第二章主要讲述python主流绘图工具库的使用，包括matplotlib、seraborn、proplot、SciencePlots。
Matplotlib是Python最基本的绘图库，也是主流的绘图库，详细信息见
Matplotlib 官方文档
。以下是Matplotlib库常见的图类型：
|
函数
|
图类型
|
|
plot()
|
折线图、点图等
|
|
scatter()
|
散点图
|
|
bar()/barh()
|
柱形图、条形图
|
|
axhline/axvline
|
垂直于X/Y轴的直线
|
|
axhspan()/axvspan()
|
垂直于X/Y轴的矩形块
|
|
text()
|
添加文本
|
|
fill_between()
|
面积图、填充图
|
|
pie()
|
饼图
|
|
bosplot()
|
箱线图
|
|
errorbar()
|
误差线
|
设置轴比例是为了控制图表在 x 轴和 y 轴上的刻度间距，以及数据在图表中的显示比例。有时候，数据的分布范围很大，可能会导致图表显示不够直观，设置轴比例可以使图表更易于理解。例如，当数据在一个轴上的范围远大于另一个轴时，设置轴比例可以减少数据在某个轴上的压缩或拉伸，使得数据的分布更清晰可见。
设置轴比例可以用
ax.set_yscale()
函数，可选的方式有
linear
、
log
、
symlog
、
logit
以及自定义函数
function_base
。
接下来展示前4种方式的例子。
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
plt.rcParams['font.family']='Times New Roman'
np.random.seed(2023)
y = np.random.normal(loc=0.5, scale=0.4, size=1000)
y = y[(y > 0) & (y < 1)]
y.sort()
x = np.arange(len(y))
fig, axs = plt.subplots(2, 2, figsize=(12, 8), dpi=100,facecolor="w")
ax = axs[0, 0]
ax.plot(x, y,color="#2FBE8F",lw=3)
ax.set_yscale('linear')
ax.set_title('linear')
ax.grid(True)
ax = axs[0, 1]
ax.plot(x, y,color="#2FBE8F",lw=3)
ax.set_yscale('log')
ax.set_title('log')
ax.grid(True)
ax = axs[1, 1]
ax.plot(x, y - y.mean(),color="#2FBE8F",lw=3)
ax.set_yscale('symlog', linthresh=0.02)
ax.set_title('symlog')
ax.grid(True)
ax = axs[1, 0]
ax.plot(x, y,color="#2FBE8F",lw=3)
ax.set_yscale('logit')
ax.set_title('logit')
ax.grid(True)
plt.tight_layout()
plt.savefig('./images/demo_yscale.png',dpi=300)
plt.show()
matplotlib提供了多种多图绘制的方法，包括subplot、subplots、gridspec等。这里介绍常用的3种：
- subplot()
plt.figure(figsize=(10,6),dpi=100,facecolor="w")
ax1 = plt.subplot(212)
ax1.text(0.5, 0.5, "subplot(212)", alpha=0.75, ha="center", va="center", weight="bold", size=12)
ax2 = plt.subplot(221)
ax2.text(0.5, 0.5, "subplot(221)", alpha=0.75, ha="center", va="center", weight="bold", size=12)
ax3 = plt.subplot(222)
ax3.text(0.5, 0.5, "subplot(222)", alpha=0.75, ha="center", va="center", weight="bold", size=12)
plt.savefig('./images/demo_subplot.png',dpi=300)
plt.show()
- subplots()
fig, axs =
plt.subplots(2, 3,figsize=(12,8),dpi=100,sharex=True, sharey=True,facecolor="w")
axs[0,0].text(0.5, 0.5, "subplots(0,0)", alpha=0.75, ha="center", va="center", weight="bold", size=12)
axs[0,1].text(0.5, 0.5, "subplots(0,1)", alpha=0.75, ha="center", va="center", weight="bold", size=12)
axs[0,2].text(0.5, 0.5, "subplots(0,2)", alpha=0.75, ha="center", va="center", weight="bold", size=12)
axs[1,0].text(0.5, 0.5, "subplots(1,0)", alpha=0.75, ha="center", va="center", weight="bold", size=12)
axs[1,1].text(0.5, 0.5, "subplots(1,1)", alpha=0.75, ha="center", va="center", weight="bold", size=12)
axs[1,2].text(0.5, 0.5, "subplots(1,2)", alpha=0.75, ha="center", va="center", weight="bold", size=12)
plt.savefig('./images/demo_subplots.png',dpi=300)
plt.show()
- subplot2grid()
fig = plt.figure(figsize=(12,6),dpi=100,facecolor="w")
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3)
ax1.text(0.5, 0.5, "subplot2grid((0, 0), colspan=3)", alpha=0.75, ha="center", va="center", weight="bold", size=12)
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)
ax2.text(0.5, 0.5, "subplot2grid((1, 0), colspan=2)", alpha=0.75, ha="center", va="center", weight="bold",size=12)
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2)
ax3.text(0.5, 0.5, "subplot2grid((1, 2), colspan=2)", alpha=0.75, ha="center", va="center", weight="bold",size=10)
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax4.text(0.5, 0.5, "subplot2grid((2, 0))", alpha=0.75, ha="center", va="center", weight="bold",size=10)
ax5 = plt.subplot2grid((3, 3), (2, 1))
ax5.text(0.5, 0.5, "subplot2grid((2, 1))", alpha=0.75, ha="center", va="center", weight="bold",size=10)
plt.savefig('./images/demo_subplot2grid.png',dpi=300)
plt.show()
Seaborn基于matplotlib封装了许多高级绘图函数，且能直接使用pandas的dataframe类型数据作为数据源，非常方便。（重点是更好看，优雅！）
Seaborn可以通过以下函数去改变绘图风格、颜色主题及元素缩放比例等：
custom_params = {
"axes.spines.right": False, "axes.spines.top": False,
"font.family" : "Times New Roman", "font.scale": 1.5}
sns.set_style(style="ticks", rc=custom_params)
以下简单展示几个常见的Seaborn绘图函数。
lmplot()函数用于绘制回归图，可以绘制散点图和回归直线。
plt.figure(figsize=(10,6),dpi=100,facecolor="w")
penguins = sns.load_dataset("penguins")
g = sns.lmplot(
data=penguins,
x="bill_length_mm", y="bill_depth_mm", hue="species",
height=5
g.set_axis_labels("Snoot length (mm)", "Snoot depth (mm)")
plt.savefig('./images/Seaborn_lmplot.png', dpi=300, bbox_inches='tight')
plt.show()
<Figure size 1000x600 with 0 Axes>
直方图函数。这个直方图函数的可好玩了，可以绘制直方图，也可以绘制密度图，还可以绘制分布图。
以下为最基础的直方图：
plt.figure(figsize=(10,6),dpi=100,facecolor="w")
sns.histplot(data=penguins, x="flipper_length_mm")
plt.savefig('./images/Seaborn_histplot_original.png', dpi=300, bbox_inches='tight')
plt.show()
加点魔法（kde = True），可以得到核密度估计曲线：
plt.figure(figsize=(10,6),dpi=100,facecolor="w")
sns.histplot(data=penguins, x="flipper_length_mm", kde=True)
plt.savefig('./images/Seaborn_histplot_kde.png', dpi=300, bbox_inches='tight')
plt.show()
再加点魔法（参数hue），可以绘制分组直方图：
tips = sns.load_dataset("tips")
plt.figure(figsize=(10,6),dpi=100,facecolor="w")
sns.histplot(data=tips, x="day", hue="sex", multiple="dodge", shrink=.8)
plt.savefig('./images/Seaborn_histplot_hue.png', dpi=300, bbox_inches='tight')
plt.show()
甚至可以转换为热力图的形式来查看数据的分布（颜色越深表示该区域的样本数量越多）：
plt.figure(figsize=(10,6),dpi=100,facecolor="w")
sns.histplot(penguins, x="bill_depth_mm", y="body_mass_g")
plt.savefig('./images/Seaborn_histplot_heatmap.png', dpi=300, bbox_inches='tight')
plt.show()
更多玩法可以参阅Seaborn: histplot。
小提琴图可以直观地查看数据的分布特点。
titanic = sns.load_dataset("titanic")
plt.figure(figsize=(10,6),dpi=100,facecolor="w")
sns.violinplot(data=titanic, x="class", y="age", hue="alive")
plt.savefig('./images/Seaborn_violinplot.png', dpi=300, bbox_inches='tight')
plt.show()
iris = sns.load_dataset("iris")
plt.figure(figsize=(10,6),dpi=100,facecolor="w")
sns.scatterplot(data=iris, x="sepal_length", y="sepal_width", hue="species", style='species')
plt.savefig('./images/Seaborn_scatterplot.png', dpi=300, bbox_inches='tight')
plt.show()
Seaborn多图绘制除了可以可以调用matplotlib的subplots()函数外，还可以调用FactGrid()、pairplot()和PairGrid()函数。
- pairplot
pairplot函数主要用于查看数据的不同特征之间的分布关系，可以近似看成是相关系数的矩阵的图像化展示（但对角线上的图为该特征的分布图）。
sns.pairplot(penguins, hue="species")
plt.savefig('./images/Seaborn_pairplot.png', dpi=300, bbox_inches='tight')
plt.show()
plt.figure(figsize=(10,6),dpi=100,facecolor="w")
graph = sns.FacetGrid(tips, col ='time', hue =
'smoker')
graph.map(sns.regplot, "total_bill", "tip").add_legend()
graph.add_legend()
plt.savefig('./images/Seaborn_FactGrid.png', dpi=300, bbox_inches='tight')
plt.show()
plt.figure(figsize=(10,6),dpi=100,facecolor="w")
x_vars = ["body_mass_g", "bill_length_mm", "bill_depth_mm",]
y_vars = ["body_mass_g"]
g = sns.PairGrid(penguins, hue="species", x_vars=x_vars, y_vars=y_vars)
g.map_diag(sns.histplot, color=".3")
g.map_offdiag(sns.scatterplot)
g.add_legend()
plt.savefig('./images/Seaborn_PairGrid.png', dpi=300, bbox_inches='tight')
plt.show()
Proplot是一个基于matplotlib的绘图工具，它提供了一种更简单、更一致的绘图风格，并支持许多有用的绘图功能。
相比起matplotlib，Proplot最大的优点就是：简洁，优雅！
更简单的多图绘制（共享x、y轴）、更简单的颜色映射（colormap）和图例、支持pandas、自动分配空间等等。
安装方式：pip install proplot。
更多内容见Proplot官方文档。
先用Proplot绘制一个简单的折线图：
import numpy as np
import proplot as pplt
state = np.random.RandomState(51423)
data = 2 * (state.rand(100, 5) - 0.5).cumsum(axis=0)
fig = pplt.figure()
ax = fig.subplot(111)
ax.plot(data, lw=2)
fig.format(
suptitle='Simple single plot', title='Title',
xlabel='x axis', ylabel='y axis'
fig.save('./images/Proplot_example_single_plot.png')
Proplot提供了两种保存图片的方式：
fig.save('./images/Proplot_example1.png') # save the figurefig.savefig('./images/Proplot_example1.png') # alternative
另外，Proplot已经默认将图片保存的dpi设置到了1000的超高分辨率，意味着每英寸的像素数是1000，已经符合绝大多数学术期刊的最低分辨率要求，不需要在设置dpi了。
fig = pplt.figure()
ax = fig.subplot(121)
ax.plot(data, lw=2)
ax = fig.subplot(122)
fig.format(
suptitle='Simple subplot grid', title='Title',
xlabel='x axis', ylabel='y axis'
fig.save('./images/Proplot_example1.png')
Proplot默认开启多个子图共享x、y轴的标签，大部分时候都是合适的，如果需要关闭共享xy轴，可以这么设置：
pplt.rc.update('subplots', share=False, span=False)
在绘制多个不规则子图时，Proplot提供了一种很新奇的方式：用一个数组来表示图片的分布布局，比如：
array = [
[1, 1, 2],
[1, 1, 6],
[3, 4, 4],
[3, 5, 5],
fig, axs = pplt.subplots(array, figwidth=5, span=False)
axs.format(
suptitle='Really complex subplot grid',
xlabel='xlabel', ylabel='ylabel', abc=True
axs[0].plot(data, lw=2)
fig.save('./images/Proplot_example2.png')
当然，也可以采用类似matplotlib的subplots方式绘制多个子图：
fig, axs = pplt.subplots(ncols=4, nrows=4, refwidth=1.2, span=True)
axs.format(xlabel='xlabel', ylabel='ylabel', suptitle='Simple SubplotGrid')
axs.format(grid=False, xlim=(0, 50), ylim=(-4, 4))
axs[:, 0].format(facecolor='blush', edgecolor='gray7', linewidth=1)
axs[:, 0].format(fc='blush', ec='gray7', lw=1)
axs[0, :].format(fc='sky blue', ec='gray7', lw=1)
axs[0].format(ec='black', fc='gray5', lw=1.4)
axs[1:, 1:].format(fc='gray1')
for ax in
axs[1:, 1:]:
ax.plot((state.rand(50, 5) - 0.5).cumsum(axis=0), cycle='Grays', lw=2)
fig.save('./images/Proplot_example3.png')
fig = pplt.figure(refwidth=1, refnum=5, span=False)
axs = fig.subplots([[1, 1, 2], [3, 4, 2], [3, 4, 5]], hratios=[2.2, 1, 1])
axs.format(xlabel='xlabel', ylabel='ylabel', suptitle='Complex SubplotGrid')
axs[0].format(ec='black', fc='gray1', lw=1.4)
axs[1, 1:].format(fc='blush')
axs[1, :1].format(fc='sky blue')
axs[-1, -1].format(fc='gray4', grid=False)
axs[0].plot((state.rand(50, 10) - 0.5).cumsum(axis=0), cycle='Grays_r', lw=2)
fig.save('./images/Proplot_example4.png')
Proplot支持非常多的colormap，如下：
import proplot as pplt
fig, axs = pplt.show_cmaps()
fig.save('./images/Proplot_cmaps.png')
举个例子：
pplt.rc.cycle = '538'
fig, axs = pplt.subplots(ncols=2, span=False, share='labels', refwidth=2.3)
labels = ['a', 'bb', 'ccc', 'dddd', 'eeeee']
hs1, hs2 = [], []
state = np.random.RandomState(51423)
for i, label in enumerate(labels):
data = (state.rand(20) - 0.45).cumsum(axis=0)
h1 = axs[0].plot(
data, lw=4, label=label, legend='ul',
legend_kw={'order': 'F', 'title': 'column major'}
hs1.extend(h1)
h2 = axs[1].plot(
data, lw=4, cycle='Set3', label=label, legend='r',
legend_kw={'lw': 8, 'ncols': 1, 'frame': False, 'title': 'modified\n handles'}
hs2.extend(h2)
ax = axs[0]
ax.legend(hs1, loc='b', ncols=3, title='row major', order='C', facecolor='gray2')
ax = axs[1]
ax.legend(hs2, loc='b', ncols=3, center=True, title='centered rows')
axs.format(xlabel='xlabel', ylabel='ylabel', suptitle='Legend formatting demo')
fig.save('./images/Proplot_example5.png')
Proplot可以画出非常漂亮的散点图。
import pandas as pd
state = np.random.RandomState(51423)
x = (state.rand(20) - 0).cumsum()
data = (state.rand(20, 4) - 0.5).cumsum(axis=0)
data = pd.DataFrame(data, columns=pd.Index(['a', 'b', 'c', 'd'
], name='label'))
gs = pplt.GridSpec(ncols=2, nrows=2)
fig = pplt.figure(refwidth=2.2, share='labels', span=False)
ax = fig.subplot(gs[0], title='Dependent x-axis')
ax.scatter(data, cycle='538')
ax = fig.subplot(gs[1], title='Dependent y-axis')
ax.scatterx(data, cycle='538')
ax = fig.subplot(gs[2], title='With property cycle')
obj = ax.scatter(
x, data, legend='ul', legend_kw={'ncols': 2},
cycle='Set2', cycle_kw={'m': ['x', 'o', 'x', 'o'], 'ms': [5, 10, 20, 30]}
ax = fig.subplot(gs[3], title='With colormap')
data = state.rand(2, 100)
obj = ax.scatter(
*data,
s=state.rand(100), smin=6, smax=60, marker='o',
c=data.sum(axis=0), cmap='maroon',
colorbar='lr', colorbar_kw={'label': 'label'},
fig.format(suptitle='Scatter plot demo', xlabel='xlabel', ylabel='ylabel')
fig.save('./images/Proplot_scatter.png')
state = np.random.RandomState(51423)
data = state.rand(5, 5).cumsum(axis=0).cumsum(axis=1)[:, ::-1]
data = pd.DataFrame(
data, columns=pd.Index(np.arange(1, 6), name='column'),
index=pd.Index(['a', 'b', 'c', 'd', 'e'], name='row idx')
pplt.rc.abc = 'a.'
pplt.rc.titleloc = 'l'
gs = pplt.GridSpec(nrows=2, hratios=(3, 2))
fig = pplt.figure(refaspect=2, refwidth=4.8, share=False)
ax = fig.subplot(gs[0], title='Side-by-side')
obj = ax.bar(
data, cycle='Reds', edgecolor='red9', colorbar='ul', colorbar_kw={'frameon': False}
ax.format(xlocator=1, xminorlocator=0.5, ytickminor=False)
ax = fig.subplot(gs[1], title='Stacked')
obj = ax.barh(
data.iloc[::-1, :], cycle='Blues', edgecolor='blue9', legend='ur', stack=True,
fig.format(grid=False, suptitle='Bar plot demo')
pplt.rc.reset()
fig.save('./images/Proplot_barplot.png')
SciencePlots是一个专门为科研论文打造的轻量化的绘图工具包，但需要安装的东西可不少，以下是我的环境：
- Win10
- MikeTex，安装完成后将安装目录
C:\Users\Administrator\AppData\Local\Programs\MiKTeX\miktex\bin添加到系统得到环境变量中； - 安装SciencePlots：
pip install SciencePlots
SciencePlots的使用非常简单，只需加一行命令即可，以下两种使用方式：
plt.style.use('science')with plt.style.context('science'): xxx
这里推荐第一种方式。
首先我们来看没用SciencePlots的绘图，代码如下：
import matplotlib.pyplot as plt
import scienceplots
import numpy as np
plt.style.reload_library()
def model(x, p):
return x ** (2 * p + 1) / (1 + x ** (2 * p))
x = np.linspace(0.75, 1.25, 201)
plt.figure(figsize=(18, 12), dpi=300, facecolor='white')
fig, ax = plt.subplots()
for p in [10, 15, 20, 30, 50, 100]:
ax.plot(x, model(x, p), label=p)
ax.legend(title='Order')
ax.set(xlabel='Voltage (mV)')
ax.set(ylabel='Current ($\mu$A)')
ax.autoscale(tight=True)
plt.savefig('./images/SciencePlots_not_active.png', dpi=300, bbox_inches='tight',facecolor='white')
plt.show()
再来看用了SciencePlots的绘图，代码如下：
plt.style.use('science')
with plt.style.context('science'):
fig, ax = plt.subplots()
for p in [10, 15, 20, 30, 50, 100]:
ax.plot(x, model(x, p), label=p)
ax.legend(title='Order')
ax.set(xlabel='Voltage (mV)')
ax.set(ylabel='Current ($\mu$A)')
ax.autoscale(tight=True)
plt.savefig('./images/SciencePlots_active.png', dpi=300, bbox_inches='tight',facecolor='white')
plt.show()
Amazing! 非常得优雅，符合科研的严谨风格，这谁看了不得地把你论文录了？
再来看看IEEE期刊的风格：
plt.style.use(['science', 'ieee'])
plt.figure(figsize=(10, 6), dpi=100)
fig, ax = plt.subplots()
for p in [10, 15, 20, 30, 50, 100]:
ax.plot(x, model(x, p), label=p)
ax.legend(title='Order')
ax.set(xlabel='Voltage (mV)')
ax.set(ylabel='Current ($\mu$A)')
ax.autoscale(tight=True)
plt.savefig('./images/SciencePlots_ieee.png', dpi=300, bbox_inches='tight',facecolor='white')
plt.show()
一样的严谨，甚至把黑白印刷难以区分颜色的痛点都考虑到了，非常得Amazing啊！
以上就是科研绘图四大天王的简单介绍，更多详细资料见文末参考资料。
[1] Datawhale 科研论文配图绘制指南–基于Python》
[2] matplotlib 官方文档
[3] Seaborn 官方文档
[4] 【知乎】简单好用的深度学习论文绘图专用工具包–Science Plot
[5] SciencePlots官方仓库及文档
In this tutorial, you’ll be equipped to make production-quality, presentation-ready Python histogram plots with a range of choices and features.
在本教程中，您将具备制作具有各种选择和功能的生产质量，可用于演示的Python直方图的能力。
If you...
diannaomingong:
Docker搭建Ubuntu环境及Docker常用命令
叫我张晓宇:
kmeans聚类算法如何选k值？
qq_42006103:
Docker搭建Ubuntu环境及Docker常用命令
CSDN-Ada助手:
