python模块Proplot ：高级分析绘图

作者: 单细胞空间交响乐 | 来源:发表于2021-07-15 00:25 被阅读0次

Proplot对`matplotlib`进行了高度的封装，是一个高级绘图工具，其功能相当强大！而且融和了`cartopy`、`basemap`、`xarray`和`pandas`。看到这里这应该就是我一直想要的绘图工具了！

图片

如果你满足以下条件，那么`Proplot`是非常适合你的：

•经常绘图，而且包含很多复杂的子图•经常需要对图进行标注和美化•几乎每天都要创建新的图形

`Proplot`列出了`matplotlib`的很多不友好的方面，并通过封装来解决这些问题，提供更友好的交互方式。

•更少的代码，更多的图

引入`format`方法去除了繁琐的图形设置问题，使用更少的代码，高度自定义图形。

示例

`Proplot`

import proplot as plot
import proplot as plot
f, axs = plot.subplots(ncols=2)
axs.format(linewidth=1, color='gray')
axs.format(xticks=20, xtickminor=True, xlabel='x axis', ylabel='y axis')

`matplotlib`

import matplotlib.ticker as mticker
from matplotlib import rcParams
rcParams['axes.linewidth'] = 1
rcParams['axes.color'] = 'gray'
fig, axs = plt.subplots(ncols=2)
for ax in axs:
   ax.xaxis.set_major_locator(mticker.MultipleLocator(10))
   ax.tick_params(width=1, color='gray', labelcolor='gray')
   ax.tick_params(axis='x', which='minor', bottom=True)
   ax.set_xlabel('x axis', color='gray')
   ax.set_ylabel('y axis', color='gray')
plt.style.use('default')  # restore

•类构造函数

通过类构造函数对类名较长，书写不友好的类进行了封装注册，并提供关键词参数进行自定义。

•自动化维度和图形间距

添加新的设置选项控制图形的维度和间距，以更好的解决多子图所带来的图形间距问题。比自带的`tightlayout`更友好。

•去除冗余信息 matplotlib的子图`share`参数可以让子图共享轴，但是对于轴的标签、`legend`和colorbar`等信息却无法进行处理，`Proplot`引入了新的`Figure`、`colorbar`和`legend`方法处理这种情况，使多子图绘图更简洁。

•设置外部`colorbar`和`legend` matplotlib中为多个子图设置`colorbar`和`legend`时是非常麻烦的，尤其是需要自定义位置时。`Proplot`引入了新的框架处理此类问题。

import proplot as plot
import numpy as np
plot.rc.cycle = '538'
labels = ['a', 'bb', 'ccc', 'dddd', 'eeeee']
f, axs = plot.subplots(ncols=2, span=False, share=1, axwidth=2)
hs1, hs2 = [], []

# On-the-fly legends
state = np.random.RandomState(51423)
for i, label in enumerate(labels):
    data = (state.rand(20) - 0.45).cumsum(axis=0)
    h1 = axs[0].plot(
        data, lw=4, label=label, legend='ul',
        legend_kw={'order': 'F', 'title': 'column major'}
    )
    hs1.extend(h1)
    h2 = axs[1].plot(
        data, lw=4, label=label, legend='r', cycle='Set3',
        legend_kw={'ncols': 1, 'frame': False, 'title': 'no frame'}
    )
    hs2.extend(h2)

# Outer legends
ax = axs[0]
ax.legend(
    hs1, loc='b', ncols=3, title='row major', order='C',
    facecolor='gray2'
)
ax = axs[1]
ax.legend(hs2, loc='b', ncols=3, center=True, title='centered rows')
axs.format(xlabel='xlabel', ylabel='ylabel', suptitle='Legend formatting demo')

图片

•`subplot`容器类

matplotlib的`subplots`绘制超过1行1列的图形时返回2维数组，1行1列的图形返回1维数组，单个图形则返回`Axes`实例。`Proplot`通过封装进行了更改，尤其方便当所有的子图需要统一参数设置时，非常方便。当然也可以对每个子图进行自定义。

import proplot as plot
import numpy as np
state = np.random.RandomState(51423)
f, axs = plot.subplots(ncols=4, nrows=4, axwidth=1.2)
axs.format(
    xlabel='xlabel', ylabel='ylabel', suptitle='Subplot grid demo',
    grid=False, xlim=(0, 50), ylim=(-4, 4)
)

# Various ways to select subplots in the subplot grid
axs[:, 0].format(color='gray7', facecolor='gray3', linewidth=1)
axs[0, :].format(color='red', facecolor='gray3', linewidth=1)
axs[0].format(color='black', facecolor='gray5', linewidth=1.4)
axs[1:, 1:].format(facecolor='gray1')
for ax in axs[1:, 1:]:
    ax.plot((state.rand(50, 5) - 0.5).cumsum(axis=0), cycle='Grays', lw=2)

图片

•新的及改进后的绘图方法

matplotlib默认的设置画图是真的难看，`pandas`、`xarray`和`seaborn`都进行改进，`Proplot`则将这些改进又进行了进一步封装优化。

import proplot as plot
import numpy as np

# Pcolor plot with and without distinct levels
f, axs = plot.subplots(ncols=2, axwidth=2)
state = np.random.RandomState(51423)
data = (state.normal(0, 1, size=(33, 33))).cumsum(axis=0).cumsum(axis=1)
axs.format(suptitle='Pcolor plot with levels')
for ax, n, mode, side in zip(axs, (200, 10), ('Ambiguous', 'Discernible'), 'lr'):
    ax.pcolor(data, cmap='spectral', N=n, symmetric=True, colorbar=side)
    ax.format(title=f'{mode} level boundaries', yformatter='null')

图片

•`Xarray`和`pandas`整合

传递`xarray`和`pandas`数据结构给`matplotlib`进行绘图时，这些数据结构的元数据信息会丢失。如果要保留元数据，只能使用`xarray`和`pandas`数据结构自身的绘图函数。而`Proplot`对这些函数进行了封装，可以更加友好的调用。

•`Cartopy`和`basemap`整合

这里就碰到两个工具各自的痛点了。`Cartopy`虽然和`axes`结合的比较好，但是代码冗长，而`basemap`则单独创建了新的对象，而不是原始的`axes`实例。

而且这两个工具都要提供地图投影，选择地图投影又是让人非常头疼的事。因为地理图形数据通常存储在经纬度坐标中。`Proplot`将`Cartopy`和`Basemap`整合到了`ProjAxes` `format`方法中。

basemap的开发2020年之后将终止。目前Cartopy还存在一些缺点，比如标注坐标标签等问题，物理地图尺度、添加背景图等。一旦这些问题结局了，Proplot将移除basemap。

  import proplot as plot
import numpy as np
  offset = -40
  x = plot.arange(offset, 360 + offset-1, 60)
  y = plot.arange(-60, 60+1, 30)
  state = np.random.RandomState(51423)
  data = state.rand(len(y), len(x))

  # Same figure with and without "global coverage"
  titles = ('Geophysical data demo', 'Global coverage demo')
  for globe in (False, True,):
      f, axs = plot.subplots(
          ncols=2, nrows=2, axwidth=2.5,
          proj='kav7', basemap={(1, 3): False, (2, 4): True})
      for i, ax in enumerate(axs):
          cmap = ('sunset', 'sunrise')[i % 2]
          if i < 2:
              m = ax.contourf(x, y, data, cmap=cmap, globe=globe, extend='both')
              f.colorbar(
                  m, loc='b', span=i+1, label='values',
                  tickminor=False, extendsize='1.7em'
              )
          else:
              ax.pcolor(x, y, data, cmap=cmap, globe=globe, extend='both')
          if globe:
              continue
          ix = offset + np.linspace(0, 360, 20)
          for cmd in (np.sin, np.cos):
              iy = cmd(ix*np.pi/180)*60
              ax.plot(ix, iy, color='k', lw=0, marker='o')
      axs.format(
          suptitle=titles[globe],
          collabels=['Cartopy example', 'Basemap example'],
          rowlabels=['Contourf', 'Pcolor'],
          latlabels='r', lonlabels='b', lonlines=90,
          abc=True, abcstyle='a)', abcloc='ul', abcborder=False
      )

图片

•`colormap`和属性循环

`matplotlib`中的 `ListedColormap` 和 `LinearSegmentedColormap` 着实难用。`Proplot`提供了更加友好的方法，而且提供了新的方法来创建`colormap`。

•**更智能的`colormap`归一化**

`Proplot`提供了更方便的函数来处理`colormap`的归一化以及延伸的问题。

import proplot as plot
import numpy as np
f, axs = plot.subplots(
    [[0, 0, 1, 1, 0, 0], [2, 3, 3, 4, 4, 5]],
    wratios=(1.5, 0.5, 1, 1, 0.5, 1.5), axwidth=1.7, ref=1, right='2em'
)
axs.format(suptitle='BinNorm color-range standardization')
levels = plot.arange(0, 360, 45)
state = np.random.RandomState(51423)
data = (20*(state.rand(20, 20) - 0.4).cumsum(axis=0).cumsum(axis=1)) % 360

# Cyclic colorbar with distinct end colors
ax = axs[0]
ax.pcolormesh(
    data, levels=levels, cmap='phase', extend='neither',
    colorbar='b', colorbar_kw={'locator': 90}
)
ax.format(title='cyclic colormap\nwith distinct end colors')

# Colorbars with different extend values
for ax, extend in zip(axs[1:], ('min', 'max', 'neither', 'both')):
    ax.pcolormesh(
        data[:, :10], levels=levels, cmap='oxy',
        extend=extend, colorbar='b', colorbar_kw={'locator': 90}
    )
    ax.format(title=f'extend={extend!r}')