Ответ на этот вопрос может быть адаптирован к вашему случаю:
Идея состоит в том, чтобы создать график с таким количеством узлов, сколько у вас есть точек данных и связанных точек меток. Вы только хотите, чтобы узлы меток распространились. Это можно сделать с помощью графика network.spring_layout() (см. Документацию здесь ).
Прикрепленный код реализует функцию spring_labels() для ясности. Аргументы интересов
hint ( в виде массива ): некоторые точки данных имеют одинаковую координату y, поэтому график будет распределять соответствующие метки в одной и той же позиции. Вы можете присвоить разные значения каждой точке данных с помощью ключевого аргумента hint, чтобы повысить дифференцируемость (здесь я взял точку от второй до последней) spread ( float ): это контролирует, как далеко распространяются узлы; это значение должно быть установлено вручную для оптимизации результатов shift ( float ): сдвиг в направлении x метки x-координаты.
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import networkx as nx
from cycler import cycler
def spring_labels(ax, x, y, labels, spread=.03, shift=.1, hint=None, colors=None):
if hint is None:
hint = y
if colors is None:
colors = ['C{}' for i in range(len(y))]
# Create graph
graph = nx.DiGraph()
# node_labels = labels
node_data = ['data_{}'.format(l) for l in labels]
graph.add_nodes_from(node_data + labels)
graph.add_edges_from(zip(node_data, labels))
# Initialize position
graph_init = dict()
for yi, yh, nd, nl in zip(y, hint, node_data, labels):
graph_init[nd] = (x, yi)
graph_init[nl] = (x + shift, yi + (yi - yh) * .1)
# Draw spring-force graph
positions = nx.spring_layout(graph, pos=graph_init, fixed=node_data, k=spread)
for label in labels:
positions[label][0] = x + shift
# colors = plt.rcParams['axes.color_cycle']
# print(colors)
for (data, label), color in zip(graph.edges, colors):
ax.plot([positions[label][0], positions[data][0]],
[positions[label][1], positions[data][1]],
color=color, clip_on=False)
ax.text(*positions[label], label, color=color)
data_1 = np.array([[0, 5, 3, 2, 4, 7.7], [1, 1.5, 9, 7, 8, 8], [
2, 3, 3, 7, 3, 3], [0, 5, 6, 12, 4, 3], [3, 5, 6, 10, 2, 6]])
df = pd.DataFrame({'111': data_1[0], '222': data_1[1], '333': data_1[
2], '444': data_1[3], '555': data_1[4]})
# Graphing
# df.plot()
# 1. The color is a nice red / blue / green which is different from the
# primary color RGB
c = plt.get_cmap('Set1').colors
plt.rcParams['axes.prop_cycle'] = cycler(color=c)
fig, ax = plt.subplots(figsize=(7, 5))
# 2. Remove the legend
# 3. Make the line width thicker
df.plot(ax=ax, linewidth=3, legend=False)
# 4. Display y-axis label
# 5. Change the display range of x-axis and y-axis
x_min, x_max = 0, 5
y_min, y_max = 0, 13
ax.set(ylim=(y_min, y_max), xlim=(x_min, x_max + 0.03))
# 6. Specify font size collectively
plt.rcParams["font.size"] = 14
# 7. Display graph title, X axis, Y axis name (label), grid line
plt.title("title")
plt.xlabel("x")
plt.ylabel("y")
plt.grid(True)
# 8. Remove the right and top frame
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(True)
# 9. Show index to the right of the plot instead of the normal legend
ys_hint = [a.get_data()[1][-2] for a in ax.lines]
ys_max = [a.get_data()[1][-1] for a in ax.lines]
spring_labels(ax, x_max, ys_max, df.columns.values, shift=.2, hint=ys_hint, colors=c)
plt.savefig('plot_lines.png', dpi=300, bbox_inches='tight')