1 引言

在上一节中我们介绍了使用matplotlib进行数据可视化的几种表现方法,包括折线图、散点图、饼状图以及柱状图等, 今天我们来继续学习matplotlib的高级用法,主要包括网络图,流动图以及圆弧图，那么我们开始吧。。。

2 网络图

分散式网络: 中心化网络和分布式网络的混合体,在这种类型的网络中，少量节点的攻击会降低或破坏整个网络系统的性能.
分布式网络: 分布式网络具有抵御攻击的能力，即使在攻击后部分节点无法对网络作出贡献后，该网络仍将继续运行。这与中心化网络不同，中心化网络在中心节点受到攻击时可能会立刻破坏整个网络性能。

可视化结果:

• 分散式网络：左上分散式网络图显示。
• 分布式网络：右上分布式网络图显示，通过三角剖分方法开发分布式网络显示。主要使用triplot()函数,绘制非结构化的三角形网格。

代码如下：

def test1():
    # data
    pn, cn = 64, 8
    px = np.random.normal(0, 1, pn)
    py = np.random.normal(0, 1, pn)
    cx = np.random.normal(0, 1, cn)
    cx = np.insert(cx, 0, 0)
    cy = np.random.normal(0, 1, cn)
    cy = np.insert(cy, 0, 0)
    angle = (np.arctan2(py, px) + np.pi) / (2 * np.pi)
    # param
    distrib = tri.Triangulation(np.concatenate([px, cx]),
                                np.concatenate([py, cy]))
    cmapRede = cm.get_cmap('hsv')
    fig, (axA, axB) = plt.subplots(1, 2)

    # left: draw each pt to the nearest center pt
    for s, t in zip(px, py):
        dist = ((s - cx) ** 2 + (t - cy) ** 2) ** 0.5
        csel = dist <= dist.min()
        for u, v in zip(cx[csel], cy[csel]):
            axA.plot([s, u], [t, v], color='black', alpha=0.5,
                     linewidth=1, zorder=1)
    # left: draw each center to (0,0)
    for u, v in zip(cx, cy):
        if u or v:
            axA.plot([u, 0], [v, 0], color='black', alpha=0.25,
                     linewidth=2, zorder=1)
    axA.scatter(px, py, c=cmapRede(angle), zorder=2)
    axA.scatter(cx, cy, color='black', s=64, zorder=2)
    axA.set_title('decentralized_network')

    # right
    axB.triplot(distrib, color='black', alpha=0.5, linewidth=1, zorder=1)
    axB.scatter(px, py, c=cmapRede(angle), zorder=2)
    axB.scatter(cx, cy, color='black', s=64, zorder=2)
    axB.set_title('distributed_network')
    plt.show()

triplot(*args, **kwargs)

参数：此方法接受以下描述的参数：

• x, y:这些参数是要绘制的数据的x和y坐标。
• triangulation:此参数是matplotlib.tri.Triangulation对象。
• **kwargs:此参数是文本属性，用于控制标签的外观。

3 流动图

给定路径,使用matplotlib中的Path模块,按照对应的路径上的控制点绘制相应的三次贝塞尔曲线图.

可视化结果:

• 上图水平流向图可视化效果

代码如下:

def test2():
    # dataflow
    colecao = np.array(list('αβγδε'))
    n = len(colecao)
    indices = np.arange(n)
    sel = lambda x: np.random.choice(x, 16)
    mapa = np.array([sel(np.delete(indices, i)) for i in indices])
    rede = colecao[mapa]
    # param
    from matplotlib.path import Path
    import matplotlib.patches as patches
    pontos = [Path.MOVETO, Path.CURVE4, Path.CURVE4, Path.CURVE4]
    paleta = cm.get_cmap('gist_rainbow')
    fig, axA = plt.subplots(1, 1)
    # Flow horizontal
    getPy = lambda x: (1 - x / n) - 0.1
    for i, e in enumerate(colecao):
        conx, cont = np.unique(rede[i], return_counts=True)
        yo = getPy(i)
        *cor, _ = paleta(i / n)
        axA.text(-0.01, yo, e, ha='right', color=cor,
                 fontsize=16, fontweight='bold')
        axA.text(1.01, yo, e, ha='left', color=cor,
                 fontsize=16, fontweight='bold')
        for cx, ct in zip(conx, cont):
            yi = getPy(np.where(colecao == cx)[0])
            verts = [(0.0, yo), (0.5, yo), (0.5, yi), (1, yi)]
            path = Path(verts, pontos)
            patch = patches.PathPatch(path, facecolor='none', edgecolor=cor,
                                      lw=ct ** 2, alpha=1 / ct)
            axA.add_patch(patch)
    axA.set_title('Flow Horizontal')
    axA.axis('off')
    plt.show()

PathPatch(path, **kwargs)

• path: 路径是 matplotlib.path.Path Object 。
• facecolor: 背景颜色
• edgecolor: 边缘颜色
• lw: linewidth 指定线的粗细
• alpha: 指定线的透明度

Path(vertices, codes=None)

• vertices: 是指的是路径path所经过的关键点的一系列坐标（x,y)
• codes指的是点与点之间到底是怎么连接的,取值如下:
  – MOVETO : 拿起钢笔, 移动到给定的顶点。一般指的是 “起始点”
  – LINETO : 从当前位置绘制直线到给定顶点。
  – CURVE3 : 从当前位置 (用给定控制点) 绘制一个二次贝塞尔曲线到给定端点。
  – CURVE4 : 从当前位置 (与给定控制点) 绘制三次贝塞尔曲线到给定端点。
  – CLOSEPOLY : 将线段绘制到当前折线的起始点。
  – STOP : 整个路径末尾的标记 (当前不需要和忽略)

4 圆弧图

给定圆弧路径,使用matplotlib中的Path模块,按照对应的路径绘制相应的圆弧路径图.

可视化结果:

• 图弧图：左上弧图显示。
• 径向收敛图：右上径向收敛图可视化。

代码如下:

def test3():
    # data
    n = 17
    indices = np.arange(n)
    sel = lambda x: np.random.choice(x, n // 4)
    mapa = np.array([sel(np.delete(indices, i)) for i in indices])
    rede = indices[mapa]
    # param
    cmapArco = cm.get_cmap('rainbow')
    fig, (axA, axB) = plt.subplots(1, 2)
    # Arc
    getPx = lambda x: x / (n - 1)
    pontos = [Path.MOVETO, Path.CURVE4, Path.CURVE4, Path.CURVE4]
    for i, e in enumerate(indices):
        conx, cont = np.unique(rede[i], return_counts=True)
        xo = getPx(i)
        *cor, _ = cmapArco(i / n)
        for cx, ct in zip(conx, cont):
            xi = getPx(np.where(indices == cx)[0])
            yoi = (xi - xo) * 2 ** 0.5
            verts = [(xo, 0), (xo, yoi), (xi, yoi), (xi, 0)]
            path = Path(verts, pontos)
            patch = patches.PathPatch(path, facecolor='none', edgecolor=cor,
                                      lw=0.5 * ct ** 3, alpha=1 / ct)
            axA.add_patch(patch)
    axA.scatter(indices / (n - 1), indices * 0, color=cmapArco(indices / n),
                marker='s', s=256, zorder=2)
    axA.set_title('Arc')
    axA.set_xlim([-0.05, 1.05])
    axA.set_ylim([-1.2, 1.2])
    axA.axis('off')
    # Convergence radial
    getTheta = lambda x: 2 * np.pi * x / n
    for i, e in enumerate(indices):
        conx, cont = np.unique(rede[i], return_counts=True)
        thetao = getTheta(i)
        xo = np.sin(thetao)
        yo = np.cos(thetao)
        *cor, _ = cmapArco(i / n)
        for cx, ct in zip(conx, cont):
            thetai = getTheta(np.where(indices == cx)[0])
            xi = np.sin(thetai)
            yi = np.cos(thetai)
            xm = (xo + xi) * 0.5
            ym = (yo + yi) * 0.5
            verts = [(xo, yo), ((xo + xm * 0.25) * 0.5, (yo + ym * 0.25) * 0.5),
                     ((xi + xm * 0.25) * 0.5, (yi + ym * 0.25) * 0.5), (xi, yi)]
            path = Path(verts, pontos)
            patch = patches.PathPatch(path, facecolor='none', edgecolor=cor,
                                      lw=ct ** 3, alpha=1 / ct)
            axB.add_patch(patch)
    axB.scatter(np.sin(getTheta(indices)), np.cos(getTheta(indices)),
                color=cmapArco(indices / n), s=512, zorder=2)
    axB.set_title('Convergence radial')
    axB.set_xlim([-1.2, 1.2])
    axB.set_ylim([-1.2, 1.2])
    axB.axis('off')
    plt.show()

5 终极法宝

看代码是不是一脸懵,很多童鞋估计还是不太理解贝塞尔曲线中控制点的作用…
?
没关系,给大家提供一个网址,方便大家在线查看不同控制点的效果示意图.
如下所示为第三节流动图的贝塞尔曲线示意图:

如下所示为第四节圆弧图的贝塞尔曲线示意图:

有了上述网站,你还可以根据这个网站设计多种path中的控制点的位置,来达到不同的显示效果.
Just have a try…

6 总结

本文详细地介绍了使用matplotlib画网络图、流动图和圆弧图的样例，并给出了相关可视化效果。

您学废了吗？

关注公众号《AI算法之道》，获取更多AI算法资讯。

注: 关注公众号,后台回复 path , 可获取完整代码