matplotlib进阶教程：如何逐步美化一个折线图

2023年7月15日上午12:45 • 人工智能 • 阅读 62

大家好，今天分享一个非常有趣的 Python 教程，如何美化一个 matplotlib 折线图， 喜欢记得收藏、关注、点赞。

注：数据、完整代码、技术交流文末获取

1. 导入包

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
import matplotlib.gridspec as gridspec

2. 获得数据

file_id = '1yM_F93NY4QkxjlKL3GzdcCQEnBiA2ltB'
url = f'https://drive.google.com/uc?id={file_id}'
df = pd.read_csv(url, index_col=0)
df

数据长得是这样的：

3. 对数据做一些预处理

按照需要，对数据再做一些预处理，代码及效果如下：

home_df = df.copy()
home_df = home_df.melt(id_vars = ["date", "home_team_name", "away_team_name"])
home_df["venue"] = "H"
home_df.rename(columns = {"home_team_name":"team", "away_team_name":"opponent"}, inplace = True)
home_df.replace({"variable":{"home_team_xG":"xG_for", "away_team_xG":"xG_ag"}}, inplace = True)

away_df = df.copy()
away_df = away_df.melt(id_vars = ["date", "away_team_name", "home_team_name"])
away_df["venue"] = "A"
away_df.rename(columns = {"away_team_name":"team", "home_team_name":"opponent"}, inplace = True)
away_df.replace({"variable":{"away_team_xG":"xG_for", "home_team_xG":"xG_ag"}}, inplace = True)

df = pd.concat([home_df, away_df]).reset_index(drop = True)
df

4. 画图


Y_for = df[(df["team"] == "Lazio") & (df["variable"] == "xG_for")]["value"].reset_index(drop = True)
Y_ag = df[(df["team"] == "Lazio") & (df["variable"] == "xG_ag")]["value"].reset_index(drop = True)
X_ = pd.Series(range(len(Y_for)))

Y_for = Y_for.rolling(window = 5, min_periods = 0).mean()
Y_ag = Y_ag.rolling(window = 5, min_periods = 0).mean()

fig, ax = plt.subplots(figsize = (7,3), dpi = 200)

ax.plot(X_, Y_for)
ax.plot(X_, Y_ag)

使用matplotlib倒是可以快速把图画好了，但是太丑了。接下来进行优化。

4.1 优化：添加点

这里为每一个数据添加点

fig, ax = plt.subplots(figsize = (7,3), dpi = 200)

ax.spines["left"].set_visible(False)
ax.spines["top"].set_visible(False)
ax.spines["right"].set_visible(False)

ax.grid(ls = "--", lw = 0.5, color = "#4E616C")

ax.plot(X_, Y_for, marker = "o")
ax.plot(X_, Y_ag, marker = "o")

4.2 优化：设置刻度

fig, ax = plt.subplots(figsize = (7,3), dpi = 200)

ax.spines["left"].set_visible(False)
ax.spines["top"].set_visible(False)
ax.spines["right"].set_visible(False)

ax.grid(ls = "--", lw = 0.25, color = "#4E616C")

ax.plot(X_, Y_for, marker = "o", mfc = "white", ms = 5)
ax.plot(X_, Y_ag, marker = "o", mfc = "white", ms = 5)

ax.xaxis.set_major_locator(ticker.MultipleLocator(2))
xticks_ = ax.xaxis.set_ticklabels([x - 1 for x in range(0, len(X_) + 3, 2)])

ax.xaxis.set_tick_params(length = 2, color = "#4E616C", labelcolor = "#4E616C", labelsize = 6)
ax.yaxis.set_tick_params(length = 2, color = "#4E616C", labelcolor = "#4E616C", labelsize = 6)

ax.spines["bottom"].set_edgecolor("#4E616C")

4.3 优化：设置填充

fig, ax = plt.subplots(figsize = (7,3), dpi = 200)

ax.spines["left"].set_visible(False)
ax.spines["top"].set_visible(False)
ax.spines["right"].set_visible(False)

ax.grid(ls = "--", lw = 0.25, color = "#4E616C")

ax.plot(X_, Y_for, marker = "o", mfc = "white", ms = 5)
ax.plot(X_, Y_ag, marker = "o", mfc = "white", ms = 5)

ax.fill_between(x = X_, y1 = Y_for, y2 = Y_ag, alpha = 0.5)

ax.xaxis.set_major_locator(ticker.MultipleLocator(2))
xticks_ = ax.xaxis.set_ticklabels([x - 1 for x in range(0, len(X_) + 3, 2)])

ax.xaxis.set_tick_params(length = 2, color = "#4E616C", labelcolor = "#4E616C", labelsize = 6)
ax.yaxis.set_tick_params(length = 2, color = "#4E616C", labelcolor = "#4E616C", labelsize = 6)

ax.spines["bottom"].set_edgecolor("#4E616C")

4.4 优化：设置填充颜色

当橙色线更高时，希望填充为橙色。但是上面的还无法满足，这里再优化一下.

fig, ax = plt.subplots(figsize = (7,3), dpi = 200)

ax.spines["left"].set_visible(False)
ax.spines["top"].set_visible(False)
ax.spines["right"].set_visible(False)

ax.grid(ls = "--", lw = 0.25, color = "#4E616C")

ax.plot(X_, Y_for, marker = "o", mfc = "white", ms = 5)
ax.plot(X_, Y_ag, marker = "o", mfc = "white", ms = 5)

pos_for = (Y_for > Y_ag)
ax.fill_between(x = X_[pos_for], y1 = Y_for[pos_for], y2 = Y_ag[pos_for], alpha = 0.5)

pos_ag = (Y_for  Y_ag)
ax.fill_between(x = X_[pos_ag], y1 = Y_for[pos_ag], y2 = Y_ag[pos_ag], alpha = 0.5)

ax.xaxis.set_major_locator(ticker.MultipleLocator(2))
xticks_ = ax.xaxis.set_ticklabels([x - 1 for x in range(0, len(X_) + 3, 2)])

ax.xaxis.set_tick_params(length = 2, color = "#4E616C", labelcolor = "#4E616C", labelsize = 6)
ax.yaxis.set_tick_params(length = 2, color = "#4E616C", labelcolor = "#4E616C", labelsize = 6)

ax.spines["bottom"].set_edgecolor("#4E616C")

上面的图出现异常，再修改一下：

X_aux = X_.copy()
X_aux.index = X_aux.index * 10
last_idx = X_aux.index[-1] + 1
X_aux = X_aux.reindex(range(last_idx))
X_aux = X_aux.interpolate()

Y_for_aux = Y_for.copy()
Y_for_aux.index = Y_for_aux.index * 10
last_idx = Y_for_aux.index[-1] + 1
Y_for_aux = Y_for_aux.reindex(range(last_idx))
Y_for_aux = Y_for_aux.interpolate()

Y_ag_aux = Y_ag.copy()
Y_ag_aux.index = Y_ag_aux.index * 10
last_idx = Y_ag_aux.index[-1] + 1
Y_ag_aux = Y_ag_aux.reindex(range(last_idx))
Y_ag_aux = Y_ag_aux.interpolate()

fig, ax = plt.subplots(figsize = (7,3), dpi = 200)

ax.spines["left"].set_visible(False)
ax.spines["top"].set_visible(False)
ax.spines["right"].set_visible(False)

ax.grid(ls = "--", lw = 0.25, color = "#4E616C")

for_ = ax.plot(X_, Y_for, marker = "o", mfc = "white", ms = 5)
ag_ = ax.plot(X_, Y_ag, marker = "o", mfc = "white", ms = 5)

for index in range(len(X_aux) - 1):

    if Y_for_aux.iloc[index + 1] > Y_ag_aux.iloc[index + 1]:
        color = for_[0].get_color()
    else:
        color = ag_[0].get_color()

    ax.fill_between([X_aux[index], X_aux[index+1]],
                    [Y_for_aux.iloc[index], Y_for_aux.iloc[index+1]],
                    [Y_ag_aux.iloc[index], Y_ag_aux.iloc[index+1]],
                    color=color, zorder = 2, alpha = 0.2, ec = None)

ax.xaxis.set_major_locator(ticker.MultipleLocator(2))
xticks_ = ax.xaxis.set_ticklabels([x - 1 for x in range(0, len(X_) + 3, 2)])

ax.xaxis.set_tick_params(length = 2, color = "#4E616C", labelcolor = "#4E616C", labelsize = 6)
ax.yaxis.set_tick_params(length = 2, color = "#4E616C", labelcolor = "#4E616C", labelsize = 6)

ax.spines["bottom"].set_edgecolor("#4E616C")

5. 把功能打包成函数

上面的样子都还不错啦，接下来把这些东西都打包成一个函数。方便后面直接出图。

def plot_xG_rolling(team, ax, window = 5, color_for = "blue", color_ag = "orange", data = df):
  '''
  This function creates a rolling average xG plot for a given team and rolling
  window.

  team (str): The team's name
  ax (obj): a Matplotlib axes.

  window (int): The number of periods for our rolling average.

  color_for (str): A hex color code for xG created.

  color_af (str): A hex color code for xG conceded.

  data (DataFrame): our df with the xG data.

  '''

  home_df = data.copy()
  home_df = home_df.melt(id_vars = ["date", "home_team_name", "away_team_name"])
  home_df["venue"] = "H"
  home_df.rename(columns = {"home_team_name":"team", "away_team_name":"opponent"}, inplace = True)
  home_df.replace({"variable":{"home_team_xG":"xG_for", "away_team_xG":"xG_ag"}}, inplace = True)

  away_df = data.copy()
  away_df = away_df.melt(id_vars = ["date", "away_team_name", "home_team_name"])
  away_df["venue"] = "A"
  away_df.rename(columns = {"away_team_name":"team", "home_team_name":"opponent"}, inplace = True)
  away_df.replace({"variable":{"away_team_xG":"xG_for", "home_team_xG":"xG_ag"}}, inplace = True)

  df = pd.concat([home_df, away_df]).reset_index(drop = True)

  Y_for = df[(df["team"] == team) & (df["variable"] == "xG_for")]["value"].reset_index(drop = True)
  Y_ag = df[(df["team"] == team) & (df["variable"] == "xG_ag")]["value"].reset_index(drop = True)
  X_ = pd.Series(range(len(Y_for)))

  if Y_for.shape[0] == 0:
    raise ValueError(f"Team {team} is not present in the DataFrame")

  Y_for = Y_for.rolling(window = 5, min_periods = 0).mean()
  Y_ag = Y_ag.rolling(window = 5, min_periods = 0).mean()

  X_aux = X_.copy()
  X_aux.index = X_aux.index * 10
  last_idx = X_aux.index[-1] + 1
  X_aux = X_aux.reindex(range(last_idx))
  X_aux = X_aux.interpolate()

  Y_for_aux = Y_for.copy()
  Y_for_aux.index = Y_for_aux.index * 10
  last_idx = Y_for_aux.index[-1] + 1
  Y_for_aux = Y_for_aux.reindex(range(last_idx))
  Y_for_aux = Y_for_aux.interpolate()

  Y_ag_aux = Y_ag.copy()
  Y_ag_aux.index = Y_ag_aux.index * 10
  last_idx = Y_ag_aux.index[-1] + 1
  Y_ag_aux = Y_ag_aux.reindex(range(last_idx))
  Y_ag_aux = Y_ag_aux.interpolate()

  ax.spines["left"].set_visible(False)
  ax.spines["top"].set_visible(False)
  ax.spines["right"].set_visible(False)

  ax.grid(ls = "--", lw = 0.25, color = "#4E616C")

  for_ = ax.plot(X_, Y_for, marker = "o", mfc = "white", ms = 4, color = color_for)
  ag_ = ax.plot(X_, Y_ag, marker = "o", mfc = "white", ms = 4, color = color_ag)

  for index in range(len(X_aux) - 1):

      if Y_for_aux.iloc[index + 1] > Y_ag_aux.iloc[index + 1]:
          color = for_[0].get_color()
      else:
          color = ag_[0].get_color()

      ax.fill_between([X_aux[index], X_aux[index+1]],
                      [Y_for_aux.iloc[index], Y_for_aux.iloc[index+1]],
                      [Y_ag_aux.iloc[index], Y_ag_aux.iloc[index+1]],
                      color=color, zorder = 2, alpha = 0.2, ec = None)

  ax.set_ylim(0)

  ax.xaxis.set_major_locator(ticker.MultipleLocator(2))
  xticks_ = ax.xaxis.set_ticklabels([x - 1 for x in range(0, len(X_) + 3, 2)])

  ax.xaxis.set_tick_params(length = 2, color = "#4E616C", labelcolor = "#4E616C", labelsize = 6)
  ax.yaxis.set_tick_params(length = 2, color = "#4E616C", labelcolor = "#4E616C", labelsize = 6)

  ax.spines["bottom"].set_edgecolor("#4E616C")

  Y_for_last = Y_for.iloc[-1]
  Y_ag_last = Y_ag.iloc[-1]

  team_ = ax.text(
            x = 0, y = ax.get_ylim()[1] + ax.get_ylim()[1]/20,
            s = f'{team}',
            color = "#4E616C",
            va = 'center',
            ha = 'left',
            size = 7
          )

  for_label_ = ax.text(
            x = X_.iloc[-1] + 0.75, y = Y_for_last,
            s = f'{Y_for_last:,.1f} xGF',
            color = color_for,
            va = 'center',
            ha = 'left',
            size = 6.5
          )

  ag_label_ = ax.text(
            x = X_.iloc[-1] + 0.75, y = Y_ag_last,
            s = f'{Y_ag_last:,.1f} xGA',
            color = color_ag,
            va = 'center',
            ha = 'left',
            size = 6.5
          )

6.1 测试函数

file_id = '1yM_F93NY4QkxjlKL3GzdcCQEnBiA2ltB'
url = f'https://drive.google.com/uc?id={file_id}'
df = pd.read_csv(url, index_col=0)

fig = plt.figure(figsize=(5, 2), dpi = 200)
ax = plt.subplot(111)

plot_xG_rolling("Sassuolo", ax, color_for = "#00A752", color_ag = "black", data = df)

plt.tight_layout()

再设置更加丰富的颜色：

fig = plt.figure(figsize=(5, 8), dpi = 200, facecolor = "#EFE9E6")

ax1 = plt.subplot(411, facecolor = "#EFE9E6")
ax2 = plt.subplot(412, facecolor = "#EFE9E6")
ax3 = plt.subplot(413, facecolor = "#EFE9E6")
ax4 = plt.subplot(414, facecolor = "#EFE9E6")

plot_xG_rolling("Sassuolo", ax1, color_for = "#00A752", color_ag = "black", data = df)
plot_xG_rolling("Lazio", ax2, color_for = "#87D8F7", color_ag = "#15366F", data = df)
plot_xG_rolling("Hellas Verona", ax3, color_for = "#153aab", color_ag = "#fdcf41", data = df)
plot_xG_rolling("Empoli", ax4, color_for = "#00579C", color_ag = "black", data = df)

plt.tight_layout()

最后

其实本文主要是对两个折线图做了一系列的优化和改进而已，主要是强调细节部分。

涉及到的matplotlib的知识，也主要是在ticks、背景颜色、fill_between部分。

技术交流

欢迎转载、收藏、有所收获点赞支持一下！ 数据、代码可以找我获取

目前开通了技术交流群，群友已超过 2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

方式①、发送如下图片至微信，长按识别，后台回复：加群；
方式②、添加微信号： dkl88191，备注：来自CSDN
方式③、微信搜索公众号： Python学习与数据挖掘，后台回复：加群

Original: https://blog.csdn.net/weixin_38037405/article/details/124719333
Author: Love Python数据挖掘
Title: matplotlib进阶教程：如何逐步美化一个折线图

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/693211/

转载文章受原作者版权保护。转载请注明原作者出处！

人工智能

【自取】最近整理的，有需要可以领取学习：

Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言刷题答案下载！

【python】数据分析实战：分析全国旅游景点数据，暑假还不知道去哪玩的看过来

; 前言暑假是学生老师们拥有的最长假期，这么长的假期，光待在家里太浪费了，何不选择一个好去处，欣赏欣赏夏季的美景?当然，并不是所有地方都适合这个时节去的，那么，暑假适合去国内那些…

人工智能 2023年6月11日
00506
万字详解java接口

文章目录一、初始接口 * 1.1 什么是接口？ 1.2 接口定义规则二、接口的使用二、接口的特性三、实现多接口四、接口实现实例五、Clonable实现深浅拷贝六、抽象…

人工智能 2023年5月30日
0076
【论文阅读】【3d目标检测】Not All Points Are Equal

论文题目：Not All Points Are Equal: Learning Highly Efficient Point-based Detectorsfor 3D LiDAR…

人工智能 2023年7月10日
0046
当ChatGPT遇上游戏引擎……

ChatGPT是由美国OpenAI公司开发的可以进行对话的聊天机器人。据称，它可以写故事、解决数学问题、写理论性论文。11月底，围绕这一机器人，OpenAI进行了两次更新：在11月…

人工智能 2023年7月31日
0038
用自建kinetics-skeleton行为识别数据集训练st-gcn网络流程记录

用自建kinetics-skeleton行为识别数据集训练st-gcn网络流程记录 * – + * 0. 准备工作 * 1. 下载/裁剪视频 * 2. 利用OpenPo…

人工智能 2023年6月30日
0079
玩 ChatGPT 的正确姿势「GitHub 热点速览 v.22.49」

作者：HelloGitHub-小鱼干火了一周的 ChatGPT，HG 不允许还有小伙伴不知道这个东西是什么？简单来说就是，你可以让它扮演任何事物，据说已经有人用它开始了颜色文学创…

人工智能 2023年7月31日
0042
python大数据分析笔记_python数据分析与建模实现-第一次笔记

编辑推荐: 本文来自csdn ，文章主要介绍了python做数据分析时，数据的的读取和处理，以及静态结构分析等相关内容。首先我们做数据分析，想要得出最科学，最真实的结论，必须要有…

人工智能 2023年7月8日
0037
ggplot绘制散点图并添加拟合曲线和方程

载入包建完回归模型后想看一下模型的效果，文献中一般都是使用散点图+lm拟合曲线+Rsquared来表示 Cairo包用来导出pdf图片，尝试过多种通过代码保存pdf的方法，最后发…

人工智能 2023年6月19日
0083
Python中range()函数的使用方法

range()函数可以产生一系列的数字。当需要叠加一些数字时，可以用到range()函数。 1 基本语法 range()函数的基本语法如下所示。 range(start, stop…

人工智能 2023年7月4日
0055
机器学习笔记分类与回归问题深度学习参数介绍及CNN网络搭建介绍

目录一机器学习，深度学习能做什么二机器学习的定义三机器学习算法分类分类，回归的区别：分类，回归问题的共同点：线性回归线性回归的损失（损失函数/cost/成本函数…

人工智能 2023年6月17日
0084
OpenCV快速入门四：TrackBar控件（滑动条）

一：函数API 1:createTrackbar int createTrackbar( const String &trackbarname, const String …

人工智能 2023年7月19日
0066
新版TCGA不同癌种数据合并

很多文章对于TCGA中的一些癌症都是联合分析的，比如TCGA-COAD和TCGA-READ，首先是它们的疾病特点和治疗方式存在很多相似之处，同时这样做也可以增大样本量。如果你是使…

人工智能 2023年6月29日
0095
论文精读清华ERNIE：Enhanced Language Representation with Informative Entities

ERNIE原论文 ; 背景在大规模语料库上预训练的BERT等语言表示模型可以很好地从纯文本中捕获丰富的语义模式，并进行微调以提高各种 NLP 任务的性能。然而，现有的预训练语言模…

人工智能 2023年6月1日
0062
使用ModelArts实现目标检测任务

一、背景图像识别是借助计算机技术，对图像做出各种处理、分析，最终识别我们所要研究的目标。近年来，随着人工神经网络的兴起，尤其是其在图像领域的应用效果显著，使得图像识别技术在公共安…

人工智能 2023年7月10日
00103
STM32F4图像识别

一、硬件介绍（1）主芯片STM32F407VET61.支持单精度浮点运算，芯片硬件资源包括192KB内部RAM，512KB-1MB的FLASH（具体看芯片型号），采用分散内存架构1…

人工智能 2023年6月20日
0067
从手写数字识别入门深度学习丨MNIST数据集详解

就像无数人从敲下”Hello World”开始代码之旅一样，许多研究员从”MNIST数据集”开启了人工智能的探索之路。 MNIST数…

人工智能 2023年6月17日
0067

2024 年 4 月
一	二	三	四	五	六	日
1	2	3	4	5	6	7
8	9	10	11	12	13	14
15	16	17	18	19	20	21
22	23	24	25	26	27	28
29	30