Python实现对数坐标系绘制与自定义映射
作者：微小冷
对数坐标系
在实际绘图时，如果x,y这两轴的数据变化速率相差过多，线性的坐标映射将无法展示图形变化的细节，就需要更改坐标系的数字映射逻辑，以获得更具细节的图像。
在matplotlib绘图时，通过set_xscale和set_yscale这两个函数，可以轻松对坐标系进行坐标放缩，并且提供了4个基础的放缩模板，分别是’linear’, ‘log’, ‘symlog’, ‘logit’。
import numpy as np
import matplotlib.pyplot as plt
xs = np.linspace(-5,5,1000)
labels = ['linear', 'log', 'symlog', 'logit']
fig = plt.figure()
for i,L in enumerate(labels, 1):
ax = fig.add_subplot(2,2,i)
ax.plot(xs, np.tan(xs))
ax.plot(xs, np.exp(xs))
ax.set_yscale(L)
ax.set_title(L)
ax.grid()
plt.tight_layout()
plt.show()
从其y轴坐标可以看出，linear就是最常见的线性映射；log是对数坐标；symlog是“双”对数坐标；logit则是中间大、两端小的对数映射。
所以，在log图中，由于对数映射是非对称的，其y轴坐标从小到大依次是0.01,0.1,1,10,100，所以 尽管tanx本应上下对称，但下方却直接超出了坐标轴给定的范围。
自定义映射
set_xscale和set_yscale这两个函数，除了支持matplotlib实现好的字符串标识之外，还支持自定义函数映射。例如，想把y轴映射为根号y ，则需要定义两个函数，分别用于坐标系映射和图像映射，具体代码如下
forward = lambda x : x**(1/2)
inverse = lambda x : x**2
fig, ax = plt.subplots()
xs = np.linspace(0,4,100)
ax.plot(xs, np.exp(xs))
ax.set_yscale('function', functions=(forward, inverse))
ax.set_title('function: $x^{1/2}$')
ax.grid()
plt.tight_layout()
plt.show()绘图结果如下
可以看到，y轴方向等间隔的刻度，其映射的长度是依次减半的。10到20在y向的长度，差不多是0到10的二分之一。
对数坐标图
虽然上面的例程均通过plot图来演示，但set_xscale和set_yscale其实适用于各种图像。而针对折线图的对数坐标图，matplotlib已经实现了更加成熟的封装，即semilogx, semilogy和loglog。
fig, (ax1, ax2, ax3) = plt.subplots(1,3, figsize=(8,3)) ax1.semilogx(t, np.sin(2 * np.pi * t)) ax1.set(title='semilogx') ax1.grid() ax2.semilogy(t, np.exp(-t / 5.0)) ax2.set(title='semilogy') ax2.grid() ax3.loglog(t, 20 * np.exp(-t / 10.0)) ax3.set(title='loglog') ax3.grid() plt.tight_layout() plt.show()
结果为
其中，semilogx和semilogy顾名思义，分别是对x轴和y轴进行坐标映射，而log则对两个轴都进行了坐标映射。
到此这篇关于Python实现对数坐标系绘制与自定义映射的文章就介绍到这了,更多相关Python对数坐标系内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！