題上。經過閱讀國際期刊或網頁上的一些新論文，咱們能夠看到這種轉變。最流行的方法之一是用連續的偏差可視化數據，而不是使用偏差條。你能夠在圖13中看到它。

圖13是經過使用fill_between生成的。在fill_between語法中，你須要定義上限和下限，如圖14所示。

要應用它，可使用如下代碼。

plt.fill_between(x, upper_limit, lower_limit)

參數上限和下限能夠互換。這是完整的代碼。

N = 9
x = np.linspace(0, 6*np.pi, N)

mean_stock = (stock(.1, .2, x, 1.2))
np.random.seed(100)
upper_stock = mean_stock + np.random.randint(N) * 0.02
lower_stock = mean_stock - np.random.randint(N) * 0.015

plt.plot(x, mean_stock, color = 'darkorchid', label = r'$y = \gamma \sin(\theta + \phi_0)$')

plt.fill_between(x, upper_stock, lower_stock, alpha = .1, color = 'darkorchid')
plt.grid(alpha = .2)

plt.xlabel(r'$\theta$ (rad)', labelpad = 15)
plt.ylabel('y', labelpad = 15)
plt.legend()
plt.savefig('fill_between.png', dpi = 300, bbox_inches = 'tight', pad_inches = .1)

5.調整邊距

若是你分析上面的每一行代碼，plt.savefig()後面會是一個複雜的參數：bbox_inches和pad_inches。當你在撰寫一篇期刊或文章時，它們會爲你提供邊距。若是不包括它們，則保存後，繪圖的邊距將更大。圖15展現了有bbox_inches和pad_inches以及沒有它們的不一樣繪圖。

我想你看不出圖15中兩個圖之間的區別。我將嘗試用不一樣的背景色來顯示它，如圖16所示。

一樣，當你在一篇論文或一篇文章中插入你的圖表時，這個技巧會幫助你。你不須要裁剪它來節省空間。

結論

Matplotlib是一個多平臺庫，能夠在許多操做系統使用。它是將數據可視化的老庫之一，但它仍然很強大。由於開發人員老是根據數據可視化的趨勢進行一些更新。上面提到的一些技巧就是更新的例子。

原文連接：https://towardsdatascience.com/5-powerful-tricks-to-visualize-your-data-with-matplotlib-16bc33747e05

歡迎關注磐創AI博客站：
http://panchuang.net/

sklearn機器學習中文官方文檔：
http://sklearn123.com/

歡迎關注磐創博客資源彙總站：
http://docs.panchuang.net/