在這篇文章中，我們將探討一些簡單的方法來定制你的圖表，使它們更好看。我希望這些簡單的技巧能幫助你得到更好看的圖。

 

[[346529]]

基線圖

本文中的腳本在Jupyter筆記本中的python3.8.3中進行了測試。

讓我們使用Seaborn內(nèi)置的penguins數(shù)據(jù)集作為樣本數(shù)據(jù)：

 

# 導入包 
import matplotlib.pyplot as plt 
import seaborn as sns 
 
# 導入數(shù)據(jù) 
df = sns.load_dataset('penguins').rename(columns={'sex': 'gender'}) 
df 

 

我們將使用默認圖表設置構(gòu)建標準散點圖，以將其用作基線：

 

# 圖 
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm',  
                alpha=0.7, hue='species', size='gender') 

 

我們將看到這個圖如何隨著每一個技巧而改變。

技巧

你將看到，前兩個技巧用于單個繪圖，而其余四個技巧用于更改所有圖表的默認設置。

技巧1：分號

你有沒有注意到在上一個圖中，文本輸出就在圖表的正上方?抑制此文本輸出的一個簡單方法是在繪圖末尾使用;。

 

# 
 
 圖 
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm',  
                alpha=0.7, hue='species', size='gender'); 

 

只需在代碼末尾添加;就可以得到更清晰的輸出。

技巧2：plt.figure()

繪圖通常可以從調(diào)整大小中獲益。如果我們想調(diào)整大小，我們可以這樣做：

 

# 圖 
plt.figure(figsize=(9, 5)) 
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm',  
                alpha=0.7, hue='species', size='gender'); 

 

當我們調(diào)整大小時，圖例移到了左上角。讓我們將圖例移到圖表之外，這樣它就不會意外地覆蓋數(shù)據(jù)點：

 

# 圖 
plt.figure(figsize=(9, 5)) 
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm',  
                alpha=0.7, hue='species', size='gender') 
plt.legend(loc='upper right', bbox_to_anchor=(1.2, 1)); 

 

如果你想知道如何知道figsize()或bbox_to_anchor()使用什么數(shù)的字組合，則需要嘗試哪些數(shù)字最適合繪圖。

技巧3：sns.set_style()

如果不喜歡默認樣式，此函數(shù)有助于更改繪圖的整體樣式。這包括軸的顏色和背景。讓我們將樣式更改為whitegrid，并查看打印外觀如何更改：

 

# 更改默認樣式 
sns.set_style('whitegrid') 
 
# 圖 
plt.figure(figsize=(9, 5)) 
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm',  
                alpha=0.7, hue='species', size='gender') 
plt.legend(loc='upper right', bbox_to_anchor=(1.2, 1)); 

 

這里還有一些其他的選擇可以嘗試：“darkgrid”、“dark”和“ticks”來找到你更喜歡的那個。

技巧4：sns.set_context()

在前面的圖中，標簽尺寸看起來很小。如果不喜歡默認設置，我們使用sns.set_context()可以更改上下文參數(shù)。

我使用這個函數(shù)主要是為了控制繪圖中標簽的默認字體大小。通過更改默認值，我們可以節(jié)省時間，而不必為單個繪圖的不同元素(例如軸標簽、標題、圖例)調(diào)整字體大小。讓我們把上下文改成“talk”，再看看圖：

 

# 默認上下文更改 
sns.set_context('talk') 
 
# 圖 
plt.figure(figsize=(9, 5)) 
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm',  
                alpha=0.7, hue='species', size='gender') 
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1)); 

 

它更容易辨認，不是嗎?另一個可以嘗試的選項是：“poster”，這將增加默認大小甚至更多。

技巧5：sns.set_palette()

如果你想將默認調(diào)色板自定義為你喜歡的顏色組合，此功能非常方便。我們可以使用Matplotlib中的彩色映射。這里是從顏色庫中選擇的。讓我們將調(diào)色板更改為“rainbow”并再次查看該圖：

 

# 更改默認調(diào)色板 
sns.set_palette('rainbow') 
 
# 圖 
plt.figure(figsize=(9, 5)) 
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm',  
                alpha=0.7, hue='species', size='gender') 
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1)); 

 

如果找不到你喜歡的Matplotlib顏色映射，可以手動選擇顏色來創(chuàng)建自己獨特的調(diào)色板。 創(chuàng)建自己調(diào)色板的一種方法是將顏色名稱列表傳遞給函數(shù)，如下例所示。這個鏈接是顏色名稱列表：https://matplotlib.org/3.1.0/gallery/color/named_colors.html。

 

# 更改默認調(diào)色板 
sns.set_palette(['green', 'purple', 'red']) 
 
# 圖 
plt.figure(figsize=(9, 5)) 
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm',  
                alpha=0.7, hue='species', size='gender') 
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1)); 

 

如果顏色名稱不能很好地捕捉到你所追求的，你可以使用十六進制顏色構(gòu)建自己的調(diào)色板來訪問更廣泛的選項(超過1600萬種顏色!)。這里是我最喜歡的資源，可以找到一個十六進制的自定義調(diào)色板。我們來看一個例子：

# 更改默認調(diào)色板 
sns.set_palette(['#62C370', '#FFD166', '#EF476F']) 
 
# 圖 
plt.figure(figsize=(9, 5)) 
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm',  
                alpha=0.7, hue='species', size='gender') 
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1)); 

 

 

技巧6：sns.set()

從前面的三個技巧中，我希望你能找到你最喜歡的組合(在某些情況下，它可能會保留默認設置)。如果我們要更新圖表的默認設置，最好是在導入可視化軟件包之后再更新。這意味著我們在腳本的開頭會有這樣一個片段：

 

# 導入包 
import matplotlib.pyplot as plt 
import seaborn as sns 
 
# 更改默認值 
sns.set_style('whitegrid') 
sns.set_context('talk') 
sns.set_palette('rainbow') 

更新上面的多個默認值可以用sns.set(). 以下是同一代碼的簡潔版本：

 

# 導入包 
import matplotlib.pyplot as plt 
import seaborn as sns 
 
# 更改默認值 
sns.set(style='whitegrid', context='talk', palette='rainbow') 

這是六個技巧。以下是調(diào)整前后的圖對比：

 

我希望你學會了一些簡單的方法來調(diào)整你的圖表，這不用花太多時間。我希望這篇文章能給你一些初步的想法，讓你開始個性化你的圖表，并使它們更具視覺上的美。