6.5 网格和轴刻度

6.5 网格和轴刻度

Seaborn 图形定制与美化：深入解析网格与轴刻度 (6.5)

引言

在数据可视化中，清晰、易读的图表至关重要。Seaborn，作为基于 Matplotlib 的高级 Python 数据可视化库，不仅提供了美观的默认样式，更赋予用户强大的定制能力。其中，网格 (Grid) 和轴刻度 (Axis Ticks) 是构成图表视觉框架的关键元素，它们直接影响着数据的呈现方式和解读效率。本篇文章将深入 Seaborn 的 6.5 章节内容，详细讲解如何定制和美化网格与轴刻度，提升数据可视化的专业性和表现力。

1. 网格 (Grid) 的定制与美化

网格线在图表中扮演着辅助阅读的角色，它可以帮助观察者更轻松地定位数据点，尤其是在数据分布密集或者图表较为复杂时。Seaborn 默认情况下，会根据不同的绘图函数和样式，自动添加或调整网格线。然而，为了满足特定的可视化需求，我们需要掌握更精细的网格定制技巧。

1.1 Seaborn 样式与默认网格

Seaborn 提供了多种预设样式，这些样式会影响图表的整体外观，包括网格线的显示方式。我们可以使用 seaborn.set_theme() 或 seaborn.set_style() 函数来设置全局样式。

常用的 Seaborn 样式包括：

• "whitegrid": 白色背景，带有网格线 (默认情况下，只显示水平网格线)。

• "darkgrid": 深色背景，带有白色网格线。

• "white": 白色背景，没有网格线。

• "dark": 深色背景，没有网格线。

• "ticks": 白色背景，坐标轴带有刻度线 (ticks)，但没有主要的网格线。

让我们通过一个简单的例子来观察不同样式下网格线的表现：

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 生成示例数据
np.random.seed(0)
x = np.random.rand(50)
y = np.random.rand(50)
data = pd.DataFrame({'x': x, 'y': y})
# 绘制散点图并应用不同样式
styles = ["whitegrid", "darkgrid", "white", "dark", "ticks"]
for style in styles:
    sns.set_style(style)
    plt.figure(figsize=(6, 4)) # 设置图像大小
    sns.scatterplot(x="x", y="y", data=data)
    plt.title(f"Style: {style}")
    plt.show()
​

代码详解：

1. 导入库: 导入 seaborn、matplotlib.pyplot、numpy 和 pandas 库。

2. 生成数据: 使用 numpy 生成随机数据，并创建 pandas DataFrame 用于绘图。

3. 循环绘制: 遍历 styles 列表中的每种样式。

4. 设置样式: 使用 sns.set_style(style) 应用当前循环的样式。

5. 创建画布: 使用 plt.figure(figsize=(6, 4)) 创建一个指定大小的 Matplotlib 图形画布。

6. 绘制散点图: 使用 sns.scatterplot(x="x", y="y", data=data) 绘制散点图。

7. 添加标题: 使用 plt.title(f"Style: {style}") 为每个图表添加样式名称作为标题。

8. 显示图表: 使用 plt.show() 显示图表。

运行这段代码，你会看到五个散点图，每个图表应用了不同的 Seaborn 样式。观察网格线的变化，可以直观地理解不同样式对网格显示的影响。

1.2 使用 plt.grid() 精细控制网格

Seaborn 是构建在 Matplotlib 之上的，因此我们可以直接使用 Matplotlib 的 plt.grid() 函数来更精细地控制网格线的属性。plt.grid() 提供了丰富的参数，例如：

• visible: 布尔值，控制网格线是否显示 (默认为 True)。

• axis: 字符串，指定网格线应用于哪个轴，可选值：

  • 'both' (默认): 同时显示 x 轴和 y 轴网格线。

  • 'x': 只显示 x 轴网格线。

  • 'y': 只显示 y 轴网格线。

• color: 网格线颜色。

• linestyle: 网格线线型，例如 '--' (虚线), '-.' (点划线), ':' (点线), '-' (实线)。

• linewidth: 网格线宽度。

• alpha: 网格线透明度 (0 到 1 之间)。

下面的代码示例演示了如何使用 plt.grid() 定制网格线：

sns.set_style("whitegrid") # 设置基础样式为 whitegrid
plt.figure(figsize=(8, 6))
sns.lineplot(x=range(10), y=np.random.randn(10).cumsum())
# 定制 x 轴网格线
plt.grid(axis='x', color='r', linestyle='--', linewidth=0.5)
# 定制 y 轴网格线
plt.grid(axis='y', color='g', linestyle='-', linewidth=1, alpha=0.7)
plt.title("Customized Grid Lines")
plt.xlabel("X Axis")
plt.ylabel("Y Axis")
plt.show()
​

代码详解：

1. 设置基础样式: 首先使用 sns.set_style("whitegrid") 设置一个带有网格线的基础样式，这样我们可以在此基础上进行定制。

2. 绘制折线图: 使用 sns.lineplot 绘制一个简单的折线图作为示例。

3. 定制 x 轴网格线: 调用 plt.grid(axis='x', color='r', linestyle='--', linewidth=0.5)，只显示 x 轴网格线，颜色设置为红色 ('r')，线型为虚线 ('--')，线宽为 0.5。

4. 定制 y 轴网格线: 调用 plt.grid(axis='y', color='g', linestyle='-', linewidth=1, alpha=0.7)，只显示 y 轴网格线，颜色设置为绿色 ('g')，线型为实线 ('-')，线宽为 1，透明度为 0.7。

运行代码，你会看到一个折线图，其中 x 轴网格线为红色虚线，y 轴网格线为绿色实线，且具有一定的透明度。

1.3 FacetGrid 和网格

当使用 Seaborn 的 FacetGrid 创建多面板图时，每个子图默认也会带有网格线，这通常由全局样式决定。但是，FacetGrid 对象也提供了 gridspec_kws 参数，允许我们进一步控制子图网格的布局。虽然 gridspec_kws 主要用于调整子图的整体布局，间接影响网格的显示，但它不是直接控制网格属性的参数。

对于 FacetGrid 中的网格线定制，主要还是依赖于全局样式设置或者在每个子图的 Axes 对象上使用 plt.grid() 或 ax.grid() (Axes 对象的方法，稍后会讲到)。

2. 轴刻度 (Axis Ticks) 的定制与美化

轴刻度是坐标轴上的标记，用于指示数值的大小和位置。合理的轴刻度设置可以使图表更易于理解和分析。Seaborn 和 Matplotlib 提供了多种方法来定制轴刻度，包括刻度的位置、标签、格式等。

2.1 默认轴刻度

Seaborn 会根据数据的范围和分布，自动选择合适的轴刻度位置和标签。在大多数情况下，默认的轴刻度已经足够清晰和美观。然而，在某些情况下，我们可能需要手动调整刻度，例如：

• 调整刻度密度: 默认刻度可能过于密集或稀疏，需要调整刻度之间的间隔。

• 自定义刻度标签: 默认标签可能不够清晰或不符合需求，需要修改标签内容或格式。

• 隐藏刻度或标签: 在某些特定类型的图表中，可能需要完全隐藏刻度或标签。

2.2 使用 plt.xticks() 和 plt.yticks() 定制刻度

Matplotlib 的 plt.xticks() 和 plt.yticks() 函数是定制 x 轴和 y 轴刻度的核心工具。它们可以接受多个参数，用于设置刻度的位置和标签：

• ticks: 一个类数组对象 (例如列表或 NumPy 数组)，指定刻度的位置。

• labels: 一个列表，指定与刻度位置对应的标签文本。如果省略 labels，则默认使用刻度位置作为标签。

• rotation: 标签旋转角度 (度数)。

• fontsize: 标签字体大小。

• color: 标签颜色。

• ha (horizontalalignment): 水平对齐方式，例如 'center', 'right', 'left'。

• va (verticalalignment): 垂直对齐方式，例如 'center', 'top', 'bottom', 'baseline'.

以下代码示例展示了如何使用 plt.xticks() 和 plt.yticks() 定制轴刻度：

plt.figure(figsize=(8, 6))
plt.plot(range(10), np.arange(10)**2) # 绘制一个简单的平方函数曲线
# 自定义 x 轴刻度
plt.xticks(ticks=range(0, 11, 2), # 设置刻度位置为 0, 2, 4, ..., 10
           labels=[f'Point {i}' for i in range(0, 11, 2)], # 设置自定义标签
           rotation=45, # 标签旋转 45 度
           fontsize=10)
# 自定义 y 轴刻度
plt.yticks(ticks=[0, 25, 50, 75, 100], # 设置 y 轴刻度位置
           labels=['0%', '25%', '50%', '75%', '100%'], # 设置百分比标签
           color='blue') # 标签颜色设置为蓝色
plt.title("Customized Axis Ticks")
plt.xlabel("X Axis Points")
plt.ylabel("Y Axis Percentage")
plt.grid(True) # 显示网格线
plt.show()
​

代码详解：

1. 绘制曲线: 使用 plt.plot 绘制一个简单的平方函数曲线。

2. 自定义 x 轴刻度:

   • plt.xticks(ticks=range(0, 11, 2), ...): 设置 x 轴刻度位置为 0, 2, 4, 6, 8, 10。

   • labels=[f'Point {i}' for i in range(0, 11, 2)], ...): 使用列表推导式生成自定义标签，例如 "Point 0", "Point 2", "Point 4" 等。

   • rotation=45, ...): 将 x 轴标签旋转 45 度，避免标签重叠。

   • fontsize=10): 设置标签字体大小为 10。

3. 自定义 y 轴刻度:

   • plt.yticks(ticks=[0, 25, 50, 75, 100], ...): 设置 y 轴刻度位置为 0, 25, 50, 75, 100。

   • labels=['0%', '25%', '50%', '75%', '100%'], ...): 设置 y 轴标签为百分比形式。

   • color='blue'): 将 y 轴标签颜色设置为蓝色。

4. 添加标题、轴标签和网格线: 使用 plt.title(), plt.xlabel(), plt.ylabel(), plt.grid(True) 添加图表标题、轴标签和网格线。

运行代码，你会看到一个曲线图，其 x 轴刻度被自定义为 "Point" 系列标签并旋转了角度，y 轴刻度被自定义为百分比标签并使用了蓝色。

2.3 使用 Axes 对象的方法定制刻度

当我们使用 Seaborn 的高级绘图函数 (例如 sns.relplot, sns.catplot, sns.displot 等) 或者直接操作 Matplotlib 的 Axes 对象时，可以通过 Axes 对象的方法来定制轴刻度。

例如，对于 sns.relplot 返回的 FacetGrid 对象，我们可以通过迭代其 axes 属性来访问每个子图的 Axes 对象，并使用 Axes 对象的方法 (例如 ax.set_xticks(), ax.set_yticks(), ax.set_xticklabels(), ax.set_yticklabels()) 来定制刻度。

tips = sns.load_dataset("tips")
g = sns.relplot(data=tips, x="total_bill", y="tip", col="time", hue="smoker")
for ax in g.axes.flat: # 迭代访问每个子图的 Axes 对象
    ax.set_xticks([10, 30, 50]) # 使用 set_xticks 设置 x 轴刻度位置
    ax.set_xticklabels(['Low', 'Medium', 'High']) # 使用 set_xticklabels 设置 x 轴刻度标签
    ax.set_yticks([2, 6, 10]) # 使用 set_yticks 设置 y 轴刻度位置
    ax.set_yticklabels(['Small', 'Large', 'Extra Large']) # 使用 set_yticklabels 设置 y 轴刻度标签
g.set_titles("Time: {col_name}") # 设置子图标题
plt.show()
​

代码详解：

1. 加载数据集: 加载 Seaborn 内置的 "tips" 数据集。

2. 绘制 Relplot: 使用 sns.relplot 创建一个多面板散点图，按 "time" 列分面，按 "smoker" 列着色。

3. 迭代 Axes 对象: g.axes.flat 返回一个扁平化的 Axes 对象迭代器，遍历每个子图的 Axes 对象。

4. 使用 Axes 方法定制刻度:

   • ax.set_xticks([10, 30, 50]): 使用 set_xticks 方法设置 x 轴刻度位置。

   • ax.set_xticklabels(['Low', 'Medium', 'High']): 使用 set_xticklabels 方法设置 x 轴刻度标签。

   • ax.set_yticks([2, 6, 10]): 使用 set_yticks 方法设置 y 轴刻度位置。

   • ax.set_yticklabels(['Small', 'Large', 'Extra Large']): 使用 set_yticklabels 方法设置 y 轴刻度标签。

5. 设置子图标题: g.set_titles("Time: {col_name}") 设置子图标题，显示分面变量 "time" 的值。

运行代码，你会看到一个多面板散点图，每个子图的 x 轴刻度被自定义为 "Low", "Medium", "High" 标签，y 轴刻度被自定义为 "Small", "Large", "Extra Large" 标签。

2.4 使用 matplotlib.ticker 模块高级定制刻度格式

matplotlib.ticker 模块提供了更高级的刻度格式化和定位功能。我们可以使用 ticker 模块中的类来创建自定义的刻度格式化器 (Formatter) 和刻度定位器 (Locator)。

常用的 ticker 类包括：

• ticker.FormatStrFormatter: 使用格式化字符串来格式化刻度标签。

• ticker.FuncFormatter: 使用自定义函数来格式化刻度标签。

• ticker.MultipleLocator: 设置刻度间隔为指定值的倍数。

• ticker.AutoLocator: 自动选择刻度位置 (默认定位器)。

• ticker.LogLocator: 用于对数坐标轴的刻度定位器。

以下示例演示了如何使用 ticker.FormatStrFormatter 和 ticker.MultipleLocator 定制刻度格式和位置：

import matplotlib.ticker as ticker
plt.figure(figsize=(8, 6))
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
# 使用 FormatStrFormatter 格式化 y 轴刻度标签
formatter = ticker.FormatStrFormatter('%.2f') # 保留两位小数
plt.gca().yaxis.set_major_formatter(formatter) # 应用到 y 轴主刻度
# 使用 MultipleLocator 设置 x 轴主刻度间隔
locator = ticker.MultipleLocator(base=np.pi/2) # 刻度间隔为 pi/2
plt.gca().xaxis.set_major_locator(locator) # 应用到 x 轴主刻度
plt.title("Customized Tick Formatting and Locator")
plt.xlabel("X Axis (radians)")
plt.ylabel("Y Axis (sin(x))")
plt.grid(True)
plt.show()
​

代码详解：

1. 导入 ticker 模块: import matplotlib.ticker as ticker 导入 matplotlib.ticker 模块。

2. 绘制正弦曲线: 绘制正弦函数曲线作为示例。

3. 创建 FormatStrFormatter: formatter = ticker.FormatStrFormatter('%.2f') 创建一个 FormatStrFormatter 对象，格式化字符串 '%.2f' 表示保留两位小数。

4. 应用 Formatter 到 y 轴: plt.gca().yaxis.set_major_formatter(formatter) plt.gca() 获取当前 Axes 对象，yaxis 属性访问 y 轴，set_major_formatter() 方法设置 y 轴主刻度的格式化器。

5. 创建 MultipleLocator: locator = ticker.MultipleLocator(base=np.pi/2) 创建一个 MultipleLocator 对象，设置刻度间隔为 \pi/2。

6. 应用 Locator 到 x 轴: plt.gca().xaxis.set_major_locator(locator) xaxis 属性访问 x 轴，set_major_locator() 方法设置 x 轴主刻度的定位器。

运行代码，你会看到 y 轴刻度标签被格式化为保留两位小数的浮点数，x 轴主刻度间隔被设置为 \pi/2。

3. Mermaid 图：Seaborn 网格与轴刻度定制流程

为了更清晰地展示 Seaborn 中网格和轴刻度定制的流程和方法，我们可以使用 Mermaid 的 graph TD 图来总结：

Mermaid 图解释：

• A[Seaborn Plot]: 代表一个 Seaborn 图表。

• B{定制网格} 和 C{定制轴刻度}: 分别表示网格和轴刻度定制的两个主要分支。

• B1, B2, B3: 列出了定制网格的三种主要方法：Seaborn 样式、plt.grid() 和 Axes.grid()。

• C1, C2, C3, C4: 列出了定制轴刻度的四种主要方法：plt.xticks()/plt.yticks()、Axes.set_xticks()/set_yticks()、Axes.set_xticklabels()/set_yticklabels() 和 matplotlib.ticker 模块。

• D, E, F, G, H, I, J: 简要描述了每种方法的特点和作用。

• 样式: 使用 style 语法高亮显示了 "定制网格" 和 "定制轴刻度" 两个主要分支。

这个 Mermaid 图可以帮助读者更清晰地理解 Seaborn 中网格和轴刻度定制的整体框架和各种方法之间的关系。

4. 总结与最佳实践

网格和轴刻度是数据可视化中不可或缺的组成部分。通过 Seaborn 和 Matplotlib 提供的丰富工具，我们可以灵活地定制和美化网格与轴刻度，提升图表的可读性和专业性。

最佳实践建议：

• 根据图表类型和数据特点选择合适的网格样式。 例如，对于需要精确比较数值的图表，可以考虑使用网格线；对于强调趋势和分布的图表，可以弱化或去除网格线。

• 合理设置轴刻度密度和标签格式。 避免刻度过于密集或稀疏，标签应清晰易懂，必要时可以使用自定义格式化器。

• 注意网格线和轴刻度的颜色、线型、粗细等属性，使其与图表整体风格协调一致。 避免使用过于突兀或干扰数据呈现的网格线和刻度。

• 在多面板图中使用统一的刻度范围和格式，方便比较不同子图之间的数据。

• 灵活运用 Matplotlib 的底层控制能力，实现更高级的定制需求。 例如，使用 matplotlib.ticker 模块创建自定义的刻度格式化器和定位器。

通过掌握网格和轴刻度的定制技巧，我们可以创建更专业、更易读、更具表现力的数据可视化作品，有效地传达数据背后的信息和洞见。希望本文能够帮助读者深入理解 Seaborn 图形定制与美化中关于网格和轴刻度的重要内容，并在实际应用中灵活运用。