O ciclo de vida de um enredo

Este tutorial visa mostrar o início, o meio e o fim de uma única visualização usando o Matplotlib. Começaremos com alguns dados brutos e terminaremos salvando a figura de uma visualização personalizada. Ao longo do caminho, tentamos destacar alguns recursos interessantes e melhores práticas usando o Matplotlib.

Observação

Este tutorial é baseado nesta excelente postagem de blog de Chris Moffitt. Ele foi transformado neste tutorial por Chris Holdgraf.

Uma observação sobre interfaces explícitas e implícitas

Matplotlib tem duas interfaces. Para obter uma explicação das compensações entre as interfaces explícitas e implícitas, consulte Matplotlib Application Interfaces (APIs) .

Na interface orientada a objetos (OO) explícita, utilizamos diretamente instâncias de axes.Axespara construir a visualização em uma instância de figure.Figure. Na interface implícita, inspirada e modelada no MATLAB, usa uma interface baseada em estado global que é encapsulada no pyplotmódulo para plotar os "Eixos atuais". Veja os tutoriais do pyplot para uma visão mais aprofundada da interface do pyplot.

A maioria dos termos é direta, mas a principal coisa a lembrar é que:

• A Figura é a imagem final que pode conter 1 ou mais Eixos.

• Os eixos representam um gráfico individual (não confunda isso com a palavra "eixo", que se refere ao eixo x/y de um gráfico).

Chamamos métodos que fazem a plotagem diretamente dos Axes, o que nos dá muito mais flexibilidade e poder na customização da nossa plotagem.

Observação

Em geral, prefira a interface explícita sobre a interface pyplot implícita para plotagem.

Nossos dados

Usaremos os dados da postagem da qual este tutorial foi derivado. Ele contém informações de vendas para várias empresas.

import numpy as np
import matplotlib.pyplot as plt


data = {'Barton LLC': 109438.50,
        'Frami, Hills and Schmidt': 103569.59,
        'Fritsch, Russel and Anderson': 112214.71,
        'Jerde-Hilpert': 112591.43,
        'Keeling LLC': 100934.30,
        'Koepp Ltd': 103660.54,
        'Kulas Inc': 137351.96,
        'Trantow-Barrows': 123381.38,
        'White-Trantow': 135841.99,
        'Will LLC': 104437.60}
group_data = list(data.values())
group_names = list(data.keys())
group_mean = np.mean(group_data)

Primeiros passos

Esses dados são naturalmente visualizados como um gráfico de barras, com uma barra por grupo. Para fazer isso com a abordagem orientada a objetos, primeiro geramos uma instância de figure.Figuree axes.Axes. A Figura é como uma tela, e os Eixos são uma parte dessa tela na qual faremos uma determinada visualização.

Observação

As figuras podem ter vários eixos nelas. Para obter informações sobre como fazer isso, consulte o tutorial Tight Layout .

fig, ax = plt.subplots()

Agora que temos uma instância de Axes, podemos plotar em cima dela.

fig, ax = plt.subplots()
ax.barh(group_names, group_data)

<BarContainer object of 10 artists>

Controlando o estilo

Existem muitos estilos disponíveis no Matplotlib para permitir que você adapte sua visualização às suas necessidades. Para ver uma lista de estilos, podemos usar style.

print(plt.style.available)

['Solarize_Light2', '_classic_test_patch', '_mpl-gallery', '_mpl-gallery-nogrid', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-v0_8', 'seaborn-v0_8-bright', 'seaborn-v0_8-colorblind', 'seaborn-v0_8-dark', 'seaborn-v0_8-dark-palette', 'seaborn-v0_8-darkgrid', 'seaborn-v0_8-deep', 'seaborn-v0_8-muted', 'seaborn-v0_8-notebook', 'seaborn-v0_8-paper', 'seaborn-v0_8-pastel', 'seaborn-v0_8-poster', 'seaborn-v0_8-talk', 'seaborn-v0_8-ticks', 'seaborn-v0_8-white', 'seaborn-v0_8-whitegrid', 'tableau-colorblind10']

Você pode ativar um estilo com o seguinte:

plt.style.use('fivethirtyeight')

Agora vamos refazer o gráfico acima para ver como fica:

fig, ax = plt.subplots()
ax.barh(group_names, group_data)

<BarContainer object of 10 artists>

O estilo controla muitas coisas, como cor, larguras de linha, planos de fundo, etc.

Personalizando o enredo

Agora temos um gráfico com a aparência geral que queremos, então vamos ajustá-lo para que esteja pronto para impressão. Primeiro, vamos girar os rótulos no eixo x para que apareçam com mais clareza. Podemos obter acesso a esses rótulos com o axes.Axes.get_xticklabels()método:

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()

Se quisermos definir a propriedade de muitos itens de uma só vez, é útil usar a pyplot.setp()função. Isso pegará uma lista (ou muitas listas) de objetos Matplotlib e tentará definir algum elemento de estilo de cada um.

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

[None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None]

Parece que isso cortou algumas das etiquetas na parte inferior. Podemos dizer ao Matplotlib para abrir espaço automaticamente para elementos nas figuras que criamos. Para fazer isso, definimos o autolayoutvalor de nosso rcParams. Para obter mais informações sobre como controlar o estilo, layout e outros recursos de plotagens com rcParams, consulte Personalizando Matplotlib com folhas de estilo e rcParams .

plt.rcParams.update({'figure.autolayout': True})

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

[None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None]

Em seguida, adicionamos rótulos ao gráfico. Para fazer isso com a interface OO, podemos usar o Artist.set()método para definir as propriedades desse objeto Axes.

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')

[(-10000.0, 140000.0), Text(0.5, 87.00000000000003, 'Total Revenue'), Text(86.99999999999997, 0.5, 'Company'), Text(0.5, 1.0, 'Company Revenue')]

Também podemos ajustar o tamanho deste gráfico usando a pyplot.subplots() função. Podemos fazer isso com o argumento da palavra-chave figsize .

Observação

Enquanto a indexação no NumPy segue a forma (linha, coluna), o argumento da palavra-chave figsize segue a forma (largura, altura). Isso segue as convenções de visualização, que infelizmente são diferentes daquelas da álgebra linear.

fig, ax = plt.subplots(figsize=(8, 4))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')

[(-10000.0, 140000.0), Text(0.5, 86.99999999999997, 'Total Revenue'), Text(86.99999999999997, 0.5, 'Company'), Text(0.5, 1.0, 'Company Revenue')]

Para rótulos, podemos especificar diretrizes de formatação personalizadas na forma de funções. Abaixo definimos uma função que recebe um inteiro como entrada e retorna uma string como saída. Quando usados ​​com Axis.set_major_formatterou Axis.set_minor_formatter, eles criarão e usarão automaticamente uma ticker.FuncFormatterclasse.

Para esta função, o xargumento é o rótulo original do tick e pos é a posição do tick. Usaremos apenas xaqui, mas ambos os argumentos são necessários.

def currency(x, pos):
    """The two arguments are the value and tick position"""
    if x >= 1e6:
        s = '${:1.1f}M'.format(x*1e-6)
    else:
        s = '${:1.0f}K'.format(x*1e-3)
    return s

Podemos então aplicar essa função aos rótulos em nosso gráfico. Para fazer isso, usamos o xaxisatributo de nossos eixos. Isso permite que você execute ações em um eixo específico em nosso gráfico.

fig, ax = plt.subplots(figsize=(6, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
ax.xaxis.set_major_formatter(currency)

Combinando várias visualizações

É possível desenhar vários elementos de plotagem na mesma instância de axes.Axes. Para fazer isso, simplesmente precisamos chamar outro dos métodos plot naquele objeto de eixos.

fig, ax = plt.subplots(figsize=(8, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

# Add a vertical line, here we set the style in the function call
ax.axvline(group_mean, ls='--', color='r')

# Annotate new companies
for group in [3, 5, 8]:
    ax.text(145000, group, "New Company", fontsize=10,
            verticalalignment="center")

# Now we move our title up since it's getting a little cramped
ax.title.set(y=1.05)

ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
ax.xaxis.set_major_formatter(currency)
ax.set_xticks([0, 25e3, 50e3, 75e3, 100e3, 125e3])
fig.subplots_adjust(right=.1)

plt.show()

Salvando nosso enredo

Agora que estamos satisfeitos com o resultado de nossa plotagem, queremos salvá-la em disco. Existem muitos formatos de arquivo nos quais podemos salvar no Matplotlib. Para ver uma lista de opções disponíveis, use:

print(fig.canvas.get_supported_filetypes())

{'eps': 'Encapsulated Postscript', 'jpg': 'Joint Photographic Experts Group', 'jpeg': 'Joint Photographic Experts Group', 'pdf': 'Portable Document Format', 'pgf': 'PGF code for LaTeX', 'png': 'Portable Network Graphics', 'ps': 'Postscript', 'raw': 'Raw RGBA bitmap', 'rgba': 'Raw RGBA bitmap', 'svg': 'Scalable Vector Graphics', 'svgz': 'Scalable Vector Graphics', 'tif': 'Tagged Image File Format', 'tiff': 'Tagged Image File Format', 'webp': 'WebP Image Format'}

Podemos então usar o figure.Figure.savefig()para salvar a figura no disco. Observe que existem vários sinalizadores úteis que mostramos abaixo:

• transparent=Truetorna o fundo da figura salva transparente se o formato o suportar.

• dpi=80controla a resolução (pontos por polegada quadrada) da saída.

• bbox_inches="tight"ajusta os limites da figura ao nosso enredo.

# Uncomment this line to save the figure.
# fig.savefig('sales.png', transparent=False, dpi=80, bbox_inches="tight")