python箭头怎么打出来 python箭头图 |
您所在的位置：网站首页 › 箭头函数的箭头怎么打出来 › python箭头怎么打出来 python箭头图 |
python箭头怎么打出来 python箭头图
|
本文主要介绍箱线图、饼图、文字标记 和 箭头标记 涉及的接口分别为 plt.boxplot、plt.pie、plt.text、plt.arrow 文章目录箱线图单变量分布多变量分布修饰横向条形图饼图饼图数据参数饼图修饰中空饼图文字标记文字箭头标记
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箱线图直方图和箱线图是用以描述随机变量分布最重要的两类图，他们各有特色。本系列2.1部分对直方图已有了较为详细的介绍，今天着重介绍另一个绘图对象——箱线图。遗憾的是，作为单变量分布最为重要的两类图，他们均未被引入Excel。 当我们拿到一个数据集，最基础也是最为重要的一步就是观察数据，对于任一随机变量，最为重要的观察点在于其聚合程度和分散程度，包括了1/4分位数，中位数，3/4分位数，上下边界分位数，离群点的箱线图，毫无疑问是该随机变量高度浓缩的一个影像，透过它，我们可以很快地知道数据全貌。 单变量分布如图，只需要一行代码，即可将x的1000个数据浓缩到一幅图中，从下至上一共5个小横线，分别代表了x的下边界分位数，1/4分位数，中位数，3/4分位数，上下边界分位数，其中上下边界分位数通过以下公式获得：
仅仅对单变量的数据分布有所了解是不够的，需要将数据集中所有变量均在同一尺度下进行展示。 在多变量分布的展示上，箱线图与直方图策略上略有不同：直方图更擅长重叠式地展示，这样可以逐一对比各序列在任一x位置的差异；箱线图更擅长将数据拉开，仅对比其在y方向上的差异。 如下图所示，x，y，z，w为四个大致相同的分布，多变量分布涉及到的修饰参数均在代码中以注释的形式予以说明。 np.random.seed(1234) x = np.random.randn(100) y = np.random.randn(100) z = np.random.randn(100) w = np.random.randn(100) res = plt.boxplot([x, y, z, w], whis=1.0, # 确定上下边界点 Q3 + whis*IQR whis默认为1.5 positions=[1, 2, 4, 5], # 每个序列对应的x坐标位置 labels=['x', 'y', 'z', 'w'], # 每个序列的x标签文本 widths=[0.7, 0.5, 0.5, 0.7], # 每个序列的箱子宽度 showmeans=True, # 显示均值 如图中绿色上三角 )
下图从左至右详细地展示了plt.boxplot接口各参数对绘图对象的影响，从图中可以看出，箱线图可供细节上调整的参数是非常多的，这给了使用者充分的自由度，用来绘制自己需要的图形，详情请看代码注释。 np.random.seed(1234) x = np.random.randn(1000) plt.boxplot(x, positions=[1], showcaps=False, # 取消显示边界值线 showbox=False, # 取消显示箱体实体 showfliers=False, # 取消显示离群点 ) # 箱线图各元素的显示 plt.boxplot(x, positions=[2], showcaps=True, # 显示边界值线 showbox=True, # 显示箱体实体 showfliers=True, # 显示离群点 ) # 自定义中位线 plt.boxplot(x, positions=[3], usermedians=[0.8], # 自定义中位值 medianprops={'lw': 4, 'color': 'r'}, # 设置中位线 ) # 箱线图各元素的设置 plt.boxplot(x, positions=[4], widths=[0.5], # 箱体宽度 showcaps=True, # 显示边界值线 capprops={'color': 'pink', 'lw': 4, 'ls': '-'}, # 设置边界值线 showbox=True, # 显示箱子实体 patch_artist=True, # 将箱子设置成可填充样式 boxprops={'facecolor': 'gray', 'edgecolor': 'b', 'lw': 3}, # 设置箱体填充颜色,轮廓颜色，轮廓线宽 showfliers=True, # 显示离群点 flierprops={'marker': 's', 'markerfacecolor': 'g', 'markersize': 8}, # 设置离群点 showmeans=True, # 显示均值 meanline=True, # 将均值显示成一条线 meanprops={'lw': 4, 'color': 'g', 'ls': ':'}, # 设置均值线 medianprops={'lw': 4, 'color': 'r'}, # 设置中位线 whiskerprops={'lw': 2, 'color': 'black', 'ls': '-'}, # 设置延伸线 )
只需要改变一个参数vert即可将箱线图调整为横向，本例还对各序列进行了分别着色，其原理是将不同颜色传入参数boxprops中（需要注意的是，填充起作用的前提为patch_artist被设置为True）。 np.random.seed(1234) x = np.random.normal(0,1,100) y = np.random.normal(1,1,100) z = np.random.normal(1,2,100) w = np.random.normal(2,1.5,100) for i,(data,color) in enumerate(zip([x,y,z,w],'bgrk')): plt.boxplot(data, positions=[i+1], widths=[0.5], patch_artist=True, boxprops=dict(lw=3,facecolor=color), vert=False) # False 时为水平方向箱线图 plt.grid(axis='y')
真正的牛人，都擅长画饼 这么说，是因为很多行业、产业分析分析报告，往往都是从一张饼开始的； 是因为很多牛逼的公司，都是从一张张饼中成长起来的； 是因为很多人都是被一张张饼吸引过来的； 没有人会拒绝饼，因为世界太荒凉，每个人都很饿！ 饼图数据参数当传入的列表（元组或数据）数据和
当传入的列表（元组或数据）数据和
利用该特性，可以绘制一个只含半扇的饼图。 percents=[0.125,0.125,0.125,0.125] # 总面积为0.5 plt.pie(x=percents)
可以通过一系列的参数修饰饼图，让饼看起来更加充实、秀色可餐。 percents = [25, 32, 30, 13] #列表和大于1时，会自动转化为百分比 plt.pie(x=percents, labels=['apple', 'orange', 'pear', 'balana'], # 类别标签 textprops={'size': 15}, # 标签文本设置 labeldistance=1.2, # 标签相对中心的位置 autopct='%.2f%%', # 数据标签格式 startangle=10, # 第一个饼的起始角度 counterclock=True, #默认为逆时针，False时为顺时针 )
当然对于比较重要的部分，可以通过参数explode将其突出显示。 percents = [25, 32, 30, 13] plt.pie(x=percents, explode=[0.2,0,0,0] )
中空是饼图得以展现多序列分布的一种形式，如图，外圈至里圈通过颜色和区域的对应关系，呈现出一种 分 ——> 总 的美感，其原理是通过调节各系列的半径radius，宽度wedgeprops实现的。 outs=[5,10,10, 15,12,5, 10,12,8, 2,4,7] mids = [25, 32, 30, 13] ins = [57, 43] plt.pie(x=outs, colors=[(1.0,0,0),(0.8,0,0),(0.6,0,0), (0,1.0,0),(0,0.8,0),(0,0.6,0), (0,0,1.0),(0,0,0.8),(0,0,0.6), (0.50,0.50,0.50),(0.40,0.40,0.40),(0.20,0.20,0.20),], # 每个pie的颜色 radius=1.0, wedgeprops={'width':0.2} ) plt.pie(x=mids, labels=['apple', 'orange', 'pear', 'balana'], textprops={'size': 15}, labeldistance=1.4, colors=[(1.0,0,0),(0,1.0,0),(0,0,1.0),(0.50,0.50,0.50),], radius=0.78, wedgeprops={'width':0.2} ) plt.pie(x=ins, colors=[(1.0,1.0,0),(0.70,0.70,0.70),], radius=0.55, wedgeprops={'width':0.2} )
目前很多dashboard控制面板，常以不完整的圈表达某一事项的完成进度，其原理相对简单，代码实现见下图。 outs = [0.8] mids = [0.6] ins = [0.5] startangle=20 plt.pie(x=outs, startangle=startangle, radius=1.0, wedgeprops={'width': 0.2} ) plt.pie(x=mids, startangle=startangle, radius=0.78, wedgeprops={'width': 0.2} ) plt.pie(x=ins, startangle=startangle, radius=0.55, wedgeprops={'width': 0.2} )
或许可视化的目的是为了少说话，文字标记接口plt.text不支持向量式地输入文字，即我们不能传入一串x，y坐标和一个文字列表，通过一行代码批量标记文字，这与matplotlib中大多数接口的设计略有不同。因此，这也是很多人用此接口常常觉得蹩脚的原因，需要for循环将每个文字标记的坐标和文字映射到绘图对象上。 以下展示了通过for循环将《精忠报国》部分歌词映射到图片上代码及输出效果，参数细节请看代码注释。 文字geci = '''狼烟起，江山北望 龙起卷，马长嘶，剑气如霜 心似黄河水茫茫 二十年，纵横间，谁能相抗 恨欲狂，长刀所向 ……………… 堂堂中国要让四方 来贺''' gecis = geci.split('\n') # 歌词根据回车分割，返回为一行一行的歌词列表 ax = plt.figure().add_subplot(111) ypos = np.linspace(0.95, 0.05, len(gecis)) # 每行歌词y坐标的位置 colors = 'bgrkbgrk' for i, (geci, ypos, color) in enumerate(zip(gecis, ypos, colors)): plt.text( 0.1, ypos, # 文字坐标x，y，当接口传入transform时，此时为归一化坐标 geci, # 文字内容 fontdict={'family': 'SimHei', 'size': 20, 'color': color}, # 修饰文字，此处修改了字体、字号、颜色 va='center', # 文本相对y的垂直位置 top，center，bottom ha='left', # 文本相对x的水平位置 left，center，right transform=ax.transAxes, # 归一化坐标转换 )
箭头plt.arrow与文字接口有诸多相似之处，以下代码展示了箭头接口的使用，具体内容详见代码注释。 ax = plt.figure().add_subplot(111) plt.text( 0.65, 0.5, 'matplotlib', fontdict={'family': 'Times New Roman', 'size': 25}, va='center', ha='left', transform=ax.transAxes, bbox={ # 文本边框的设置 'boxstyle': 'round', # 边框为圆角 'facecolor': 'green', # 边框内部填充绿色 'edgecolor': 'red', # 边框轮廓线为红色 'alpha': 0.6, # 边框填充色透明度为0.6 }, ) plt.arrow(x=0, y=0.5, # 箭头横线起始点坐标x，y，当接口传入transform时，此时为归一化坐标 dx=0.5, dy=0, # 箭头相对起始点，x轴与y轴的偏移 lw=3, # 线宽 head_width=0.1, # 三角形实体箭头的相对宽度 head_length=0.1, # 三角形实体箭头的相对长度 edgecolor='b', # 箭头轮廓线颜色 facecolor='r', # 箭头填充色 transform=ax.transAxes, # 归一化坐标转换 ) plt.axis('off') # 绘制心形线 t = np.linspace(0, np.pi, 1000) x = np.sin(t)-0.6 y = np.cos(t) + np.power(x, 2.0/3)-0.25 plt.plot(x, y, color='red', linewidth=2, label='h') plt.plot(-x, y, color='red', linewidth=2, label='-h') plt.xlim((-1, 2)) plt.ylim((-1.5, 1.5)) plt.tight_layout()
总体来说，本文涉及的绘图对象重在内涵，希望对你有所启发和帮助！
|
【本文地址】
今日新闻 |
推荐新闻 |