Matplotlib 简明教程

Matplotlib - Autoscaling

What is Autoscaling?

Matplotlib 中的自动调整是指基于正在绘制的数据自动调整轴限制，确保绘制的数据适合于该图表的可见区域，而不会被剪切掉或超出图表界限。此功能旨在通过动态调整轴限制以容纳整个数据集来提供数据的最佳视图。

Key Aspects of Autoscaling in Matplotlib

以下是 Matplotlib 库中自动调整的关键方面。

Automatic Adjustment

在 Matplotlib 中，自动调整或自动缩放是指该库基于所绘制的数据动态地确定和设置 x 轴和 y 轴的轴限制的过程。其目的是确保整个数据集在图表中可见，而无需任何数据点被剪切掉或超出图表界限。

自动调整的关键方面如下。

Data-Based Limits − Matplotlib 检查所绘制数据的范围以确定两个轴的合适的最小和最大限制。

Data Visibility − 目的是在图表区域内清晰地显示所有数据点，优化视图以进行可视化。

Dynamic Updates − 当创建或修改图表时，Matplotlib 重新计算和调整轴限制，以适应整个数据范围。

Preventing Clipping − 自动缩放确保因图表界限而不会剪切或隐藏任何数据点。

Manual Override − 用户还可以使用 plt.axis('auto') 或 plt.axis('tight') 等命令显式启用自动缩放，让 Matplotlib 根据所绘制的数据动态地调整轴限制。

在此示例中，plt.axis('auto') 或 plt.axis('tight') 通过允许 Matplotlib 根据所绘制的数据动态调整轴限制来启用自动缩放。该库重新计算限制以确保所有数据点在图表区域内可见，从而提供数据的最佳视图。

import matplotlib.pyplot as plt

# Sample data
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# Creating a plot with autoscaling
plt.plot(x, y, marker='o')

# Automatically adjust axis limits
plt.axis('auto')  # or simply plt.axis('tight') for tight axis limits
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Plot with Autoscaling')
plt.show()

以下是上面代码的输出： -

auto adjustment

Tight Layout

在 Matplotlib 中， tight_layout() 是一个函数，可自动调整子图参数，以确保轴标签、标题和其他适应图示区域的项目元素不会重叠或被切断。此函数通过调整子图和其他图表元素之间的间距来优化布局。

以下是紧密布局的主要方面：

Optimizing Layout − tight_layout() 函数优化了图中的子图和图表元素的排列，以最大限度地减少重叠并最大化空间利用率。

Preventing Overlapping Elements − 它调整了子图、轴、标签和标题之间的填充和间距，以防止图表元素重叠或剪切掉。

Automatic Adjustment − 此函数在创建复杂的多子图图形或处理各种图表元素时特别有用。

在此示例中，我们通过确保所有元素（如标题、标签等）正确地间隔并适应图示区域来自动调整子图的布局。

import matplotlib.pyplot as plt

# Creating subplots
fig, axes = plt.subplots(2, 2)

# Plotting in subplots
for i, ax in enumerate(axes.flatten()):
   ax.plot([i, i+1, i+2], [i, i+1, i+2])
   ax.set_title(f'Subplot {i+1}')

# Applying tight layout
plt.tight_layout()
plt.show()

以下是上面代码的输出： -

tight layout

plt.axis('auto')

此命令允许我们为特定轴显式启用自动缩放。

以下是 plt.axis('auto') 的典型用法，

import matplotlib.pyplot as plt

# Creating a subplot
fig, ax = plt.subplots()

# Plotting data
ax.plot([1, 2, 3], [2, 4, 3])
plt.axis('auto')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Plot with Autoscaling')
plt.show()

以下是上面代码的输出： -

plt auto

plt.axis('tight')

在 matplotlib 中， plt.axis('tight') 是用于设置绘图的轴限，使其紧密贴合所绘数据的范围的命令。此命令调整轴限以完全包含所提供数据的最小和最大值，方法是删除数据点与绘图边缘之间的任何多余空间。

import matplotlib.pyplot as plt

# Sample data
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# Creating a plot with tight axis limits
plt.plot(x, y, marker='o')

# Setting axis limits tightly around the data range
plt.axis('tight')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Plot with Tight Axis Limits')
plt.show()

以下是上面代码的输出： -

plt tight

Dynamic Updates

在 matplotlib 中，动态更新是指库自动调整或更新绘图元素的能力，当数据或绘图本身发生变化时。此功能确保可视化保持最新状态并对基础数据中的变化作出响应，而无需手动干预。

Key Points about Dynamic Updates in Matplotlib

Real-Time Updates − 当新数据添加到现有绘图中或对绘图元素进行修改时，matplotlib 动态更新可视化以反映这些更改。

Automatic Redrawing − matplotlib 在发生更改时自动重绘绘图，例如添加新的数据点、调整轴限或修改绘图属性。

Interactive Plotting − matplotlib 中的交互式功能（例如 Jupyter Notebooks 或交互式后端）允许实时操作和更新绘图，以响应用户交互。

Efficient Rendering − matplotlib 优化渲染过程以有效地更新绘图元素，同时保持视觉准确度。

在此示例中，初始绘图显示正弦波。循环模拟动态更新，通过在每次迭代中添加新的余弦波并修改绘图标题。plt.pause(1)引入暂停以显示这些更改，但在 Jupyter Notebook 等交互式环境中没有必要。

import matplotlib.pyplot as plt
import numpy as np

# Initial plot with random data
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Dynamic Updates Example')

# Simulating dynamic updates by modifying the plot
for _ in range(5):
   # Adding new data to the plot
   x_new = np.linspace(0, 10, 100)
   y_new = np.cos(x_new + _)
   plt.plot(x_new, y_new, linestyle='--')  # Plotting new data
   # Updating plot properties
   plt.title(f'Dynamic Update {_+1}')  # Updating the plot title
   plt.pause(1)  # Pause to display changes (for demonstration)
plt.show()

以下是上面代码的输出： -

dynamic update