mpl-scatter-density 0.7

scatter_density 方法

使用此包的最简单方法是将 mpl_scatter_density 导入，然后像往常一样创建Matplotlib轴，但添加一个 projection='scatter_density' 选项（如果你的反应是“等等，什么？”，请参阅 此处）。这将返回一个具有 scatter_density 方法的 ScatterDensityAxes 实例，它还具有所有常规方法（scatter、plot 等）。

import numpy as np
import mpl_scatter_density
import matplotlib.pyplot as plt

# Generate fake data

N = 10000000
x = np.random.normal(4, 2, N)
y = np.random.normal(3, 1, N)

# Make the plot - note that for the projection option to work, the
# mpl_scatter_density module has to be imported above.

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1, projection='scatter_density')
ax.scatter_density(x, y)
ax.set_xlim(-5, 10)
ax.set_ylim(-5, 10)
fig.savefig('gaussian.png')

这将给出

散点密度方法与imshow方法具有相同的选项（例如cmap、alpha、norm等），但还包含以下可选参数：

• dpi：这是一个整数，用于确定密度图的分辨率。默认值为72，但可以根据需要更改，或者将其设置为None以使用您所使用的Matplotlib后端的默认值。

• downres_factor：这是一个整数，用于确定在交互模式中平移时如何下采样密度图。如果不想进行任何下采样，请将其设置为1。

• color：可以将其设置为任何有效的matplotlib颜色，并将自动使用此颜色创建单色颜色映射。颜色映射将淡出为透明，这意味着当一起显示多个密度图时，此模式是理想的。

以下是使用color选项的示例

import numpy as np
import matplotlib.pyplot as plt
import mpl_scatter_density  # noqa

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1, projection='scatter_density')

n = 10000000

x = np.random.normal(0.5, 0.3, n)
y = np.random.normal(0.5, 0.3, n)

ax.scatter_density(x, y, color='red')

x = np.random.normal(1.0, 0.2, n)
y = np.random.normal(0.6, 0.2, n)

ax.scatter_density(x, y, color='blue')

ax.set_xlim(-0.5, 1.5)
ax.set_ylim(-0.5, 1.5)

fig.savefig('double.png')

这将产生以下输出

ScatterDensityArtist

如果您是经验丰富的Matplotlib用户，您可能希望直接使用ScatterDensityArtist（此示例在幕后使用）。要使用此方法，请使用轴作为第一个参数初始化ScatterDensityArtist，然后传递任何您在上述scatter_density中传递的参数（您还可以查看ScatterDensityArtist的文档字符串）。然后应将艺术家添加到轴上

from mpl_scatter_density import ScatterDensityArtist
a = ScatterDensityArtist(ax, x, y)
ax.add_artist(a)

非线性拉伸用于高动态范围绘图

在某些情况下，您的密度图可能具有高动态范围，因此您可能想显示计数的对数而不是计数本身。您可以通过将matplotlib.colors.Normalize对象传递给norm参数（与imshow相同的方式）来实现此操作。例如，astropy包包含一个优秀的框架，用于为不同的函数创建此类Normalize对象。以下示例展示了如何在对数尺度上显示密度图

import numpy as np
import mpl_scatter_density
import matplotlib.pyplot as plt

# Make the norm object to define the image stretch
from astropy.visualization import LogStretch
from astropy.visualization.mpl_normalize import ImageNormalize
norm = ImageNormalize(vmin=0., vmax=1000, stretch=LogStretch())

N = 10000000
x = np.random.normal(4, 2, N)
y = np.random.normal(3, 1, N)

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1, projection='scatter_density')
ax.scatter_density(x, y, norm=norm)
ax.set_xlim(-5, 10)
ax.set_ylim(-5, 10)
fig.savefig('gaussian_log.png')

这将产生以下输出

添加颜色条

您可以通过与图像相同的方式显示颜色条 - 以下示例展示了如何实现此操作

import numpy as np
import mpl_scatter_density
import matplotlib.pyplot as plt

N = 10000000
x = np.random.normal(4, 2, N)
y = np.random.normal(3, 1, N)

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1, projection='scatter_density')
density = ax.scatter_density(x, y)
ax.set_xlim(-5, 10)
ax.set_ylim(-5, 10)
fig.colorbar(density, label='Number of points per pixel')
fig.savefig('gaussian_colorbar.png')

这将产生以下输出

使用单个值对“标记”进行着色

与可以将值的一维数组传递给Matplotlib的scatter函数/方法一样，可以使用c=参数将值的一维数组传递给scatter_density

import numpy as np
import mpl_scatter_density
import matplotlib.pyplot as plt

N = 10000000
x = np.random.normal(4, 2, N)
y = np.random.normal(3, 1, N)
c = x - y + np.random.normal(0, 5, N)

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1, projection='scatter_density')
ax.scatter_density(x, y, c=c, vmin=-10, vmax=+10, cmap=plt.cm.RdYlBu)
ax.set_xlim(-5, 13)
ax.set_ylim(-5, 11)
fig.savefig('gaussian_color_coded.png')

这将产生以下输出

请注意，为了尽可能保持良好的性能，密度图每个像素中的c属性值将被平均，然后应用颜色映射。这与scatter在许多点的情况下会收敛到的情况略有不同（因为在那种情况下，它会对所有标记应用颜色而不是平均颜色）。

这基本上与datashader相同吗？

这遵循了datashader的相同理念，但mpl-scatter-density的目标是专门为Matplotlib用户带来类似datashader的功能。此外，mpl-scatter-density旨在非常容易安装——例如，可以使用pip安装。但是，如果您已经安装了datashader并经常使用bokeh，mpl-scatter-density对您的作用不大。请注意，如果您对datashader和Matplotlib都感兴趣，@tacaswell有一个正在进行的工作（pull request），旨在创建一个类似于此包中的matplotlib artist，但由datashader提供动力。

关于vaex呢？

Vaex是一个强大的包，用于在N维网格上可视化大型数据集，因此它有一些与这里的功能重叠。然而，mpl-scatter-density的目标只是提供一个轻量级的解决方案，使用户能够轻松地将散点密度图添加到他们的图表中，而不是提供一个完整的数据可视化环境。我强烈建议您查看Vaex并确定哪种方法适合您！

为什么要把scatter_density定义为投影？

如果您是Matplotlib的开发者：我为扭曲了projection的预期目的而深感抱歉：blush:.但您必须承认，即使它与实际的投影没有关系，这也是让用户获得自定义Axes子类的一种非常方便的方式！

您认为它会走向何方？

我们可以向这个包添加很多东西，例如，以等高线的形式绘制密度图，或者通过第三种量来为每个点着色，并在密度图中反映出来。如果您有想法，请提出问题，甚至更好的是贡献一个pull request！：smile

我可以贡献吗？

我很高兴您这样问——当然，您非常欢迎贡献！如果您有一些想法，您可以提出问题或直接创建pull request。即使您没有时间贡献实际的代码更改，如果您在使用此包时遇到问题，我也愿意听到您的声音。

[![构建状态](https://dev.azure.com/thomasrobitaille/mpl-scatter-density/_apis/build/status/astrofrog.mpl-scatter-density?branchName=master](https://dev.azure.com/thomasrobitaille/mpl-scatter-density/_build/latest" rel="nofollow">https://dev.azure.com/thomasrobitaille/mpl-scatter-density/_build/latest?definitionId=17&branchName=master)