精讲坐标轴系统（Axis）

续前文：

保姆级matplotlib教程：详细目录

保姆级seaborn教程：详细目录

seaborn和matplotlib怎么选，还是两个都要学？

详解Python matplotlib深度美化（第一期）

详解Python matplotlib深度美化（第二期）

详解matplotlib隐式pyplot法和显式axes法

Python matplotlib的上限：可“追星”，可“逐浪”！

Python“万水千山图”—山峦图/嵴线图/峰峦图

6.3.1 坐标轴系统简介

坐标系统主要有以下几种分类：

笛卡尔坐标系 (Cartesian Coordinate System)：使用直角坐标轴，常见于平面图表。  极坐标系 (Polar Coordinate System)：基于角度和半径，适用于表示旋转和周期性数据。  三维坐标系 (Three-Dimensional Coordinate System)：在三维空间中使用三个坐标轴（X、Y、Z），用于展示三维数据。  地理坐标系 (Geographic Coordinate System)：使用经纬度表示地理位置，常用于地图。  对数坐标系 (Logarithmic Coordinate System)：Y轴或X轴使用对数尺度，适合表示变化幅度大的数据。  

这些系统帮助以不同方式可视化和分析数据，主要通过projection参数设置，各自举个例子，

#6.3.1_01 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.1 坐标轴系统简介 ''' import matplotlib.pyplot as plt from mpl_toolkits.basemap import Basemap import numpy as np fig = plt.figure(figsize=(12, 10), dpi=150, frameon=True, edgecolor='grey') fig.patch.set_linewidth(1) # 笛卡尔坐标系 ax1 = fig.add_subplot(231) #默认使用笛卡尔坐标系，即直角坐标系 x = np.linspace(0, 10, 100) y = np.sin(x) ax1.plot(x, y) ax1.set_title('笛卡尔坐标系') ax1.set_xlabel('X轴') ax1.set_ylabel('Y轴') # 极坐标系 ax2 = fig.add_subplot( 232, projection='polar' # 设置极坐标系 ) theta = np.linspace(0, 2 * np.pi, 100) r = 1 + 0.5 * np.sin(5 * theta) ax2.plot(theta, r) ax2.set_title('极坐标系') # 三维坐标系 ax3 = fig.add_subplot( 233, projection='3d' #设置三维坐标系 ) x = np.random.rand(100) y = np.random.rand(100) z = np.random.rand(100) ax3.scatter(x, y, z) ax3.set_title('三维坐标系') ax3.set_xlabel('X轴') ax3.set_ylabel('Y轴') ax3.set_zlabel('Z轴') # 地理坐标系：绘制世界地图 ax4 = fig.add_subplot(234) m = Basemap( projection='ortho', #设置地图坐标系 lat_0=0, lon_0=0, ax=ax4) m.drawcoastlines() m.drawcountries() m.drawmapboundary(fill_color='lightblue') m.fillcontinents(color='lightgreen', lake_color='lightblue') ax4.set_title('地理坐标系') # 对数坐标系 ax5 = fig.add_subplot(235) x = np.linspace(1, 10, 100) y = np.log(x) ax5.plot(x, y) ax5.set_title('对数坐标系') ax5.set_xlabel('X轴') ax5.set_ylabel('log(Y轴)') ax5.set_yscale('log') # 设置Y轴为对数尺度 ax6 = fig.add_subplot(236) ax6.axis('off') plt.tight_layout() plt.show()

当前教程重点关注笛卡尔坐标系 (Cartesian Coordinate System)，也就是直角坐标系统。

---

6.3.2 坐标轴边界（Spines）

在 Matplotlib 中，spines是围绕Axes边界的四条线（上下左右），它们定义了数据绘图区域的边框。Spines 可以用来设置图形的外框线，帮助强调不同的坐标轴。你可以根据需要自定义这些边框，比如隐藏某些边框、调整它们的位置、更改颜色和线宽等，例如，

#6.3.2_01 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.2 坐标轴边界（Spines） ''' import matplotlib.pyplot as plt fig = plt.figure(figsize=(12, 10), dpi=150, frameon=True, edgecolor='grey') fig.patch.set_linewidth(1) axs = fig.subplots(2, 2) # 第一个子图：什么是spines？ axs[0, 0].plot([1, 2, 3, 4], [1, 4, 9, 16]) axs[0, 0].set_title("什么是spines？") axs[0, 0].annotate('左侧spine', xy=(1, 8), xytext=(1.5, 9), arrowprops=dict(facecolor='black', shrink=0.05), fontsize=10, color='black', ha='center', va='center') axs[0, 0].annotate('右侧spine', xy=(4.1, 8), xytext=(3.5, 9), arrowprops=dict(facecolor='black', shrink=0.05), fontsize=10, color='black', ha='center', va='center') axs[0, 0].annotate('顶部spine', xy=(2, 16), xytext=(2, 14), arrowprops=dict(facecolor='black', shrink=0.05), fontsize=10, color='black', ha='center', va='center') axs[0, 0].annotate('底部spine', xy=(2, 0.5), xytext=(2, 2.5), arrowprops=dict(facecolor='black', shrink=0.05), fontsize=10, color='black', ha='center', va='center') # 第二个子图：隐藏顶部和右侧的spines axs[0, 1].plot([1, 2, 3, 4], [1, 4, 9, 16]) axs[0, 1].spines['top'].set_visible(False) #隐藏顶部的spines axs[0, 1].spines['right'].set_visible(False) #隐藏右侧的spines axs[0, 1].set_title("隐藏顶部和右侧的spines") # 第三个子图：移动spines的位置 axs[1, 0].plot([-2, -1, 0, 1, 2], [-2, -1, 0, 1, 2]) axs[1, 0].spines['left'].set_position(('data', 0)) axs[1, 0].spines['bottom'].set_position(('data', 0)) axs[1, 0].set_title("移动spines的位置") # 第四个子图：更改spines的颜色和线宽 axs[1, 1].plot([1, 2, 3, 4], [1, 4, 9, 16]) axs[1, 1].set_title("更改spines的颜色和线宽") # 更改spines的颜色和线宽 axs[1, 1].spines['left'].set_color('red') #更改spines左侧的颜色 axs[1, 1].spines['left'].set_linewidth(2) #更改spines左侧的线宽 axs[1, 1].spines['bottom'].set_color('blue') #更改spines右侧的颜色 axs[1, 1].spines['bottom'].set_linewidth(2) #更改spines右侧的线宽 plt.tight_layout() plt.show()

以上四个子图展示了spines常见的作用。

---

6.3.3 坐标轴比例（Axis Scales）

坐标轴比例（Axis Scales）的作用是控制数据在坐标轴上的展示方式。通过选择不同的比例，可以改变数据在图中的分布方式，从而更清晰地呈现出数据的特征。比如，使用线性比例会让数据均匀分布，而对数比例则适合处理跨度较大的数据，突出细节变化。不同的比例能帮助更好地分析和解释数据。

matplotlib主要支持以下各类坐标轴比例：                                         

asinh（双曲正弦反函数比例），类似于对数比例，但能够处理正负数据，且对小数值更敏感。适用于范围较广的数据，尤其是正负值共存的情况。function（自定义函数比例），可以让用户自定义数据的缩放方式，通过提供前向和逆向函数来自定义映射。适合需要特殊转换的场景。functionlog（自定义对数比例），通过自定义的对数和逆对数函数来缩放数据，适用于需要灵活控制对数变换的情况，比如处理非常小的正数。linear（线性比例，默认），数据按照线性方式映射到坐标轴，适合数据值变化平稳、没有极端增长或减少的情况。log（对数比例），数据按对数方式缩放，适用于数据跨越多个数量级的场景，特别是指数增长的数据。logit（逻辑比例），常用于显示概率或分类数据，在 [0, 1] 区间内以逻辑函数缩放。适合处理百分比或概率数据的场景。symlog（对称对数比例），能够同时处理正值和负值的对数缩放，适合跨越正负区间的数据。

一个例子比较各类坐标轴比例的差异，

#6.3.3_01 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.3 坐标轴比例（Axis Scales） ''' titles = [ 'asinh: 双曲正弦反函数比例', 'function: 自定义函数比例', 'functionlog: 自定义对数比例', 'linear: 线性比例', 'log: 对数比例', 'logit: 逻辑比例', 'symlog: 对称对数比例' ] fig = plt.figure(figsize=(12, 10), dpi=150, frameon=True, edgecolor='grey') fig.patch.set_linewidth(1) axs = fig.subplots(2, 4) axs = axs.flatten() x = np.linspace(0, 10, 500) y = np.arcsinh(x) # Function Mercator transform def forward(a): a = np.deg2rad(a) return np.rad2deg(np.log(np.abs(np.tan(a) + 1.0 / np.cos(a)))) def inverse(a): a = np.deg2rad(a) return np.rad2deg(np.arctan(np.sinh(a))) # 依次应用标题及不同的坐标轴比例 for ax, title in zip(axs, titles): ax.plot(x, y) ax.set_title(title) ax.grid(True) if 'asinh' in title: ax.set_yscale('asinh') elif 'function: 自定义函数比例' in title: ax.set_yscale('function', functions=(forward, inverse)) elif 'functionlog' in title: ax.set_yscale('function', functions=(np.log1p, np.expm1)) else: scale_type = title.split(':')[0] ax.set_yscale(scale_type) # 删除多余的子图 fig.delaxes(axs[-1]) plt.tight_layout() plt.show()

注意观察以上Y轴的刻度变化，matplotlib主要通过set_yscale设置y轴的坐标轴比例，通过set_xscale设置x轴的坐标轴比例。

---

6.3.4 坐标轴刻度、刻度标签（Ticks、Tick labels）

每个坐标轴（Axis）上的 x 轴和 y 轴都有默认的刻度（Ticks）和刻度标签（Tick labels），刻度分为主刻度（major ticks）和次刻度（minor ticks），相应地，刻度标签也分为主刻度标签和次刻度标签。刻度用于标示坐标轴上的数据范围和间隔，而刻度标签则为这些刻度提供相应的文字或数值说明。

例如，上文章节“5.2.7 坐标轴刻度间隔、格式、大小、颜色等修改”的下图，以X轴为例子，主刻度、主刻度标签、副刻度、副刻度标签一目了然，

matplotlib可以通过set_xticks和set_yticks来设置刻度和刻度标签，也可以在坐标轴上高度自定义，本节详细介绍。

---

6.3.4.1 默认主坐标轴刻度、标签

Matplotlib默认的主坐标轴刻度和标签能满足绝大部分需求，一般无需设置，例如，

#6.3.4.1_01 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.1 默认主坐标轴刻度、标签 ''' import matplotlib.pyplot as plt import numpy as np x1 = np.linspace(0, 10, 100) y1 = np.sin(x1) fig = plt.figure(figsize=(6, 3), dpi=100, frameon=True, edgecolor='grey') fig.patch.set_linewidth(1) ax1 = fig.add_subplot(111) ax1.plot(x1, y1) plt.show()

可以看到，matplotlib默认只显示主刻度，不显示副刻度。 

---

6.3.4.2 自定义主坐标轴刻度、标签

可以使用 set_xticks 来自定义 x 轴的主刻度，使用 set_xticklabels 自定义 x 轴的主刻度标签；同样，使用 set_yticks 来自定义 y 轴的主刻度，而 set_yticklabels 则用于自定义 y 轴的主刻度标签。

例如，y轴刻度和标签只显示1和-1，x轴刻度和标签显示为pi，

#6.3.4.2_01 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.2 自定义主坐标轴刻度、标签 ''' import matplotlib.pyplot as plt import numpy as np x1 = np.linspace(0, 3 * np.pi, 100) y1 = np.sin(x1) fig = plt.figure(figsize=(6, 3), dpi=100, frameon=True, edgecolor='grey') fig.patch.set_linewidth(1) ax1 = fig.add_subplot(111) ax1.plot(x1, y1) x_ticks = np.arange(np.pi / 2, 3.5 * np.pi, np.pi / 2) x_labels = [ r'$\frac{\pi}{2}$', r'$\pi$', r'$\frac{3\pi}{2}$', r'$2\pi$', r'$\frac{5\pi}{2}$', r'$3\pi$' ] ax1.set_xticks(x_ticks) # 自定义x轴刻度 ax1.set_xticklabels(x_labels) # 自定义x轴刻度标签 ax1.set_yticks([-1, 1]) # 自定义y轴刻度 ax1.set_yticklabels(['-1', '1']) # 自定义y轴刻度标签 plt.show()

---

6.3.4.3 自定义副坐标轴刻度、标签

matplotlib默认情况下不显示副坐标轴的刻度和标签，但可以通过使用 set_xticks、set_xticklabels、set_yticks、set_yticklabels和tick_params来启用并自定义这些设置。

#6.3.4.3_01 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.3 自定义副坐标轴刻度、标签 ''' import matplotlib.pyplot as plt import numpy as np x1 = np.linspace(0, 10, 100) y1 = np.sin(x1) fig = plt.figure(figsize=(6, 3), dpi=100, frameon=True, edgecolor='grey') fig.patch.set_linewidth(1) ax1 = fig.add_subplot(111) ax1.plot(x1, y1) # 设置副刻度 ax1.set_xticks( np.arange(0, 10.5, 0.5), #自定义x轴副刻度 minor=True # 开启x轴副刻度 ) ax1.set_yticks( np.arange(-1, 1.5, 0.25), #自定义y轴副刻度 minor=True # 开启y轴副刻度 ) # 设置副刻度标签 ax1.set_xticklabels([f'{i:.1f}' for i in np.arange(0, 10.5, 0.5)], minor=True) # 自定义x轴副刻度标签格式 ax1.set_yticklabels([f'{i:.2f}' for i in np.arange(-1, 1.5, 0.25)], minor=True) # 自定义y轴副刻度标签格式 # 调整副刻度样式 ax1.tick_params(which='minor', length=4, color='blue', labelsize=8) plt.show()

进一步学习👉：

set_xticks

set_yticks

set_xticklabels

set_yticklabels

tick_params

---

6.3.4.4 自定义刻度、刻度标签外观

matplotlib中的tick_params方法可自定义诸如刻度的方向、长度、宽度、颜色、刻度标签的字体大小、旋转角度等属性。此外，还可以通过该函数控制主刻度和副刻度的显示及样式。

重点参数的含义如下：

axis：指定要影响的坐标轴，取值为 'x'、'y' 或 'both'。默认值为 'both'。which：指定作用的刻度类型，取值为 'major'（主刻度）、'minor'（副刻度）或 'both'。默认值为 'major'。direction：设置刻度的方向，取值为 'in'（朝内）、'out'（朝外）或 'inout'（两者）。默认值为 'out'。length：指定刻度线的长度，以点为单位。width：设置刻度线的宽度。color：定义刻度线的颜色。pad：设置刻度标签与刻度线之间的距离，以点为单位。labelsize：指定刻度标签的字体大小。labelcolor：定义刻度标签的颜色。grid_color：设置网格线的颜色。grid_alpha：控制网格线的透明度。grid_linewidth：指定网格线的宽度。grid_linestyle：定义网格线的线型，如 '-'（实线）、'--'（虚线）等。bottom/top/left/right：布尔值，用于控制是否显示各个边的刻度线。labelrotation：用于设置刻度标签的旋转角度。

重点介绍axis、which、direction、labelrotation参数。

---

重点参数1：axis

axis指定要影响的坐标轴，取值为 'x'、'y' 或 'both'，默认值为 'both'。

举个例子介绍各个取值的效果，

#6.3.4.4_01 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.4 自定义刻度、刻度标签外观 ''' import matplotlib.pyplot as plt import numpy as np # 创建数据 x = np.linspace(0, 10, 100) y = np.sin(x) fig, axs = plt.subplots(2, 2, figsize=(10, 8), dpi=150, constrained_layout=True, frameon=True, edgecolor='grey') fig.patch.set_linewidth(1) # 第一个子图：默认刻度和标签 axs[0, 0].plot(x, y) axs[0, 0].set_title('默认刻度和标签') # 第二个子图：仅修改x轴的刻度和标签颜色 axs[0, 1].plot(x, y) axs[0, 1].tick_params( axis='x', #仅修改x轴的刻度和标签颜色 colors='red' #设置x轴的刻度和标签颜色为红色 ) axs[0, 1].set_title("仅修改x轴的刻度和标签颜色") # 第三个子图：仅修改y轴的刻度和标签颜色 axs[1, 0].plot(x, y) axs[1, 0].tick_params( axis='y', #仅修改y轴的刻度和标签颜色 colors='red' #设置y轴的刻度和标签颜色为红色 ) axs[1, 0].set_title("仅修改y轴的刻度和标签颜色") # 第四个子图：同时修改x轴和y轴的刻度和标签颜色 axs[1, 1].plot(x, y) axs[1, 1].tick_params( axis='both', #同时修改x轴和y轴的刻度和标签颜色 colors='red' #同时修改x轴和y轴的刻度和标签颜色为红色 ) axs[1, 1].set_title("同时修改x轴和y轴的刻度和标签颜色") plt.show()

---

重点参数2：which

which指定作用的刻度类型，取值为 'major'（主刻度）、'minor'（副刻度）或 'both'，默认值为 'major'。

举个例子，

#6.3.4.4_02 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.4 自定义刻度、刻度标签外观 ''' import matplotlib.pyplot as plt import numpy as np # 创建数据 x = np.linspace(0, 10, 100) y = np.sin(x) # 创建图形和子图 fig, axs = plt.subplots(2, 2, figsize=(10, 8), dpi=150, edgecolor='grey') fig.patch.set_linewidth(1) # 第一个子图，使用默认值（仅主刻度） axs[0, 0].plot(x, y) axs[0, 0].set_title("默认 (which='major')") axs[0, 0].tick_params(which='major', # 主刻度设置 length=8, width=2, color='red') # 第二个子图，使用 'major' 作为 which 参数 axs[0, 1].plot(x, y) axs[0, 1].set_title("which='major'") axs[0, 1].tick_params(which='major',# 主刻度设置 length=8, width=2, color='red') # 第三个子图，使用 'minor' 作为 which 参数 axs[1, 0].plot(x, y) axs[1, 0].set_title("which='minor'") axs[1, 0].tick_params(which='minor', # 副刻度设置 length=8, width=2, color='red') #axs[1, 0].tick_params(which='major', length=8, width=2, color='red') # 主刻度设置 axs[1, 0].xaxis.set_minor_locator(plt.MultipleLocator(0.5)) axs[1, 0].yaxis.set_minor_locator(plt.MultipleLocator(0.25)) # 第四个子图，使用 'both' 作为 which 参数 axs[1, 1].plot(x, y) axs[1, 1].set_title("which='both'") axs[1, 1].tick_params(which='both',# 主刻度和副刻度设置 length=8, width=2, color='red') axs[1, 1].xaxis.set_minor_locator(plt.MultipleLocator(0.5)) # 添加x轴副刻度 axs[1, 1].yaxis.set_minor_locator(plt.MultipleLocator(0.25)) # 添加y轴副刻度 # 调整布局 plt.tight_layout() plt.show()

注意观察不同子图的变化。 

---

重点参数3：direction

direction设置刻度的方向，取值为 'in'（朝内）、'out'（朝外）或 'inout'（两者），默认值为 'out'。

#6.3.4.4_03 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.4 自定义刻度、刻度标签外观 ''' import matplotlib.pyplot as plt import numpy as np # 创建数据 x = np.linspace(0, 10, 100) y = np.sin(x) fig, axs = plt.subplots(2, 2, figsize=(10, 8), dpi=150, edgecolor='grey') fig.patch.set_linewidth(1) # 默认设置（direction=default） axs[0, 0].plot(x, y) axs[0, 0].set_title("默认 (direction='out')") axs[0, 0].tick_params(length=8, width=2, color='red') # 设置为 'in'（朝内） axs[0, 1].plot(x, y) axs[0, 1].set_title("direction='in'") axs[0, 1].tick_params( direction='in', #朝内 length=8, width=2, color='red') # 设置为 'out'（朝外） axs[1, 0].plot(x, y) axs[1, 0].set_title("direction='out'") axs[1, 0].tick_params( direction='out', #朝外 length=8, width=2, color='red') # 设置为 'inout'（两者） axs[1, 1].plot(x, y) axs[1, 1].set_title("direction='inout'") axs[1, 1].tick_params( direction='inout', #朝内外 length=8, width=2, color='red') plt.tight_layout() plt.show()

---

重点参数4：labelrotation

labelrotation用于设置刻度标签的旋转角度。

#6.3.4.4_04 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.4 自定义刻度、刻度标签外观 ''' import matplotlib.pyplot as plt import numpy as np # 创建数据 x = np.linspace(0, 10, 10) y = np.sin(x) # 创建图形和子图 fig, axs = plt.subplots(2, 2, figsize=(10, 8), dpi=150, edgecolor='grey') fig.patch.set_linewidth(1) # 默认设置（labelrotation=0） axs[0, 0].plot(x, y) axs[0, 0].set_title("默认 (labelrotation=0)") axs[0, 0].set_xticks(x) axs[0, 0].set_xticklabels( [f'{i:.1f}' for i in x], rotation=0 # 默认设置为0度 ) # 设置为 45度 axs[0, 1].plot(x, y) axs[0, 1].set_title("labelrotation=45°") axs[0, 1].set_xticks(x) axs[0, 1].set_xticklabels( [f'{i:.1f}' for i in x], rotation=45 # 设置为45度旋转 ) # 设置为 90度 axs[1, 0].plot(x, y) axs[1, 0].set_title("labelrotation=90°") axs[1, 0].set_xticks(x) axs[1, 0].set_xticklabels( [f'{i:.1f}' for i in x], rotation=90 # 设置为90度旋转 ) # 设置为 120度 axs[1, 1].plot(x, y) axs[1, 1].set_title("labelrotation=120°") axs[1, 1].set_xticks(x) axs[1, 1].set_xticklabels( [f'{i:.1f}' for i in x], rotation=120 # 设置为120度旋转 ) plt.tight_layout() plt.show()

---

其它参数 #6.3.4.4_05 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.4 自定义刻度、刻度标签外观 ''' import matplotlib.pyplot as plt import numpy as np # 创建数据 x = np.linspace(0, 10, 100) y = np.sin(x) fig, axs = plt.subplots(2, 2, figsize=(10, 8), dpi=100, edgecolor='grey') fig.patch.set_linewidth(1) # 1. 子图1: 设置刻度长度'length' axs[0, 0].plot(x, y) axs[0, 0].set_title("length=10") axs[0, 0].tick_params(length=10 # 刻度线长度为10 ) # 2. 子图2: 设置刻度宽度'width' axs[0, 1].plot(x, y) axs[0, 1].set_title("width=2") axs[0, 1].tick_params(width=2 # 刻度线宽度为2 ) # 3. 子图3: 设置刻度颜色'color' axs[1, 0].plot(x, y) axs[1, 0].set_title("color='red'") axs[1, 0].tick_params(color='red' # 刻度线颜色为红色 ) # 4. 子图4: 设置刻度标签大小'labelsize' axs[1, 1].plot(x, y) axs[1, 1].set_title("labelsize=15") axs[1, 1].tick_params(labelsize=15 # 刻度标签大小为15 ) plt.tight_layout() plt.show()

更多参数不一一举例了。 

---

6.3.4.5 自动定义刻度

上文6.3.4.2～6.3.4.4章节介绍了手动设置刻度的方法，能够满足大多数使用场景。然而，在实时数据可视化、交互式图表或数据范围不确定的情况下，自动调整刻度可以根据数据范围和视图动态更新，确保图表始终清晰易读，减少了手动调整的需求。

matplotlib使用坐标轴刻度定位器（locator）自动定义刻度，即自动为刻度安排恰当的位置。这些方法都在ticker中，

#6.3.4.5_01 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.5 自动定义刻度 ''' import matplotlib.ticker as ticker # 获取可用的Tick Locators tick_locators = [ loc for loc in dir(ticker) if 'Locator' in loc and loc != 'Locator' ] # 输出Tick Locators print("可用的刻度定位器:") for loc in tick_locators: print(loc, end='，') 可用的刻度定位器: AsinhLocator，AutoLocator，AutoMinorLocator，FixedLocator，IndexLocator，LinearLocator，LogLocator，LogitLocator，MaxNLocator，MultipleLocator，NullLocator，SymmetricalLogLocator， 每种定位器简介 Locator 名称定义和作用MaxNLocator该定位器根据用户指定的最大刻度数量，智能地选择刻度位置，适合需要简洁展示的图表。AutoLocator自动调整刻度位置以适应数据范围，确保主刻度均匀分布，是处理各种数据时的可靠选择。AutoMinorLocator这个定位器会自动添加次刻度，为图表提供更多细节，使得数据展示更加清晰。LinearLocator按照设定的刻度数量，在特定范围内均匀分布刻度，非常适合需要精确定量分析的数据。LogLocator在对数刻度上设置刻度，能够很好地处理指数增长或衰减的数据，确保刻度在对数尺度上合理分布。MultipleLocator通过设置固定间隔的刻度，这个定位器适合展示定期数据，如时间序列分析，帮助用户更好地理解趋势。FixedLocator允许用户根据特定位置设置刻度，适用于那些需要精准刻度的特殊情况，让图表更加直观。IndexLocator根据数据点的索引设置刻度，非常适合展示离散数据，帮助用户快速定位到特定的数值。NullLocator隐藏所有刻度，这个定位器在某些情况下尤其有用，比如只需展示图像而非具体数值的场合。SymmetricalLogLocator在对称对数刻度上设置刻度，非常适合处理数据分布中正负值对称的情况，增强视觉效果，使数据展示更具美感。AsinhLocator用于设置双曲正弦刻度，尤其适合处理范围广泛但对称的数据。LogitLocator在 logit 刻度上设置刻度，适合展示比例数据，确保刻度在 [0, 1] 范围内均匀分布。

每一种举一个简单的例子，

#6.3.4.5_02 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.5 自动定义刻度 ''' import matplotlib.pyplot as plt import numpy as np import matplotlib.ticker as ticker # 生成示例数据 x = np.linspace(-10, 10, 100) y = np.sinh(x) fig, axs = plt.subplots(6, 2, figsize=(14, 30), dpi=150, edgecolor='grey') fig.patch.set_linewidth(1) axs = axs.flatten() # 子图 1：MaxNLocator ax1 = axs[0] ax1.plot(x, y, label="sinh(x)") ax1.set_title("MaxNLocator (n=2)") ax1.xaxis.set_major_locator(ticker.MaxNLocator(nbins=2) #限制x轴的刻度数量为2 ) ax1.grid(True, linestyle='--', alpha=0.7) ax1.legend() for tick in ax1.xaxis.get_major_ticks(): tick.label1.set_color("red") # 子图 2：AutoLocator ax2 = axs[1] ax2.plot(x, y, label="sinh(x)") ax2.set_title("AutoLocator") ax2.yaxis.set_major_locator(ticker.AutoLocator() #自动设置主刻度 ) ax2.grid(True, linestyle='--', alpha=0.7) ax2.legend() for tick in ax2.yaxis.get_major_ticks(): tick.label1.set_color("red") # 子图 3：AutoMinorLocator ax3 = axs[2] ax3.plot(x, y, label="sinh(x)") ax3.set_title("AutoMinorLocator") ax3.yaxis.set_minor_locator(ticker.AutoMinorLocator() #自动设置次刻度 ) ax3.grid(True, which='both', linestyle='--', alpha=0.7) ax3.legend() ax3.tick_params(axis='y', which='minor', color='red', width=2, size=8) # 子图 4：LinearLocator ax4 = axs[3] ax4.plot(x, y, label="sinh(x)") ax4.set_title("LinearLocator (numticks=6)") ax4.xaxis.set_major_locator(ticker.LinearLocator(numticks=6) #设置6个均匀分布的刻度 ) ax4.grid(True, linestyle='--', alpha=0.7) ax4.legend() for tick in ax4.xaxis.get_major_ticks(): tick.label1.set_color("red") # 子图 5：LogLocator ax5 = axs[4] ax5.plot(x, y, label="sinh(x)") ax5.set_title("LogLocator") ax5.set_xscale("log") # 设置x轴为对数刻度 ax5.xaxis.set_major_locator(ticker.LogLocator( base=10.0, #使用10为底的对数刻度 )) ax5.grid(True, which='both', linestyle='--', alpha=0.7) ax5.legend() for tick in ax5.xaxis.get_major_ticks(): tick.label1.set_color("red") # 子图 6：MultipleLocator ax6 = axs[5] ax6.plot(x, y, label="sinh(x)") ax6.set_title("MultipleLocator (interval=2)") ax6.xaxis.set_major_locator(ticker.MultipleLocator(2) # 设置固定间隔为2的刻度 ) ax6.grid(True, linestyle='--', alpha=0.7) ax6.legend() for tick in ax6.xaxis.get_major_ticks(): tick.label1.set_color("red") # 子图 7：FixedLocator ax7 = axs[6] ax7.plot(x, y, label="sinh(x)") ax7.set_title("FixedLocator (positions=[-5, 0, 5])") ax7.xaxis.set_major_locator(ticker.FixedLocator([-5, 0, 5]) #设置具体的刻度位置 ) ax7.grid(True, linestyle='--', alpha=0.7) ax7.legend() for tick in ax7.xaxis.get_major_ticks(): tick.label1.set_color("red") # 子图 8：IndexLocator ax8 = axs[7] ax8.plot(x, y, label="sinh(x)") ax8.set_title("IndexLocator (base=3, offset=-6)") ax8.xaxis.set_major_locator(ticker.IndexLocator( base=3, #间隔 offset=-6 #起始刻度 )) #根据索引位置设置刻度 ax8.grid(True, linestyle='--', alpha=0.7) ax8.legend() for tick in ax8.xaxis.get_major_ticks(): tick.label1.set_color("red") # 子图 9：NullLocator ax9 = axs[8] ax9.plot(x, y, label="sinh(x)") ax9.set_title("NullLocator (No ticks)") ax9.xaxis.set_major_locator(ticker.NullLocator() #隐藏所有刻度 ) ax9.grid(True, linestyle='--', alpha=0.7) ax9.legend() # 子图 10：SymmetricalLogLocator x_sym = np.linspace(-10, 10, 100) y_sym = np.sinh(x_sym) ax10 = axs[9] ax10.plot(x_sym, y_sym, label="sinh(x)") ax10.set_title("SymmetricalLogLocator (linthresh=1)") ax10.set_yscale("symlog", linthresh=1) # 设定linthresh=1以对称刻度 ax10.yaxis.set_major_locator( ticker.SymmetricalLogLocator( base=10, #对数基数为10 linthresh=1 #在-1到1之间使用线性刻度，而不使用对数刻度。 )) #在对称对数坐标轴上设置刻度 ax10.grid(True, which='both', linestyle='--', alpha=0.7) ax10.legend() for tick in ax10.yaxis.get_major_ticks(): tick.label1.set_color("red") # 子图 11：AsinhLocator ax11 = axs[10] x_asinh = np.linspace(0, 10, 100) y_asinh = np.sinh(x_asinh) ax11.plot(x_asinh, y_asinh, label="sinh(x)") ax11.set_title("AsinhLocator (linear_width=1.0)") ax11.yaxis.set_major_locator( ticker.AsinhLocator(linear_width=1.0)) #自动确定在asinh缩放轴上刻度线的最佳位置 ax11.grid(True, which='both', linestyle='--', alpha=0.7) ax11.legend() for tick in ax11.yaxis.get_major_ticks(): tick.label1.set_color("red") # 子图 12：LogitLocator ax12 = axs[11] x_logit = np.linspace(0.01, 0.99, 100) y_logit = x_logit ax12.plot(x_logit, y_logit, label="y=x") ax12.set_title("LogitLocator") ax12.set_yscale("logit") ax12.yaxis.set_major_locator(ticker.LogitLocator()) #在 logit 刻度上设置刻度，适合展示比例数据 ax12.grid(True, which='both', linestyle='--', alpha=0.7) ax12.legend() for tick in ax12.yaxis.get_major_ticks(): tick.label1.set_color("red") plt.tight_layout() plt.show()

红色为坐标轴刻度定位器的效果。

---

6.3.4.6 自动定义刻度标签格式

上文6.3.4.2～6.3.4.4章节介绍了手动设置刻度标签的方法，能够满足大多数使用场景。这里介绍matplotlib内置的另外一些定义刻度标签格式的方法。

matplotlib使用格式生成器（formatter）定义刻度标签格式，定义了与轴上刻度相关联的数值如何格式化为字符串。

#6.3.4.6_01 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.6 自动定义刻度标签格式 ''' import matplotlib.ticker as ticker # 获取可用的Tick Formatters tick_formatters = [ loc for loc in dir(ticker) if 'Formatter' in loc and loc != 'Formatter' ] # 输出Tick Locators print("可用的刻度标签格式生成器:") for loc in tick_formatters: print(loc, end='，')

可用的刻度标签格式生成器: EngFormatter，FixedFormatter，FormatStrFormatter，FuncFormatter，LogFormatter，LogFormatterExponent，LogFormatterMathtext，LogFormatterSciNotation，LogitFormatter，NullFormatter，PercentFormatter，ScalarFormatter，StrMethodFormatter。

刻度标签格式生成器的作用如下表，

Formatter 名称定义和作用EngFormatter这个格式化器以工程格式显示数值，使得大的数值更易于阅读。它会使用每三位数的前缀，比如 k（千）、M（百万）、G（十亿），非常适合处理大数值的场景。FixedFormatter如果你需要在刻度上显示特定的标签而不是默认的数值，FixedFormatter 就是你的理想选择。它允许你手动设置每个刻度的标签，非常适合需要自定义标签的情况。FormatStrFormatter这个格式化器让你可以使用格式字符串（类似于 Python 的 % 格式化）来控制刻度标签的输出样式。无论是想显示小数位数还是特定格式，这个工具都能满足你的需求。FuncFormatterFuncFormatter 的强大之处在于你可以通过自定义函数来格式化刻度标签。这样，无论你的需求多独特，你都可以实现自己想要的输出格式，给予你极大的灵活性。LogFormatter当你在使用对数坐标轴时，LogFormatter 可以帮助你更好地格式化刻度标签。它支持自定义对数基数和其他格式设置，让你的数据展示更清晰。LogFormatterExponent如果你需要以指数形式显示刻度标签，LogFormatterExponent 就是一个不错的选择。它特别适合处理数值很大的情况，可以让读者迅速理解数据的规模。LogFormatterMathtext想在刻度标签中展示数学公式吗？LogFormatterMathtext 就可以帮你实现。它使用 Mathtext 格式，适合那些希望以更专业方式展示数据的用户。LogFormatterSciNotation处理非常大的或非常小的数值时，LogFormatterSciNotation 可以将刻度标签格式化为科学记数法，帮助读者更容易理解数值的范围。LogitFormatter如果你的数据是概率值（介于 0 和 1 之间），LogitFormatter 会将这些数值转换为 logit 格式进行显示，适合处理概率统计数据。NullFormatter当你希望完全隐藏刻度标签时，NullFormatter 是一个很好的选择。它能让图表看起来更加简洁，适合不需要刻度标签的情境。PercentFormatterPercentFormatter 能将刻度标签格式化为百分比，并且可以设置小数位数，特别适合展示比例数据，让读者一目了然。ScalarFormatter这是 Matplotlib 的默认标量格式化器，它会根据数值的大小智能选择显示方式，无论是普通数字还是科学记数法，能够确保你的数据展示清晰。StrMethodFormatter使用 StrMethodFormatter 让你可以运用 Python 的字符串格式化方法（如 str.format()）来定义刻度标签的样式。这样可以实现更复杂的格式，提升数据展示的灵活性。

每一种formatter使用举例，

#6.3.4.6_02 # -*- encoding: utf-8 -*- ''' 未经过允许禁止转载！ @Author : 公众号:pythonic生物人 @Desc : 6.3.4.6 自动定义刻度标签格式 ''' import matplotlib.pyplot as plt import numpy as np import matplotlib.ticker as ticker # 生成示例数据 x = np.linspace(0, 1e7, 100) y = np.sin(x / 1e6) #fig, axs = plt.subplots(6, 2, dpi=150, figsize=(14, 20)) fig, axs = plt.subplots(6, 2, figsize=(14, 30), dpi=150, edgecolor='grey') fig.patch.set_linewidth(1) axs = axs.flatten() # Formatter 1: EngFormatter ax1 = axs[0] ax1.plot(x, y) ax1.set_title("EngFormatter") ax1.set_xlabel("Value (engineering prefixes)") ax1.set_ylabel("Sin value") ax1.xaxis.set_major_formatter( ticker.EngFormatter(unit='MHz' #指定刻度标签单位。例如，振动次数设置为MHz，替代1e7 )) for tick in ax1.xaxis.get_major_ticks(): tick.label1.set_color("red") # Formatter 2: FixedFormatter ax2 = axs[1] ax2.plot(x, y) ax2.set_title("FixedFormatter") ax2.set_yticks([0, 0.5, 1.0]) ax2.yaxis.set_major_formatter( ticker.FixedFormatter(["0 km", "0.5 km", "1.0 km"] #传入刻度标签列表 )) for tick in ax2.yaxis.get_major_ticks(): tick.label1.set_color("red") # Formatter 3: FormatStrFormatter ax3 = axs[2] ax3.plot(x, y) ax3.set_title("FormatStrFormatter") ax3.set_xticks([2000000, 6000000, 10000000]) ax3.xaxis.set_major_formatter( ticker.FormatStrFormatter('Label: %d' #格式化刻度标签，使用常见python字符串格式化输出方法 )) for tick in ax3.xaxis.get_major_ticks(): tick.label1.set_color("red") # Formatter 4: FuncFormatter ax4 = axs[3] ax4.plot(x, y) ax4.set_title("FuncFormatter") ax4.xaxis.set_major_formatter( ticker.FuncFormatter( lambda val, pos: f'{val:.1f} m' #轻松调用任何函数格式化标签，这里使用lambda函数 )) for tick in ax4.xaxis.get_major_ticks(): tick.label1.set_color("red") # Formatter 5: LogFormatter ax5 = axs[4] x_log = np.linspace(1, 1000, 100) y_log = np.log10(x_log) ax5.plot(x_log, y_log) ax5.set_title("LogFormatter") ax5.xaxis.set_major_formatter(ticker.LogFormatter() #显示10^3中的10^3 ) for tick in ax5.xaxis.get_major_ticks(): tick.label1.set_color("red") # Formatter 6: LogFormatterExponent ax6 = axs[5] ax6.plot(x_log, y_log) ax6.set_title("LogFormatterExponent") ax6.xaxis.set_major_formatter(ticker.LogFormatterExponent() #显示10^3中的3，对比子图5学习 ) for tick in ax6.xaxis.get_major_ticks(): tick.label1.set_color("red") # Formatter 7: LogFormatterMathtext ax7 = axs[6] ax7.plot(x_log, y_log) ax7.set_title("LogFormatterMathtext") ax7.xaxis.set_major_formatter(ticker.LogFormatterMathtext() #科学计数法 ) for tick in ax7.xaxis.get_major_ticks(): tick.label1.set_color("red") # Formatter 8: LogFormatterSciNotation ax8 = axs[7] ax8.plot(x_log, y_log) ax8.set_title("LogFormatterSciNotation") ax8.xaxis.set_major_formatter(ticker.LogFormatterSciNotation() #与前一种方法类似 ) for tick in ax8.xaxis.get_major_ticks(): tick.label1.set_color("red") # Formatter 9: LogitFormatter ax9 = axs[8] x_logit = np.linspace(0.01, 0.99, 100) y_logit = x_logit ax9.plot(x_logit, y_logit) ax9.set_title("LogitFormatter") ax9.set_yscale("logit") ax9.yaxis.set_major_formatter(ticker.LogitFormatter() #Probability格式 ) for tick in ax9.yaxis.get_major_ticks(): tick.label1.set_color("red") # Formatter 10: NullFormatter ax10 = axs[9] ax10.plot(x, y) ax10.set_title("NullFormatter") ax10.xaxis.set_major_formatter(ticker.NullFormatter() #隐藏刻度标签 ) # Formatter 11: PercentFormatter ax11 = axs[10] percent_data = np.linspace(0, 1, 100) ax11.plot(percent_data, percent_data) ax11.set_title("PercentFormatter") ax11.xaxis.set_major_formatter(ticker.PercentFormatter(xmax=1) #刻度标签使用百分数 ) for tick in ax11.xaxis.get_major_ticks(): tick.label1.set_color("red") # Formatter 12: ScalarFormatter ax12 = axs[11] ax12.plot(x, y) ax12.set_title("ScalarFormatter") ax12.xaxis.set_major_formatter(ticker.ScalarFormatter() #默认方法 ) for tick in ax12.xaxis.get_major_ticks(): tick.label1.set_color("red") plt.tight_layout() plt.show()

 红色为坐标轴刻度标签格式生成器的效果。

详解Python matplotlib坐标轴