Matplotlib自定义辅助函数 (一)：让你的图表大放异彩！

Matplotlib美化秘诀：自定义辅助函数，让你的图表大放异彩！

在这里插入图片描述

利用Matplotlib进行数据可视化示例

🌵文章目录🌵

🌳一、创建自定义样式函数🌳
🌳二、创建自定义颜色映射🌳
🌳三、结尾🌳

🌳一、创建自定义样式函数🌳

接下来，我们将通过一个简单的例子，展示如何创建一个自定义的辅助函数，为图表增添个性化风格。

import matplotlib.pyplot as plt

def custom_style():
    """
    ✨ 自定义图表样式，让你的图表独一无二！✨
    """
    # 使用seaborn的样式，这里可以选择其他样式，如'darkgrid', 'white', 'dark', 'ticks'等
    plt.style.use('seaborn-darkgrid')  # 使用seaborn的darkgrid样式，深色背景更显眼

    # 设置中文字体为SimHei，确保支持中文显示
    plt.rcParams['font.sans-serif'] = ['SimHei']
    # 设置字体大小
    plt.rcParams['font.size'] = 15

    # 设置坐标轴刻度标签的大小
    plt.rcParams['xtick.labelsize'] = 15
    plt.rcParams['ytick.labelsize'] = 15

    # 设置网格线样式
    plt.rcParams['grid.color'] = '0.75'  # 网格线颜色
    plt.rcParams['grid.linestyle'] = '--'  # 网格线样式，这里为虚线
    plt.rcParams['grid.linewidth'] = 1.0  # 网格线宽度

    # 设置坐标轴标签颜色
    plt.rcParams['axes.labelcolor'] = 'red'

    # 设置标题样式
    plt.rcParams['axes.titlesize'] = 20

# 使用自定义样式
custom_style()

# 绘制一个简单的折线图
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
plt.plot(x, y)
plt.title('自定义样式折线图 ')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.show()

🎉 效果展示

Fig.1 自定义样式，为图表增添个性化风格

这段代码定义了一个名为custom_style的辅助函数，用于自定义Matplotlib图表的样式。通过调用plt.style.use('seaborn-darkgrid')，它使用了Seaborn库中的darkgrid样式，为图表提供了一个🌙 深色背景，使其更显眼。此外，该函数还设置了中文字体为SimHei以确保中文显示，并调整了字体大小、坐标轴刻度标签大小、网格线样式、坐标轴标签颜色以及标题样式。🎯

在代码的最后部分，使用这些自定义样式绘制了一个简单的折线图。📈 通过plt.plot(x, y)绘制了折线，并使用plt.title()、plt.xlabel()和plt.ylabel()分别设置了图表的标题、X轴标签和Y轴标签。最后，通过plt.show()展示了应用这些自定义样式后的效果。🎉

🌳二、创建自定义颜色映射🌳

完整代码:

import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np


def create_categorical_colormap(categories, colors):
    """
    创建一个基于离散类别的自定义颜色映射。

    参数:
    categories (List[str]): 类别名称的列表。
    colors (List[Tuple[float, float, float]]): 与类别一一对应的 RGB 颜色列表。

    返回:
    matplotlib.colors.ListedColormap: 自定义的离散颜色映射。
    """
    # 检查类别和颜色列表的长度是否一致
    if len(categories) != len(colors):
        raise ValueError("The number of categories must match the number of colors.")

    # 构建颜色映射的字典
    cmap_dict = {cat: color for cat, color in zip(categories, colors)}

    # 创建 ListedColormap 对象
    cmap = mcolors.ListedColormap(colors)

    # 设置颜色映射的名称
    cmap.name = "CategoricalColormap"

    return cmap, cmap_dict


# 使用示例
categories = ["1", "2", "3", "4"]
colors = [(1, 0, 0), (0, 1, 0), (0, 0, 1), (0.5, 0.5, 0.5)]  # 红色、绿色、蓝色、灰色
categorical_cmap, cmap_dict = create_categorical_colormap(categories, colors)

# 示例数据
x = np.random.randint(0, 4, 100)
y = np.random.randint(0, 4, 100)

# 绘制散点图并应用自定义颜色映射
plt.scatter(x, y, c=y, cmap=categorical_cmap)
plt.colorbar(label='Categorical Color Map', ticks=range(len(categories)), orientation='vertical')
plt.show()

🎉 效果展示

Fig.2 自定义颜色映射，且颜色由数据的y值决定

这段代码👆的功能是创建一个基于离散类别的自定义颜色映射，并通过散点图展示其实际应用效果。它首先定义了一个名为create_categorical_colormap的函数，该函数接收两个参数：类别名称的列表categories和与这些类别一一对应的RGB颜色列表colors。这个函数会检查这两个列表的长度是否一致，如果不一致则抛出异常。

接下来，函数会创建一个字典cmap_dict，用于将每个类别映射到其对应的颜色。然后，它使用mcolors.ListedColormap创建一个ListedColormap对象cmap，该对象将用于在绘图时根据数据点的值选择相应的颜色。最后，函数给这个颜色映射设置了一个名字"CategoricalColormap"，并返回这个颜色映射和之前创建的字典。

在示例部分，代码定义了四个类别（1、2、3、4）和对应的四种颜色（红色、绿色、蓝色、灰色）。然后，它使用create_categorical_colormap函数创建了一个自定义的颜色映射，并生成了一些随机的示例数据。

最后，代码使用plt.scatter函数绘制了一个散点图，其中每个数据点的颜色由其y值决定，并应用了之前创建的自定义颜色映射。plt.colorbar函数则用于在图中显示一个颜色条，以便更好地理解和解释数据点与颜色之间的对应关系。最终，plt.show函数展示了整个图形。😎

在上述代码块中，我们只需要简单修改几行代码，即可实现颜色条沿水平方向显示，并基于数据的x值决定颜色，如下：

# 源代码
plt.scatter(x, y, c=y, cmap=categorical_cmap)
plt.colorbar(label='Categorical Color Map', ticks=range(len(categories)), orientation='vertical')
plt.show()

# 修改代码
plt.scatter(x, y, c=x, cmap=categorical_cmap)
plt.colorbar(label='Categorical Color Map', ticks=range(len(categories)), orientation='horizontal')
plt.show()