气象绘图——折线图
本节提要：不满意最开始那一版的折线图教程，所以进行了这一强化版的撰写。主要针对matplotlib中的折线图，对关键字指令升级梳理，希望能帮助新入门的小伙伴。
一、简要谈谈折线图
折线图是科学或者商业图表中最为基础的一种了，其主要展示时间序列的变化情况，能够使读者了然数据的大小、升降、正负关系，还能展示各种折线数据的相对关系，但对整体——局部的表现力较差，参与有地图的绘制也比较困难。
折线图非常实用，过往期刊杂志由于黑色印刷，为区分各个值的折线，要求用标记符号、线条样式等方式用于区分；matplotlib作为python的祖母级绘图库，提供了丰富的关键字指令用以美化、修饰图表。下面就让我们来一睹plot绘图函数的风采吧！
二、plot( )绘图函数的基础运作
使用过excel的小伙伴应该能理解折线图的绘制原理，其本质是针对横轴和纵轴坐标点的链接，实际上这些点和scatter命令是一致的，只是plot命令能够使其连接成线。
不管你在前面是否划分了子图，plt.plot()都是可以使用的，进一步的，库包提供了ax.plot()在子图内部调用。
plot()命令是在内部传入x轴、y轴数据，两者的数据不能长度不一，然后电脑自动在笛卡尔坐标系中按顺序连接这些点。
A、横纵轴数据直接的传入
import numpy as np
import matplotlib.pyplot as plt
fig=plt.figure(figsize=(4,4),dpi=500)#添加画布
plt.plot([1],[1],marker='*')#列表单独一个点
plt.plot(1,1,marker='*')#数值单独一个点
plt.plot((1),(1),marker='*')#元组单独一个点
plt.show()
可以看出，列表、元组、数值都可以直接传入plot并成功绘制，原则上是没有问题的。这种传入方式只能用来做实验讲明原理，在上手实际数据时完全受到限制。
B、横纵轴数据间接的传入
这种数据传入方式才是实用的，通过一个参数符号，连接plot与外部数据：
import numpy as np
import matplotlib.pyplot as plt
fig=plt.figure(figsize=(3,3),dpi=500)#添加画布
x=[1,2,3,4,5]
y=[1,2,3,4,5]
plt.plot(x,y)
通过参数x和y，我们实现了内外数据的连接。当然，在这种方式下，元组数据也能传入并正常绘图。
C、横轴纵轴数据必须长度一致
x、y在传入时，长度必须一致，否则报错。
import numpy as np
import matplotlib.pyplot as plt
fig=plt.figure(figsize=(3,3),dpi=500)#添加画布
x=[1,2,3,4,5]
y=[1,2,3,4]
plt.plot(x,y)ValueError: x and y must have same first dimension, but have shapes (5,) and (4,)三、plot( )函数的常用关键字参数
接下来，就是plot函数的最重要部分了——关键字参数。关键字参数相当于战士的武器、巫师的拐杖、道士的法宝，没有关键字参与，plot()函数和咸鱼没什么区别。
（点击右侧小图可查看大图）
plot( )函数常用关键字参数 | |
|---|---|
xy | x,y即最为关键的数据部分，请注意顺序。 |
color或c | 指定折线的颜色 |
|---|
linestyle或ls | 指定折线的样式 |
|---|
linewidth或lw | 指定折线宽度 |
|---|
fmt | 混合命令，同时指定线条颜色和样式 |
|---|
marker | 指定折线图的标记样式 |
|---|
markeredgecolor | 指定标记的边缘颜色 |
|---|
markerfacecolor | 指定标记内部填充颜色 |
|---|
markeredgewidth | 指定标记边缘宽度 |
|---|
markersize | 指定标记直径大小 |
|---|
fillstyle | 指定标记内部的填充方式 |
|---|
label | 指定折线的图例名称 |
|---|
zorder | 指定绘图层次（高层次会盖住低层次） |
|---|
visible | 是否显示该线条（True or False） |
|---|
四、折线图实用命令
A、堆积折线图
严格来说这个函数不属于plot( )，但是为了方便，也放在这里讲，堆积折线图可以实现不同折线之间的填色样式，该图主要依赖stackplot( )命令。
import matplotlib.pyplot as plt
fig=plt.figure(figsize=(3,3),dpi=500)#添加画布
x=[1,2,3,4,5]
y1=[1,2,3,4,5]
y2=[1,2,3,4,5]
y3=[1,2,3,4,5]
colors=['tab:blue','tab:green','tab:orange']#指定填充颜色，从低到高
plt.stackplot(x,y1,y2,y3,colors=colors)
B、折线图与坐标轴之间进行填色
这也是一种常规的折线数值比较方式，通过plt.fill( )命令绘制：
import numpy as np
import matplotlib.pyplot as plt
fig=plt.figure(figsize=(3,3),dpi=500)
x=[1,2,3,4,5,6,7,8,9,10,11]
y=[1,2,3,4,5,2,-1,-5,-7,-2,1]
plt.plot(x,y,c='tab:blue',marker='o',markersize=3)
plt.fill(x,y,color='tab:green',alpha=0.5)
C、使用fill_between( )命令完成B类型填充
fill_between( )表示填充传递进去的的列表相夹的部分，比如下面子图1，仅传入（x,y1）那么就会将x与y1的相夹部分填充；子图2，传入(x,y1,1)，多了一个限定值1，那么就会绘制y1与x=1相夹部分；子图3，传入（x,y1,y2），就会绘制y1与y2相夹部分。
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
x = np.arange(0.0, 2, 0.01)
y1 = np.sin(2 * np.pi * x)
y2 = 0.8 * np.sin(4 * np.pi * x)
fig, (ax1, ax2, ax3) = plt.subplots(3, 1, sharex=True, figsize=(6, 6),dpi=500)
ax1.fill_between(x, y1)
ax1.set_title('fill between y1 and 0')
ax2.fill_between(x, y1, 1)
ax2.set_title('fill between y1 and 1')
ax3.fill_between(x, y1, y2)
ax3.set_title('fill between y1 and y2')
ax3.set_xlabel('x')
fig.tight_layout()
plt.savefig('a',bbox_inches='tight')
D、折线图之间分类填色
某些时候，需要比较两根折线的相对大小，或者比较其大小的差值，可以使用在折线图之间填色的方法，该方法仍然用到C中的fill_between( )函数。
import numpy as np
import matplotlib.pyplot as plt
fig=plt.figure(figsize=(3,3),dpi=500)
ax=fig.add_axes([0,0,1,1])
x=np.array([1,2,3,4,5,6,7,8,9,10,11])
y1=np.array([1,2,3,4,5,2,-1,-5,-7,-2,1])
y2=np.array([3,4,5,3,1,-1,-4,-6,-3,2,1])
ax.plot(x,y1,ls=':',c='k',marker='o',fillstyle='none')
ax.plot(x,y2,ls='-.',c='k')
ax.fill_between(x,y1,y2,where=(y1>y2),interpolate=True,
facecolor='tab:orange',alpha=0.8)
ax.fill_between(x,y1,y2,where=(y2>y1),interpolate=True,
facecolor='tab:blue',alpha=0.8)
在fill_between( )中多了一个where命令，判定填充条件。
E、interpolate=True 或者False
这个参数是干什么的呢？官网给出了解释：
以上图为例，蓝线和橙线在x=1.5这个地方是有交点，如果不开启interpolate，则填色时默认不填充这个交叉区域。一般来说，建议将其设置为True。
五、折线图的多坐标轴
在进行科研分析时，时常遇到两个值的量级相差悬殊，如果直接在一张表上绘制，量级小的值将会被压缩，失去图示意义，在这个时候，一般引入多坐标轴解决问题。
以下面三个值为例，他们之间相差2-3个量级。
x=np.array([1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20])
y1=np.array([1,2,3,4,5,6,7,8,9,10,9,8,7,6,5,4,3,2,1])
y2=np.array([950,960,970,980,990,1000,1107,1108,1109,
1110,1109,1108,1107,1106,1200,1000,980,960,940])
y3=np.array([0.11,0.22,0.43,0.4,0.5,0.6,0.7,0.8,0.9,1.0,0.9,
0.8,0.7,0.6,0.5,0.4,0.3,0.2,1])
ax.plot(x,y1,ls=':')
ax.plot(x,y2,ls='-.')
ax.plot(x,y3,ls='--')如果直接在同一张子图的同一个y坐标轴进行绘图，那么就会出现下面这种情况：
除了橙线量级较大勉强能看出发展形势，另外两个量级小的被压在地平线上了。这时，就需要引入第二个坐标轴给量值差异最大的橙线，以将另外两根线从地板解放出来。
ax.plot(x,y1,c='tab:blue',ls=':',marker='o')
ax.plot(x,y3,c='tab:green',ls='--',marker='^')
ax2=ax.twinx()
ax2.plot(x,y2,c='tab:red',ls='--',marker='*')twinx顾名思义，就是使两个子图共享x轴，但是y轴各用各的：
这时，三根线都能在图上比较正常的显示出来了，我们可以添加一个图例，来分清楚哪根线用哪边的y轴：
line1,=ax.plot(x,y1,c='tab:blue',ls=':',marker='o')
line3,=ax.plot(x,y3,c='tab:green',ls='--',marker='^')
ax2=ax.twinx()
line2,=ax2.plot(x,y2,c='tab:red',ls='--',marker='*')
ax.legend([line1,line2,line3],['介于1-10','介于900-1200','介于0.1-1'],loc='upper left')
当然，如果需要更多的坐标轴，就需要参考官网的例子了（这仅是其中一种方法，更多的方式可以参考下面的官网实例链接）：
from mpl_toolkits.axes_grid1 import host_subplot
import mpl_toolkits.axisartist as AA
fig=plt.figure(figsize=(3,3),dpi=500)
host = host_subplot(111, axes_class=AA.Axes)
plt.subplots_adjust(right=0.75)
par1 = host.twinx()
par2 = host.twinx()
offset = 60
new_fixed_axis = par2.get_grid_helper().new_fixed_axis
par2.axis["right"] = new_fixed_axis(loc="right",
axes=par2,
offset=(offset, 0))
par1.axis["right"].toggle(all=True)
par2.axis["right"].toggle(all=True)
host.set_xlim(0, 2)
host.set_ylim(0, 2)
host.set_xlabel("Distance")
host.set_ylabel("Density")
par1.set_ylabel("Temperature")
par2.set_ylabel("Velocity")
p1, = host.plot([0, 1, 2], [0, 1, 2], label="Density")
p2, = par1.plot([0, 1, 2], [0, 3, 2], label="Temperature")
p3, = par2.plot([0, 1, 2], [50, 30, 15], label="Velocity")
par1.set_ylim(0, 4)
par2.set_ylim(1, 65)
host.legend()
host.axis["left"].label.set_color(p1.get_color())
par1.axis["right"].label.set_color(p2.get_color())
par2.axis["right"].label.set_color(p3.get_color())
plt.show()
我的建议是共享坐标轴不要超过4根，再多的话就看不清楚图了。
参考链接：
折线图填充：https://matplotlib.org/gallery/lines_bars_and_markers/fill_between_demo.html#sphx-glr-gallery-lines-bars-and-markers-fill-between-demo-py
多坐标轴：https://matplotlib.org/gallery/axisartist/demo_parasite_axes.html#sphx-glr-gallery-axisartist-demo-parasite-axes-py
https://matplotlib.org/gallery/axisartist/demo_parasite_axes2.html#sphx-glr-gallery-axisartist-demo-parasite-axes2-py
https://matplotlib.org/gallery/ticks_and_spines/multiple_yaxis_with_spines.html#sphx-glr-gallery-ticks-and-spines-multiple-yaxis-with-spines-py
刘大成：《matplotlib实践》，电子工业出版社，2018.张杰：《Python数据可视化之美》，电子工业出版社，2020.