Двумерные и трехмерные данные можно просматривать относительно просто, используя традиционные типы графиков. Даже с четырехмерными данными мы часто можем найти способ отображения данных. Размеры выше четырех, тем не менее, становятся все труднее отображать. К счастью, параллельные координаты предоставляют механизм для просмотра результатов с более высокими размерами.
Несколько пакетов печати предоставляют параллельные координатные графики, такие как Matlab , R , VTK типа 1 и VTK типа 2 , но Я не вижу, как создать его с помощью Matplotlib.
- Есть ли встроенный параллельный график координат в Matplotlib? Я, конечно, не вижу ни одного в галерее .
- Если встроенного типа нет, возможно ли построить график параллельных координат, используя стандартные функции Matplotlib?
Редактировать
Основываясь на ответе, представленном Женей ниже, я разработал следующее обобщение, которое поддерживает произвольное число осей. Следуя стилю графика примера, который я разместил в исходном вопросе выше, каждая ось получает свой собственный масштаб. Я выполнил это путем нормализации данных в каждой точке оси и присвоения осям диапазона от 0 до 1. Затем я возвращаюсь и применяю метки к каждой отметке, которые дают правильное значение на этом пересечении.
Функция работает, принимая итерируемые наборы данных. Каждый набор данных считается набором точек, где каждая точка лежит на другой оси. Пример в __main__ собирает случайные числа для каждой оси в двух наборах по 30 строк. Линии являются случайными в пределах диапазонов, которые вызывают кластеризацию линий; поведение, которое я хотел проверить.
Это решение не так хорошо, как встроенное решение, поскольку у вас странное поведение мыши, и я подделываю диапазоны данных через метки, но пока Matplotlib не добавит встроенное решение, это приемлемо.
#!/usr/bin/python
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
def parallel_coordinates(data_sets, style=None):
dims = len(data_sets[0])
x = range(dims)
fig, axes = plt.subplots(1, dims-1, sharey=False)
if style is None:
style = ['r-']*len(data_sets)
# Calculate the limits on the data
min_max_range = list()
for m in zip(*data_sets):
mn = min(m)
mx = max(m)
if mn == mx:
mn -= 0.5
mx = mn + 1.
r = float(mx - mn)
min_max_range.append((mn, mx, r))
# Normalize the data sets
norm_data_sets = list()
for ds in data_sets:
nds = [(value - min_max_range[dimension][0]) /
min_max_range[dimension][2]
for dimension,value in enumerate(ds)]
norm_data_sets.append(nds)
data_sets = norm_data_sets
# Plot the datasets on all the subplots
for i, ax in enumerate(axes):
for dsi, d in enumerate(data_sets):
ax.plot(x, d, style[dsi])
ax.set_xlim([x[i], x[i+1]])
# Set the x axis ticks
for dimension, (axx,xx) in enumerate(zip(axes, x[:-1])):
axx.xaxis.set_major_locator(ticker.FixedLocator([xx]))
ticks = len(axx.get_yticklabels())
labels = list()
step = min_max_range[dimension][2] / (ticks - 1)
mn = min_max_range[dimension][0]
for i in xrange(ticks):
v = mn + i*step
labels.append('%4.2f' % v)
axx.set_yticklabels(labels)
# Move the final axis' ticks to the right-hand side
axx = plt.twinx(axes[-1])
dimension += 1
axx.xaxis.set_major_locator(ticker.FixedLocator([x[-2], x[-1]]))
ticks = len(axx.get_yticklabels())
step = min_max_range[dimension][2] / (ticks - 1)
mn = min_max_range[dimension][0]
labels = ['%4.2f' % (mn + i*step) for i in xrange(ticks)]
axx.set_yticklabels(labels)
# Stack the subplots
plt.subplots_adjust(wspace=0)
return plt
if __name__ == '__main__':
import random
base = [0, 0, 5, 5, 0]
scale = [1.5, 2., 1.0, 2., 2.]
data = [[base[x] + random.uniform(0., 1.)*scale[x]
for x in xrange(5)] for y in xrange(30)]
colors = ['r'] * 30
base = [3, 6, 0, 1, 3]
scale = [1.5, 2., 2.5, 2., 2.]
data.extend([[base[x] + random.uniform(0., 1.)*scale[x]
for x in xrange(5)] for y in xrange(30)])
colors.extend(['b'] * 30)
parallel_coordinates(data, style=colors).show()
Редактировать 2:
Вот пример того, что получается из приведенного выше кода при построении данных Ириса Фишера . Это не так хорошо, как эталонное изображение из Википедии, но оно приемлемо, если у вас есть только Matplotlib и вам нужны многомерные графики.
