python可视化（3-2）面向对象绘图（子图和他的小伙伴们，ax & ticks,label,legend,grid...）

我们进入：面向对象绘图 第二节
本系列第二部分我们详细介绍了各绘图对象；
本系列第三部分第一节详细介绍了fig与ax
本文为面向对象绘图的收尾，将详细介绍子图ax及与子图相关的各个元素
如：坐标轴、坐标轴刻度、图例、轴标题、网格线等。

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
网格线	ax.grid

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.ticker import FormatStrFormatter
from matplotlib.ticker import FuncFormatter

一张图上有多少对象

下图用不同颜色标注了一张matplotlib图上的各个对象：
灰色的画布
白色的画布标题
红色的绘图对象
天蓝色的子图填充
蓝色的子图标题
桔红色的轴标题
地中海蓝色填充的图例
绿色加粗的坐标轴边框
深蓝加粗的坐标轴标签
………………………………
可以看出，一幅图就是各个元素像“积木”一样堆积起来的，每个元素都可以根据相应的接口“定制”。正因为如此，matplotlib的绘图自由度是非常高的，这么设计的好处无疑是给了使用者很大的创作空间。

# 一步生成画布和子图，其中画布填充为灰色
fig, axs = plt.subplots(1, 2, facecolor='grey', figsize=(10, 4))

# 设置画布标题
fig.suptitle('The title of fig', va='top', size=20, color='white')

for i, ax in enumerate(axs):
    # 第一幅子图绘制sin曲线，第二幅子图绘制log曲线
    if i == 0:
        ax.plot(np.linspace(-1*np.pi, np.pi, 100), np.sin(np.linspace(-1*np.pi, np.pi, 100)),
                label='sin(x)', lw=5, color='darkred')
    else:
        ax.scatter(np.linspace(1, 2, 10), np.log(np.linspace(1, 2, 10)),
                   label='log(x)', s=100, c='darkred')

    # 子图填充颜色
    ax.set(facecolor='skyblue')
    # 子图标题
    ax.set_title('the title of ax', fontsize=20, color='blue')
    # 子图x轴，y轴标题
    ax.set_xlabel('the label of xaxis', fontsize=20, color='orangered')
    ax.set_ylabel('the label of yaxis', fontsize=20, color='orangered')
    # 子图图例
    ax.legend(loc=2, fontsize=15, facecolor='aliceblue')
    # 子图网格线
    ax.grid()
    
    # 子图坐标轴边框
    for position in ['left', 'right', 'top', 'bottom']:
        ax.spines[position].set_linewidth(10)
        ax.spines[position].set_color('green')
    
    # 子图x，y坐标轴轴标签
    for label in ax.get_xticklabels()+ax.get_yticklabels():
        label.set_color('cyan')
        label.set_fontsize(15)
    
    # 子图x，y坐标轴轴刻度线
    for line in ax.get_xticklines()+ax.get_yticklines():
        line.set_markeredgewidth(7)
        line.set_markersize(30)
        line.set_markerfacecolor('aqua')

# 微调子图与画布间距，及子图与子图间距
plt.subplots_adjust(left=0.12, right=0.98,
                    bottom=0.15, top=0.8,
                    wspace=0.3
                    )

子图设置

下图通过ax.set将不同子图填充为不同颜色，通过ax.label_outer设置了轴标题和轴标签，仅在最外层一圈的子图上显示轴标题和轴标签。
接口ax.get_geometry返回当前子图的栅格位置，接口ax.is_first_col，ax.is_first_row 可用做判断当前子图是否为第一列或第一行。

fig, axs = plt.subplots(2, 2, facecolor='lightgrey')
colors = 'rgbk'
for i, ax in enumerate(axs.ravel()):
    ax.set(facecolor=colors[i])
    ax.label_outer()  # 仅在外层显示轴标题和轴标签
    print(ax.get_geometry()) # 返回总行数、列数以及每个子图的顺序号，nrows，ncols，loc
    print(ax.is_first_col(),ax.is_first_row()) # 返回布尔型，返回当前子图是否是第一列或者第一行的判断值

以上代码输出为：

(2, 2, 1)
True True
(2, 2, 2)
False True
(2, 2, 3)
True False
(2, 2, 4)
False False

子图换位

可通过ax.change_geometry对任一子图ax调换栅格位置。本例将左上角与右下角子图进行了换位。

fig, axs = plt.subplots(2, 2, facecolor='lightgrey')
colors = 'rgbk'
for i, ax in enumerate(axs.ravel()):
    ax.set(facecolor=colors[i])
    ax.label_outer()  

# 以下代码实现将左上角子图与右下角子图对换位置
axs[0,0].change_geometry(2,2,4)
axs[1,1].change_geometry(2,2,1)

坐标轴

坐标系开关

可通过ax.axis(‘off’)，关闭坐标系（包括坐标轴、坐标轴刻度，坐标轴标签等）。

fig, axs = plt.subplots(1, 3, facecolor='lightgrey',figsize=(9,3))
for i,ax in enumerate(axs):
    ax.text(0.5,0.5,'ax%d'%(i+1),fontsize=20,ha='center')

# 默认显示上、下、左、右四处坐标轴，可通过以下代码将其关闭
ax=axs[1]
ax.axis('off')

坐标轴是否显示

坐标轴通过ax.spines[postion] 对象进行调用，通过set_visible设置相应位置坐标轴可见性。本例分别将左、右、上、下的坐标轴设置为不可见。

fig, axs = plt.subplots(2, 2)
positions=['left', 'right', 'top', 'bottom']
for i,ax in enumerate(axs.ravel()):
    ax.text(0.5,0.5,'ax%d'%(i+1),fontsize=20,ha='center')
    
    ax.spines[positions[i]].set_visible(False)
    ax.set_title('delete the spines of '+positions[i])

坐标轴设置

以下代码分别设置了坐标轴颜色set_color、线型set_linestyle、线宽set_linewidth、位置set_position，详情请看代码注释。

fig, axs = plt.subplots(1, 4,figsize=(12,3))
positions=['left', 'right', 'top', 'bottom']
colors='rgbk'
linestyles=['-','--',':','-.']
for i,ax in enumerate(axs.ravel()):
    ax.set_title(positions[i],size=15)
    # 坐标轴颜色
    ax.spines[positions[i]].set_color(colors[i])    
    # 坐标轴线型
    ax.spines[positions[i]].set_linestyle(linestyles[i])    
    # 坐标轴线宽
    ax.spines[positions[i]].set_linewidth(8)
    # 坐标轴位置
    ax.spines[positions[i]].set_position(('axes',0.5))
       # set_position 接口传入一个元组，元组第一项为参照系，第二项为位置值
        # 若元组第一项若'axes'，则表示坐标轴交叉至子图归一化后位置
        # 若元组第一项为'data'，则表示坐标轴交叉至实际数据坐标位置

笛卡尔坐标系

默认情况下，matplotlib在上、下、左、右各显示一条坐标轴；很多情况下，例如笛卡尔坐标系，仅显示两条坐标轴，且相交于原点。本例中，子图1为默认状态下坐标轴，子图2为笛卡尔坐标系下坐标轴，子图3自定义坐标轴，该坐标轴交叉于（-2.0，0.3）。

fig, axs = plt.subplots(1, 3, figsize=(9, 3))
colors = 'rgb'

for i, ax in enumerate(axs):
    ax.plot(np.linspace(-1*np.pi, np.pi, 100),
            np.sin(np.linspace(-1*np.pi, np.pi, 100)), lw=5, color=colors[i])

axs[1].spines['left'].set_position(('axes', 0.5))  # y轴与x轴交叉于彼此的中心，此处为（0.0，0.0）
axs[1].spines['bottom'].set_position(('axes', 0.5))
axs[1].spines['top'].set_visible(False)
axs[1].spines['right'].set_visible(False)

axs[2].spines['left'].set_position(('data', -2.0))  # y轴与x轴交叉于 （-2.0，0.3）
axs[2].spines['bottom'].set_position(('data', 0.3))
axs[2].spines['top'].set_visible(False)
axs[2].spines['right'].set_visible(False)

轴标题

本例演示了ax.set_xlabel接口中，不同轴标题参数对轴标题的不同设置。

fig, axs = plt.subplots(1, 4, figsize=(12, 3))

for ax in axs.ravel():
    ax.text(0.5,0.5,ax.get_geometry(),ha='center',fontsize=20)

# 不做任何修改
axs[0].set_xlabel(xlabel='x axis')
axs[0].set_ylabel(ylabel='y axis')

# 修改字体，字号，轴标题比子图主体的间距
axs[1].set_xlabel(xlabel='x axis',
                     fontdict={
    
    'family': 'Times New Roman',
                               'size': 20, },
                     labelpad=10)  # 与子图的相对距离，百分比

# 修改字体，字号，标题旋转角度
axs[2].set_xlabel(xlabel='x axis',
                     fontdict={
    
    'family': 'Times New Roman',
                               'size': 20,
                               'rotation': 30},)

# 轴标题增加轮廓，轮廓背景用纯色填充，轮廓边框设置为蓝色
# plt.xlabel 与 ax.set_xlabel 接口功能相同，区别是 plt.xlabel 只对当前子图有效
# 当前子图为 axs[3]
plt.xlabel(xlabel='x axis',
           size=20,
           bbox={
    
    'facecolor': 'cyan',
                 'edgecolor': 'blue',
                 'boxstyle': 'round'})

轴刻度与轴标签

轴刻度与轴标签，涉及的接口很多。
本例详细讨论了轴刻度与轴标签的设置方法，分三种方式：
方式一（ax 1）：
通过ax.set_xticks设置主/次刻度线
通过ax.xaxis.set_ticklabels设置主/次刻度标签
方式二（ax 2）：
通过ax.tick_params设置主/次刻度线及刻度标签
通过ax.xaxis.get_ticklabels、ax.xaxis.get_ticklines的返回对象设置刻度线及刻度标签（分别返回的是Text对象和Line2D对象）
方式三：
通过plt.xticks一步设置主/次刻度线和主/次刻度标签
实际应用中，经常会迷惑plt与ax，两者均能对对象进行设置，但他们有所区别：
（1）plt突出的是快捷，ax突出的是详细、精准；
（2）plt的操作对象是当前子图，ax是指定任一子图；
（3）plt相比ax，在设置（set）对象属性上，大部分相同，但是在详细设置（set）与获取（get）对象属性上ax要明显优于plt。
文末会详细列出plt与ax对不同对象属性的set，get接口。
针对x轴、y轴刻度标签的小数位数，格式等，子图4用两种方式演示了对其设置的方法：一种是通过FormatStrFormatter类对象（文本转义格式化输出），另一种是通过FuncFormatter类对象（函数式格式化输出）。

fig, axs = plt.subplots(1, 4, figsize=(12, 3))

for ax in axs.ravel():
    ax.text(0.5, 0.5, ax.get_geometry(), ha='center', fontsize=20)

########################  ax 0 ####################
# 默认，不修改

########################  ax 1 ####################
# x轴刻度标签设置
axs[1].set_xticks(ticks=[0, 0.2, 0.5, 0.8, 1.0])  # 定位刻度线
axs[1].xaxis.set_ticklabels(
    ticklabels=[0, 0.2, 0.5, 0.8, 1.0],  # 设置刻度标签
    size=15,  # 字号
    rotation=30)   # 字体旋转角度
# y轴刻度标签设置
axs[1].set_yticks(ticks=[0, 0.2, 0.5, 0.7, 1.0])
axs[1].yaxis.set_ticklabels(
    ticklabels=['y-0', 'y-0.2', 'y-0.5', 'y-0.7', 'y-1.0'],
    fontsize=15,  # 字号
    color='blue')  # 字体颜色

########################  ax 2 ####################
# x轴刻度线设置
for line in axs[2].get_xticklines():
    # 返回的line为Line2D对象，类似于折线图绘制的曲线
    # 刻度为该对象的marker
    line.set_markeredgewidth(5)   # 刻度宽度
    line.set_markersize(20)   # 刻度长度
    line.set_color('blue')  # 刻度颜色

# y轴刻度线设置
axs[2].tick_params(
    axis='y',
    direction='in',  # 刻度线朝向，in-向内，out-向外
    length=25,  # 刻度线长度
    width=2,   # 刻度线宽度
    color='r',  # 刻度线颜色
    left=False,  # 左侧坐标轴刻度线不显示
    right=True,  # 右侧坐标轴刻度线显示
    labelleft=False,  # 左侧坐标轴标签不显示
    labelright=True,  # 右侧坐标轴标签显示
    labelrotation=30,  # 标签旋转角度
)

########################  ax 3 ####################
ax = plt.gca() # 返回当前子图，此处返回的是最后一个子图，即axs[1,1]

# x轴刻度标签设置
# 通过格式化文本 FormatStrFormatter
from matplotlib.ticker import FormatStrFormatter
ax.xaxis.set_major_formatter(formatter=FormatStrFormatter('%.2f'))

# y轴刻度标签设置
# 通过格式化函数 FuncFormatter
from matplotlib.ticker import FuncFormatter
def major_tick_format(num, pos):
    return 'y-%.2f' % num
formatter = FuncFormatter(major_tick_format)
ax.yaxis.set_major_formatter(formatter=formatter)

轴刻度与网格线

在标记了主、次刻度线的位置，可以通过plt.grid和ax.grid接口进行网格线的设置。

fig, axs = plt.subplots(1, 4, figsize=(12, 3))

########################  ax 0 ####################
# 默认，不修改

########################  ax 1 ####################
ax = axs[1]
ax.grid(b=True)

########################  ax 2 ####################
from matplotlib.ticker import MultipleLocator, AutoMinorLocator

ax = axs[2]
ax.xaxis.set_major_locator(MultipleLocator(0.4))  # 每0.4个刻度分一个主刻度线
ax.xaxis.set_minor_locator(AutoMinorLocator(n=2))  # 将每个主刻度线分成2个次刻度线

ax.yaxis.set_major_locator(MultipleLocator(0.5))  # 每0.5个刻度分一个主刻度线
ax.grid(axis='y', lw=6, color='red')
# 设置主刻度网格线
ax.grid(b=True,
        which='major',
        axis='x',
        color='blue',
        alpha=0.8,
        linewidth=4,
        linestyle=':',)
# 设置次刻度网格线
ax.grid(b=True,
        which='minor',
        axis='x',
        color='gray',
        alpha=0.8,
        linewidth=4,
        linestyle='--',)

########################  ax 2 ####################
plt.grid(b=True,
         which='major',
         axis='both',
         color='green',
         lw=6)

图例

图例位置的设置

可以通过plt.legend和ax.legend接口进行图例的设置
loc参数用来设置图例在子图的位置，loc默认为0，在该状态下，图例将尽可能少地遮挡绘图对象。下图展示了不同位置图例的图像。

fig, axs = plt.subplots(3, 3, figsize=(9, 9), sharey=True, sharex=True)
colors = 'rgbkrgbkr'
for i, ax in enumerate(axs.ravel()):
    ax.plot(np.linspace(-1*np.pi, np.pi, 100),
            np.sin(np.linspace(-1*np.pi, np.pi, 100)), lw=5, label='sin', color=colors[i])
    ax.legend(loc=i+1)
    ax.set_title(label='the legend loc position: %d' % (i+1))

官方文档中图例位置介绍

Location String	Location Code
‘best’	0
‘upper right’	1
‘upper left’	2
‘lower left’	3
‘lower right’	4
‘right’	5
‘center left’	6
‘center right’	7
‘lower center’	8
‘upper center’	9
‘center’	10

图例边框的设置

本例演示了不同参数对图例边框、文本、位置的设置，详情请看代码注释。

fig, axs = plt.subplots(1, 4, figsize=(12, 3), sharey=True, sharex=True)
colors = 'rgbk'
for i, ax in enumerate(axs):
    ax.plot(np.linspace(-1*np.pi, np.pi, 100),
            np.sin(np.linspace(-1*np.pi, np.pi, 100)), lw=5, label='sin', color=colors[i])

########################  ax 0 ####################
ax = axs[0]
ax.legend()

########################  ax 1 ####################
ax = axs[1]
ax.legend(frameon=False,  # 去除图例边框
          markerfirst=False,  # 将图例线段放置在文本后方
          prop={
    
    'family': 'Times New Roman',  # 设置字体
                'size': 20,  # 设置字号
                }
          )

########################  ax 2 ####################
ax = axs[2]
ax.legend(facecolor='skyblue',
          edgecolor='darkred',
          title='title of legend',
          title_fontsize=11,
          fontsize=11,
          framealpha=0.8,
          )

########################  ax 3 ####################
plt.legend(bbox_to_anchor=(1.1, 0.9), 
           # 相对位置，一般默认为当前子图归一化位置；如需修改为其他子图，可通过bbox_transform指定
          bbox_transform=axs[3].transAxes) 

前文多处均用到了plt与ax，相信很多用了很久matplotlib也常感疑惑，有时甚至经常迷惑自己究竟改用plt还是ax，事实上，两者确实在大多数情况下均能完成相同的任务。以下是个人的一些总结：
（1）plt突出的是快捷，代码思路更侧重于面向过程；ax突出的是详细、精准，代码思路更侧重于面向对象；
（2）plt的操作对象是当前子图，ax是指定任一子图，单子图情况下两者并无较大区别，多子图和栅格子图时，ax将有显著优势；
（3）plt相比ax，在设置（set）对象属性上，大部分相同，但是在详细修饰与获取对象属性上ax要明显优于plt。

希望对你有所启发和帮助！