Как установить диапазон осей (xlim, ylim) в Matplotlib

Автор оригинала: David Landup.

Вступление

Matplotlib – одна из наиболее широко используемых библиотек визуализации данных в Python. Большая часть популярности Matplotlib связана с его настройками – вы можете настроить практически любой элемент из его иерархии объектов .

В этом уроке мы рассмотрим как установить диапазон осей (xlim, ylim) в Matplotlib , чтобы усечь или расширить представление до определенных пределов.

Создание сюжета

Давайте сначала создадим простой сюжет:

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(12, 6))

x = np.arange(0, 10, 0.1)
y = np.sin(x)
z = np.cos(x)

ax.plot(y, color='blue', label='Sine wave')
ax.plot(z, color='black', label='Cosine wave')

plt.show()

Здесь мы построили две синусоидальные функции, начиная с 0 и кончается на 100 с шагом 0.1 . Запуск этого кода дает:

Теперь мы можем настроить диапазон этой оси, который в настоящее время идет от 0 чтобы 100 .

Настройка диапазона осей в Matplotlib

Теперь, если мы хотим сократить это представление до меньшего или даже большего, мы можем изменить пределы X и Y. Доступ к ним можно получить либо через экземпляр PyPlot, либо через экземпляр Axes .

Как установить X-Limit (x lim) в Matplotlib

Давайте сначала установим предел X, используя как экземпляры PyPlot, так и Axes . Оба этих метода принимают кортеж – левый и правый пределы. Так, например, если бы мы хотели усечь представление, чтобы показать только данные в диапазоне 25-50 по оси X, мы бы использовали xlim([25, 50]) :

fig, ax = plt.subplots(figsize=(12, 6))

x = np.arange(0, 10, 0.1)
y = np.sin(x)
z = np.cos(x)

ax.plot(y, color='blue', label='Sine wave')
ax.plot(z, color='black', label='Cosine wave')

plt.xlim([25, 50])

Это ограничивает представление по оси X данными между 25 и 50 и приводит к:

Этого же эффекта можно достичь, установив их с помощью объекта ax . Таким образом, если у нас есть несколько осей , мы можем установить предел для них отдельно:

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(12, 6))

x = np.arange(0, 10, 0.1)
y = np.sin(x)
z = np.cos(x)

ax = fig.add_subplot(121)
ax2 = fig.add_subplot(122)

ax.set_title('Full view')
ax.plot(y, color='blue', label='Sine wave')
ax.plot(z, color='black', label='Cosine wave')

ax2.set_title('Truncated view')
ax2.plot(y, color='blue', label='Sine wave')
ax2.plot(z, color='black', label='Cosine wave')

ax2.set_xlim([25, 50])

plt.show()

Как установить Y-Limit (ylim) в Matplotlib

Теперь давайте установим предел. Это может быть достигнуто с помощью тех же двух подходов:

ax.plot(y, color='blue', label='Sine wave')
ax.plot(z, color='black', label='Cosine wave')

plt.ylim([-1, 0])

Или:

ax.plot(y, color='blue', label='Sine wave')
ax.plot(z, color='black', label='Cosine wave')

ax.set_ylim([-1, 0])

Оба из которых приводят к:

Вывод

В этом уроке мы рассмотрели как установить диапазон осей (то есть пределы X и Y) с помощью Matplotlib в Python .

Если вы заинтересованы в визуализации данных и не знаете, с чего начать, обязательно ознакомьтесь с нашей связкой книг on :

Визуализация данных в Python с Matplotlib и Pandas – это книга, предназначенная для того, чтобы познакомить абсолютных новичков с Pandas и Matplotlib, обладающих базовыми знаниями Python, и позволить им создать прочную основу для продвинутой работы с библиотеками тезисов-от простых сюжетов до анимированных 3D-сюжетов с интерактивными кнопками.

Он служит углубленным руководством, которое научит вас всему, что вам нужно знать о пандах и Matplotlib, включая то, как создавать типы сюжетов, которые не встроены в саму библиотеку.

Визуализация данных в Python , книга для начинающих и промежуточных разработчиков Python, проведет вас через простую манипуляцию данными с Пандами, охватит основные библиотеки построения графиков, такие как Matplotlib и Seaborn, и покажет вам, как использовать преимущества декларативных и экспериментальных библиотек, таких как Altair. Более конкретно, в течение 11 глав эта книга охватывает 9 библиотек Python: Pandas, Matplotlib, Seaborn, Bokeh, Altair, Plotly, GGPlot, GeoPandas и VisPy.

Он служит уникальным практическим руководством по визуализации данных, в изобилии инструментов, которые вы могли бы использовать в своей карьере.