详细介绍Figure和Axes(基于Matplotlib)
🌵文章目录🌵
- 🌳引言🌳
- 🌳 一、Figure(图形)🌳
- 🍁1. 创建Figure🍁
- 🍁2. 添加Axes🍁
- 🌳二、Axes(坐标轴)🌳
- 🍁1. 创建Axes🍁
- 🍁2. 绘制图表🍁
- 🍁3. 设置Axes属性🍁
- 🌳三、Figure和Axes的区别与联系🌳
- 🌳四、进阶用法与技巧🌳
- 🍁1. 多子图布局🍁
- 🍁2. 共享坐标轴🍁
- 🍁3. 保存和导出图表🍁
- 🌳五、总结与展望🌳
- 🌳结尾🌳
🌳引言🌳
在数据分析和可视化领域,Python的Matplotlib库因其强大的功能和广泛的应用而备受推崇。它为用户提供了创建多种类型图表的能力,如折线图、柱状图、散点图等,这些图表对于数据理解和展示至关重要。在Matplotlib库中,Figure和Axes是两个核心概念,它们共同构成了绘图的基础框架。本文将详细解读这两个概念,并探讨它们在Matplotlib中的实际应用,帮助读者更好地掌握数据可视化的关键要素。
🌳 一、Figure(图形)🌳
Figure在Matplotlib中代表了一个完整的图表,它包含了所有的绘图元素,如Axes、标题、图例等。我们可以将Figure看作是一个容器,其中包含了用于绘制图表的所有元素。
🍁1. 创建Figure🍁
在Matplotlib中,我们可以使用plt.figure()
函数来创建一个新的Figure对象。例如:
import matplotlib.pyplot as pltfig = plt.figure()
这将创建一个默认的Figure对象。我们还可以通过传递参数来自定义Figure的大小、DPI等属性。例如:
fig = plt.figure(figsize=(10, 5), dpi=100)
这将创建一个宽度为10英寸、高度为5英寸、DPI为100的Figure对象。
🍁2. 添加Axes🍁
一旦我们创建了Figure对象,就可以向其添加Axes对象。Axes代表了一个坐标轴系统,它包含了数据、坐标轴标签、标题等。我们可以使用add_subplot()
方法来向Figure中添加Axes。例如:
ax = fig.add_subplot(111)
这将在Figure中添加一个1x1的网格中的第一个子图。参数111
表示网格的行数、列数和子图的索引。在这个例子中,我们创建了一个单一的Axes对象,占据了整个Figure的空间。
完整代码如下:
import matplotlib.pyplot as pltfig = plt.figure(figsize=(10, 5), dpi=100)
ax = fig.add_subplot(111)
plt.show()
运行结果如下图所示:
🌳二、Axes(坐标轴)🌳
Axes是Matplotlib中的另一个核心概念,它代表了一个坐标轴系统,用于显示数据和进行绘图。每个Axes对象一般都包含了一个X轴和一个Y轴,以及与之关联的数据和标签。
🍁1. 创建Axes🍁
如上所述,我们可以通过向Figure对象添加子图来创建Axes对象。除了使用add_subplot()
方法外,我们还可以使用add_axes()
方法来创建Axes对象,并指定其在Figure中的位置和大小。例如:
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
这将在Figure上创建一个占据了大部分空间的Axes对象。参数[0.1, 0.1, 0.8, 0.8]
的原型是[left, bottom, width, height]
,其中 left
和 bottom
是 Axes
左下角相对于 Figure
边缘的坐标(以小数形式表示,例如 0 是左/底部边缘,1 是右/顶部边缘),width
和 height
是 Axes
的宽度和高度(也是以小数形式表示)。
完整代码如下:
import matplotlib.pyplot as pltfig = plt.figure(figsize=(10, 5), dpi=100)
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
plt.show()
运行结果如下图所示:
🍁2. 绘制图表🍁
一旦我们有了Axes对象,就可以在其上进行绘图操作。Matplotlib提供了丰富的绘图函数,如plot()
、scatter()
、bar()
等,用于在Axes上绘制各种图表。例如,要在Axes上绘制一个简单的折线图,我们可以这样做:
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
ax.plot(x, y)
这将在Axes上绘制一个由点(1, 2)
、(2, 3)
、(3, 5)
、(4, 7)
和(5, 11)
组成的折线图。
完整代码如下:
import matplotlib.pyplot as pltfig = plt.figure(figsize=(10, 5), dpi=100)
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
ax.plot(x, y)
plt.show()
运行结果如下图所示:
🍁3. 设置Axes属性🍁
除了绘制图表外,我们还可以设置Axes的各种属性,如标题、坐标轴标签、刻度等。Matplotlib提供了丰富的函数来设置这些属性。例如:
ax.set_title('Simple Line Plot')
ax.set_xlabel('X-axis Label')
ax.set_ylabel('Y-axis Label')
ax.set_xlim([0, 6])
ax.set_ylim([0, 12])
这些函数分别用于设置Axes的标题、X轴标签、Y轴标签、X轴范围和Y轴范围。
完整代码如下:
import matplotlib.pyplot as pltx = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]fig = plt.figure(figsize=(10, 5), dpi=100)
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax.plot(x, y)
ax.set_title('Simple Line Plot')
ax.set_xlabel('X-axis Label')
ax.set_ylabel('Y-axis Label')
ax.set_xlim([0, 6])
ax.set_ylim([0, 12])
plt.show()
运行结果如下图所示:
🌳三、Figure和Axes的区别与联系🌳
Figure | Axes | |
---|---|---|
定义 | Figure 代表整个图表窗口或画布,它是一个容器,可以包含多个子图(Axes )。 | Axes 是Figure 中的一个子图,它拥有自己的坐标轴、刻度、标签等,用于绘制具体的图表。 |
作用 | 提供了一个绘制图表的区域,可以容纳一个或多个Axes 。 | 在Figure 中绘制具体的图表,如折线图、柱状图等。 |
数量 | 一个Figure 可以包含多个Axes ,可通过add_subplot 方法添加。 | 一个Figure 中可以有多个Axes ,但每个Axes 都是独立的。 |
属性 | 包含如尺寸、DPI(每英寸的点数)、背景色等属性。 | 包含如坐标轴范围、刻度、标签、标题等属性。 |
层级关系 | Axes 是Figure 的子对象,每个Axes 都是Figure 的一个部分。 | Axes 是Figure 的直接子对象,与Figure 有直接的层级关系。 |
绘制关系 | 负责整体的布局和呈现,是图表的容器。 | 在Figure 的指定位置进行绘制,展示具体的图表内容。 |
联系:
Axes
是Figure
的组成部分,每个Axes
都在Figure
的指定位置进行绘制。Figure
和Axes
共同构成了图表的基本结构,其中Figure
提供了绘制的整体环境,而Axes
则负责具体的图表内容展示。
区别:
Figure
是一个更高级别的概念,它代表了整个图表窗口或画布,而Axes
则是Figure
中的一个具体子图。Figure
主要负责整体的布局和呈现,而Axes
则负责具体的图表绘制和内容展示。- 一个
Figure
可以包含多个Axes
,而每个Axes
都是独立的,拥有自己的坐标轴、刻度、标签等。
🌳四、进阶用法与技巧🌳
🍁1. 多子图布局🍁
Matplotlib允许在一个Figure中创建多个Axes,通过网格布局或自由布局的方式来实现多子图展示。例如,使用subplot2grid
或GridSpec
可以创建复杂的子图布局。
"""
绘制正弦、余弦以及它们的和在一个 2x2 的网格布局中。
"""
import matplotlib.pyplot as plt
import numpy as np # 创建一个 2x2 的网格布局
fig = plt.figure(figsize=(10, 8))
gs = fig.add_gridspec(2, 2) # 在第一行,创建一个跨越两列的 Axes
ax1 = fig.add_subplot(gs[0, :])
# 在第二行,第一列创建一个 Axes
ax2 = fig.add_subplot(gs[1, 0])
# 在第二行,第二列创建一个 Axes
ax3 = fig.add_subplot(gs[1, 1]) # 生成一个从 0 到 2π,包含 100 个点的等差数列
x = np.linspace(0, 2 * np.pi, 100)
# 计算正弦值
y1 = np.sin(x)
# 计算余弦值
y2 = np.cos(x) # 在 ax1 上绘制红色的正弦曲线,并设置标题为 'Sine'
ax1.plot(x, y1, 'r')
ax1.set_title('Sine') # 在 ax2 上绘制蓝色的余弦曲线,并设置标题为 'Cosine'
ax2.plot(x, y2, 'b')
ax2.set_title('Cosine') # 在 ax3 上绘制绿色的正弦和余弦的和的曲线,并设置标题为 'Sine + Cosine'
ax3.plot(x, y1 + y2, 'g')
ax3.set_title('Sine + Cosine') # 显示图形
plt.show()
运行结果如下图所示:
🍁2. 共享坐标轴🍁
有时我们可能希望多个图表共享同一个X轴或Y轴。Matplotlib提供了sharex
和sharey
参数来实现这一功能。
"""
绘制正弦和余弦函数图像
"""
import matplotlib.pyplot as plt
import numpy as np# 生成一个从0到2π包含100个点的等差数列
x = np.linspace(0, 2 * np.pi, 100)# 计算正弦和余弦值
y1 = np.sin(x)
y2 = np.cos(x)# 创建一个2行1列的子图布局,共享x轴
fig, axs = plt.subplots(2, 1, sharex=True)# 在第一个子图上绘制正弦函数图像,并设置y轴标签为'Sine'
axs[0].plot(x, y1)
axs[0].set_ylabel('Sine')# 在第二个子图上绘制余弦函数图像,并设置y轴标签为'Cosine'
axs[1].plot(x, y2)
axs[1].set_ylabel('Cosine')# 调整子图之间的间距
fig.tight_layout()# 显示图像
plt.show()
运行结果如下图所示:
🍁3. 保存和导出图表🍁
创建好图表后,我们可以使用savefig
方法将其保存为图片文件,支持多种格式如PNG、PDF、SVG等。
plt.savefig('my_plot.png') # 保存为PNG图片
🌳五、总结与展望🌳
通过本文的详细介绍,我们对Matplotlib中的Figure和Axes有了更加深入的理解。从基础的创建和设置,到进阶的多子图布局,Matplotlib提供了丰富的功能和灵活的接口,使得数据可视化变得简单而高效。未来,随着数据科学和可视化技术的不断发展,我们期待Matplotlib能够继续带来更多创新和便利的功能。
希望本文能够帮助读者更好地掌握Matplotlib中的Figure和Axes,并在实际的数据分析和可视化工作中发挥它们的强大作用。
🌳结尾🌳
亲爱的读者,首先感谢您抽出宝贵的时间来阅读我们的博客。我们真诚地欢迎您留下评论和意见💬。
俗话说,当局者迷,旁观者清。您的客观视角对于我们发现博文的不足、提升内容质量起着不可替代的作用。
如果博文给您带来了些许帮助,那么,希望您能为我们点个免费的赞👍👍/收藏👇👇,您的支持和鼓励👏👏是我们持续创作✍️✍️的动力。
我们会持续努力创作✍️✍️,并不断优化博文质量👨💻👨💻,只为给您带来更佳的阅读体验。
如果您有任何疑问或建议,请随时在评论区留言,我们将竭诚为你解答~
愿我们共同成长🌱🌳,共享智慧的果实🍎🍏!
万分感谢🙏🙏您的点赞👍👍、收藏⭐🌟、评论💬🗯️、关注❤️💚~