如何用Python来仿制一张R语言的数据可视化图

如何用Python来仿制一张R语言的数据可视化图，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

成都创新互联公司专注于武胜企业网站建设,自适应网站建设,成都商城网站开发。武胜网站建设公司,为武胜等地区提供建站服务。全流程按需定制，专业设计，全程项目跟踪，成都创新互联公司专业和态度为您提供的服务

简介

开门见山，今天我们要模仿的数据可视化作品来自 「#TidyTuesday」 活动于2020年1月28日发布的「旧金山街道树木数据集」下的众多参赛作品中，由Philippe Massicotte创作的（如图1所示）非常受欢迎的 「Street trees of San Francisco」

而路网数据我们则可以利用osmnx进行在线获取，只需传入我们的旧金山面数据bbox范围，配合

osmnx进行获取即可：

接着我们在上述数据基础上对每个社区面内部的街道树木数量进行统计并对数据进行分箱，配上预设区间的色彩值：

# 统计每个社区内部的树木数量
sf_trees = \
(
    gpd
    # 空间连接
    .sjoin(left_df=sf,
           right_df=trees,
           op='contains',
           how='left')
    # 按照name分组计数（这里未连接到任何数的社区被
    # 记为1本质上是错误的，但我们绘图分段后这一点不影响）
    .groupby('name')
    .agg({
        'name': 'count',
        'geometry': 'first'
    })
    .rename(columns={'name': '数量'})
    .reset_index(drop=False)
    # 直接转为GeoDataFrame
    .pipe(gpd.GeoDataFrame, crs='EPSG:4326')
)

sf_trees['颜色'] = (
    pd
    .cut(sf_trees['数量'], 
         bins=[0, 2500, 5000, 7500, 10000, max(sf_trees['数量'])], 
         labels=['#e4f1e1', '#c0dfd1', '#67a9a2', '#3b8383', '#145e64'])
)

最后别忘记了我们作为轮廓的缓冲区生成：

# 生成轮廓缓冲区
sf_bounds = gpd.GeoSeries([sf.buffer(0.001).unary_union], crs='EPSG:4326')

「主要视觉元素绘制」

做好这些准备后我们直接就可以先将图像的主体元素绘制出来：

import matplotlib.pyplot as plt
from matplotlib import font_manager as fm

# 设置全局默认字体
plt.rcParams['font.sans-serif'] = ['Times New Roman']

fig, ax = plt.subplots(figsize=(6, 6))

# 设置背景色
ax.set_facecolor('#333333')
fig.set_facecolor('#333333')

# 图层1：缓冲区轮廓
ax = (
    sf_bounds
    .plot(ax=ax, facecolor='none', edgecolor='#cccccc', linewidth=1)
)

# 图层2：带有树木统计信息的社区面
ax = (
    sf_trees
    .plot(color=sf_trees['颜色'], edgecolor='#333333',
          linewidth=0.5, ax=ax)
)

# 图层3：osm路网
ax = (
    roads
    .plot(linewidth=0.05, edgecolor='#3c3d3d',
          ax=ax)
)

# 设置x轴
ax.set_xticks([-122.5, -122.45, -122.4, -122.35])
ax.set_xticklabels(['122.5°W', '122.45°W', '122.4°W', '122.35°W'])

# 设置y轴
ax.set_yticks([37.72, 37.74, 37.76, 37.78, 37.8, 37.82])
ax.set_yticklabels(['37.72°N', '37.74°N', '37.76°N', '37.78°N', '37.8°N', '37.82°N'])

# 设置坐标轴样式
ax.tick_params(axis='both', labelcolor='#737373', color='none', labelsize=8)

# 隐藏周围的spines线条
ax.spines['left'].set_color('none')
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_color('none')

# 导出图像
fig.savefig('图4.png', dpi=600, bbox_inches='tight')

「辅助视觉元素的添加」

接下来我们只需要补充上各种点睛之笔的小元素即可，其中值得一提的是下方的图例我们用inset_axes()插入子图的方式灵活实现。

并且外部字体文件的使用也是很添彩的，我们这里就分别在「标题」和「刻度标签」处使用到了两种特殊的字体（你可以在开头的Github仓库找到我用到的所有字体文件）：

fig, ax = plt.subplots(figsize=(6, 6))

# 设置背景色
ax.set_facecolor('#333333')
fig.set_facecolor('#333333')

# 图层1：缓冲区轮廓
ax = (
    sf_bounds
    .plot(ax=ax, facecolor='none', edgecolor='#cccccc', linewidth=1)
)

# 图层2：带有树木统计信息的社区面
ax = (
    sf_trees
    .plot(color=sf_trees['颜色'], edgecolor='#333333',
          linewidth=0.5, ax=ax)
)

# 图层3：osm路网
ax = (
    roads
    .plot(linewidth=0.05, edgecolor='#3c3d3d',
          ax=ax)
)

# 设置x轴
ax.set_xticks([-122.5, -122.45, -122.4, -122.35])
ax.set_xticklabels(['122.5°W', '122.45°W', '122.4°W', '122.35°W'])

# 设置y轴
ax.set_yticks([37.72, 37.74, 37.76, 37.78, 37.8, 37.82])
ax.set_yticklabels(['37.72°N', '37.74°N', '37.76°N', '37.78°N', '37.8°N', '37.82°N'])

# 设置坐标轴样式
ax.tick_params(axis='both', labelcolor='#737373', color='none', labelsize=8)

# 隐藏周围的spines线条
ax.spines['left'].set_color('none')
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_color('none')

# 以插入子图的方式添加下方图例
ax_bar = ax.inset_axes((0.25, -0.12, 0.5, 0.015))
ax_bar.set_facecolor('#333333')
ax_bar.spines['left'].set_color('none')
ax_bar.spines['right'].set_color('none')
ax_bar.spines['top'].set_color('none')
ax_bar.spines['bottom'].set_color('none')

ax_bar.bar(range(5), [1]*5, width=0.975, color=['#e4f1e1', '#c0dfd1', '#67a9a2', '#3b8383', '#145e64'])
ax_bar.set_yticks([])
ax_bar.set_xticks([i+0.5 for i in range(4)])
ax_bar.set_xticklabels(['2500', '5000', '7500', '10000'], 
                       fontdict={'fontproperties': fm.FontProperties(fname="RobotoCondensed-Regular.ttf")})
ax_bar.tick_params(color='none', labelcolor='#ffffff', labelsize=8, pad=0)

ax.set_title('Street trees of San Francisco', 
             fontsize=24,
             color='#ffffff',
             pad=40,
             fontproperties=fm.FontProperties(fname="Amaranth-Bold.ttf"))

ax.text(0.5, 1.08, '''There are a total of 192987 trees in San Francisco regrouped into 571 species.
The district with the most number of trees is Mission whereas the one with
the least number of trees is LincoLn Park / Ft. Miley.''', transform=ax.transAxes, ma='center',
        ha='center', va='top', color='#ffffff')

ax.text(0.5, -0.22, 'Visualization by CNFeffery', fontsize=8,
        color='#737373', ha='center', transform=ax.transAxes)

# 导出图像
fig.savefig('图5.png', dpi=600, bbox_inches='tight')

关于如何用Python来仿制一张R语言的数据可视化图问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注创新互联行业资讯频道了解更多相关知识。