8.2

Author: wizardforcel

8.2.md

@@ -1,10 +1,16 @@
 # 我们最喜欢的秘籍
 
+> 原文：[Our Favorite Recipes](http://matplotlib.org/users/recipes.html)
+
+> 译者：[飞龙](https://github.com/)
+
+> 协议：[CC BY-NC-SA 4.0](http://creativecommons.org/licenses/by-nc-sa/4.0/)
+
 这里是一个简短的教程，示例和代码片段的集合，展示了一些有用的经验和技巧，来制作更精美的图像，并克服一些 matplotlib 的缺陷。
 
 ## 共享轴限制和视图
 
-通常用于使两个或更多绘图共享一个轴，例如，两个子绘图具有时间作为公共轴。 当你平移和缩放一个绘图，你想让另一个绘图一起移动。 为了方便这一点，matplotlib 轴支持`sharex`和`sharey`属性。 创建`subplot()`或`axes()`实例时，您可以传入一个关键字，表明要共享的轴。
+通常用于使两个或更多绘图共享一个轴，例如，两个子绘图具有时间作为公共轴。 当你平移和缩放一个绘图，你想让另一个绘图一起移动。 为了方便这一点，matplotlib 轴支持`sharex`和`sharey`属性。 创建`subplot()`或`axes()`实例时，你可以传入一个关键字，表明要共享的轴。
 
 ```py
 In [96]: t = np.arange(0, 10, 0.01)
@@ -34,7 +40,7 @@ ax3 = fig.add_subplot(224, sharex=ax1, sharey=ax1)
 ```
 
 
-Fernando Perez 提供了一个很好的顶级方法，来一次性创建`subplots()`（注意末尾的`s`），并为所有子图开启`x`和`y`共享。 您可以单独解构来获取轴域：
+Fernando Perez 提供了一个很好的顶级方法，来一次性创建`subplots()`（注意末尾的`s`），并为所有子图开启`x`和`y`共享。 你可以单独解构来获取轴域：
 
 ```py
 # new style method 1; unpack the axes
@@ -83,7 +89,7 @@ Out[67]: [<matplotlib.lines.Line2D object at 0x92a6b6c>]
 
 ![](http://matplotlib.org/_images/recipes-2.png)
 
-另一个麻烦是，如果你将鼠标悬停在窗口上，并在 x 和 y 坐标处查看 matplotlib 工具栏（[交互式导航](http://matplotlib.org/users/navigation_toolbar.html#navigation-toolbar)）的右下角，您会看到 x 位置的格式与刻度标签的格式相同， 例如，“Dec 2004”。 我们想要的是工具栏中的位置具有更高的精确度，例如，鼠标悬停在上面时给我们确切的日期。 为了解决第一个问题，我们可以使用[`matplotlib.figure.Figure.autofmt_xdate()`](http://matplotlib.org/api/figure_api.html#matplotlib.figure.Figure.autofmt_xdate)。修复第二个问题，我们可以使用`ax.fmt_xdata`属性，该属性可以设置为任何接受标量并返回字符串的函数。 matplotlib 有一些内置的日期格式化器，所以我们将使用其中的一个。
+另一个麻烦是，如果你将鼠标悬停在窗口上，并在 x 和 y 坐标处查看 matplotlib 工具栏（[交互式导航](http://matplotlib.org/users/navigation_toolbar.html#navigation-toolbar)）的右下角，你会看到 x 位置的格式与刻度标签的格式相同， 例如，『Dec 2004』。 我们想要的是工具栏中的位置具有更高的精确度，例如，鼠标悬停在上面时给我们确切的日期。 为了解决第一个问题，我们可以使用[`matplotlib.figure.Figure.autofmt_xdate()`](http://matplotlib.org/api/figure_api.html#matplotlib.figure.Figure.autofmt_xdate)。修复第二个问题，我们可以使用`ax.fmt_xdata`属性，该属性可以设置为任何接受标量并返回字符串的函数。 matplotlib 有一些内置的日期格式化器，所以我们将使用其中的一个。
 
 ```py
 plt.close('all')
@@ -102,7 +108,111 @@ plt.title('fig.autofmt_xdate fixes the labels')
 
 ![](http://matplotlib.org/_images/recipes-3.png)
 
-现在，当您将鼠标悬停在绘制的数据上，您将在工具栏中看到如`2004-12-01`的日期格式字符串。
+现在，当你将鼠标悬停在绘制的数据上，你将在工具栏中看到如`2004-12-01`的日期格式字符串。
 
 ## 透明度填充
 
+`fill_between()`函数在最小和最大边界之间生成阴影区域，用于展示范围。 它有一个非常方便的参数，将填充范围与逻辑范围组合，例如，以便仅填充超过某个阈值的曲线。=
+
+基本上，`fill_between`可以用来增强图形的视觉外观。 让我们比较两个财务-时间图表，左边是一个简单的线框图，右边是一个填充图。
+
+![](http://matplotlib.org/_images/recipes-4.png)
+
+Alpha 通道在这里不是必需的，但它可以用来软化颜色，创建更具视觉吸引力的绘图。 在其他示例中，我们将在下面看到，Alpha 通道在功能上有用，因为阴影区域可以重叠，Alpha 允许你同时看到两者。 注意，postscript 格式不支持 alpha（这是一个 postscript 限制，而不是一个 matplotlib 限制），因此，当使用 alpha 时，将你的数字保存在 PNG，PDF 或 SVG 中。
+
+我们的下一个例子是计算随机漫步的两个群体，它们具有不同的正态分布平均值和标准差，足迹会从中绘制。我们使用共享区域来绘制群体的平均位置的加/减一个标准差。 这里的 Alpha 通道是有用的，不只是为了审美。
+
+```py
+import matplotlib.pyplot as plt
+import numpy as np
+
+Nsteps, Nwalkers = 100, 250
+t = np.arange(Nsteps)
+
+# an (Nsteps x Nwalkers) array of random walk steps
+S1 = 0.002 + 0.01*np.random.randn(Nsteps, Nwalkers)
+S2 = 0.004 + 0.02*np.random.randn(Nsteps, Nwalkers)
+
+# an (Nsteps x Nwalkers) array of random walker positions
+X1 = S1.cumsum(axis=0)
+X2 = S2.cumsum(axis=0)
+
+
+# Nsteps length arrays empirical means and standard deviations of both
+# populations over time
+mu1 = X1.mean(axis=1)
+sigma1 = X1.std(axis=1)
+mu2 = X2.mean(axis=1)
+sigma2 = X2.std(axis=1)
+
+# plot it!
+fig, ax = plt.subplots(1)
+ax.plot(t, mu1, lw=2, label='mean population 1', color='blue')
+ax.plot(t, mu2, lw=2, label='mean population 2', color='yellow')
+ax.fill_between(t, mu1+sigma1, mu1-sigma1, facecolor='blue', alpha=0.5)
+ax.fill_between(t, mu2+sigma2, mu2-sigma2, facecolor='yellow', alpha=0.5)
+ax.set_title('random walkers empirical $\mu$ and $\pm \sigma$ interval')
+ax.legend(loc='upper left')
+ax.set_xlabel('num steps')
+ax.set_ylabel('position')
+ax.grid()
+```
+
+![](http://matplotlib.org/_images/recipes-5.png)
+
+`where`关键字参数非常方便地用于突出显示图形的某些区域。 其中使用与`x`，`ymin`和`ymax`参数相同长度的布尔掩码，并且只填充布尔掩码为`True`的区域。 在下面的例子中，我们模拟一个随机漫步者，并计算人口位置的分析平均值和标准差。 群体平均值显示为黑色虚线，并且平均值的加/减一个标准差显示为黄色填充区域。 我们使用`where=X>upper_bound`找到漫步者在一个标准差边界之上的区域，并将该区域变成蓝色。
+
+![](http://matplotlib.org/_images/recipes-6.png)
+
+## 透明、花式图例
+
+有时你在绘制数据之前就知道你的数据是什么样的，并且可能知道例如右上角没有太多数据。 然后，你可以安全地创建不覆盖你的数据的图例：
+
+```py
+ax.legend(loc='upper right')
+```
+
+其他时候你不知道你的数据在哪里，而`loc ='best'`将尝试和放置图例：
+
+```py
+ax.legend(loc='best')
+```
+
+但仍然，你的图例可能会覆盖你的数据，在这些情况下，使图例框架透明非常不错。
+
+```py
+np.random.seed(1234)
+fig, ax = plt.subplots(1)
+ax.plot(np.random.randn(300), 'o-', label='normal distribution')
+ax.plot(np.random.rand(300), 's-', label='uniform distribution')
+ax.set_ylim(-3, 3)
+ax.legend(loc='best', fancybox=True, framealpha=0.5)
+
+ax.set_title('fancy, transparent legends')
+```
+
+![](http://matplotlib.org/_images/recipes-7.png)
+
+## 放置文本框
+
+当使用文本框装饰轴时，两个有用的技巧是将文本放置在轴域坐标中（请参见[转换教程](http://matplotlib.org/users/transforms_tutorial.html#transforms-tutorial)），因此文本不会随着 x 或 y 轴的变化而移动。 你还可以使用文本的`bbox`属性，用`Patch`实例包围文本 - `bbox`关键字参数接受字典，字典带有`Patch`属性的键。
+
+```py
+np.random.seed(1234)
+fig, ax = plt.subplots(1)
+x = 30*np.random.randn(10000)
+mu = x.mean()
+median = np.median(x)
+sigma = x.std()
+textstr = '$\mu=%.2f$\n$\mathrm{median}=%.2f$\n$\sigma=%.2f$'%(mu, median, sigma)
+
+ax.hist(x, 50)
+# these are matplotlib.patch.Patch properties
+props = dict(boxstyle='round', facecolor='wheat', alpha=0.5)
+
+# place a text box in upper left in axes coords
+ax.text(0.05, 0.95, textstr, transform=ax.transAxes, fontsize=14,
+        verticalalignment='top', bbox=props)
+```
+
+![](http://matplotlib.org/_images/recipes-8.png)