[[331954]]

 在用Matplotlib進行可視化過程中，很多時候為了更直觀地展現數據大小，會將具體的數值標注在圖形中，比如在柱狀圖上標明數值大小。

這篇文章會以一個實際的案例，詳細講講如何給數據加注解，同時也介紹一下一種比較騷的操作，即Matplotlib的內嵌圖（把一張小圖嵌入到一張大圖中），學會這個后，你能夠繪制出這種圖形

數據注釋

演示的數據集為2016年抵美（到達美國）人數排名前十的國家數據，包含國名和具體入境人數，人數的具體單位為百萬人次 

import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  
%matplotlib inline  
plt.rcParams['font.sans-serif'] = 'SimHei' 
x_data = ['加拿大','墨西哥','英國','日本','中國','德國','韓國','法國','巴西','印度']  
y_data = [13.428347,12.255948,3.019111,2.352919,2.09833,1.322882,1.282097,1.127868,1.109066,0.874016] 

有了數據后，可以非常快地畫出一張柱狀圖 

fig,ax = plt.subplots(figsize=(16,6))  
ax.bar(x_data,y_data) 

接下來開始加注釋，即在柱狀圖上顯示具體數值。在Matplotlib中，為數據加上注釋有兩種方式，一種是使用ax.text()，另一種則是ax.annotate()。

ax.text()

ax.text()的主要作用是為圖中加上一些text，也就是文字。不僅是能夠加注釋，只要指定了坐標，可以在圖上的任何坐標加上text。

函數中的幾個重要的參數，具體介紹一下

•  x：x的坐標
•  y：y的坐標
•  s：要加的文字
•  rotation：文字旋轉的角度
•  fontsize：文字字體大小
•  fontweight：文字字體粗細

需要注意的是，每次調用ax.text()只能生成一個Text對象，也就是說每次只能加一個注釋，多個的話需要寫循環生成。

所以一般加注釋是這么一個流程：先確定注釋的橫縱坐標-->寫循環調用ax.text() 

fig,ax = plt.subplots(figsize=(16,6))  
ax.bar(x_data,y_data)  
# 循環生成text  
# horizontalalignment參數設置注釋居中顯示  
for x,y in zip(x_data,y_data):  
    ax.text(x,y+0.05,y,fontsize=14,horizontalalignment='center') 

關于圖表美化方面，這里暫時不過多贅述。

ax.annotate()

相比于ax.text()，ax.annotate()更像是專門為做注釋而生的，annotate便是注釋的意思。

ax.annotate()的注釋功能更強大，除了加入文本注釋外，如果有需要還能夠加上箭頭→進行指示。

一些主要的參數如下：

•  s：注釋文本
•  xy：要加注釋的數據點位置
•  xytext：文本注釋的位置，默認情況下為xy
•  arrowprops：一個控制箭頭的屬性的dict，如果需要顯示箭頭，必須要設置

這里比較有意思的兩個參數是xy和xytext，二者貌似沒啥區別的樣子，這個地方確實很容易產生困惑。

一般情況下，s和xy是必須要設置的參數，如果不指定，xytext默認和xy一致。

但如果要設置箭頭的話，xy的坐標則定義了箭頭的頭部，xytext則指定箭頭的尾部和文本注釋的位置，實際畫圖來理解看看。

ax.annotate()和ax.text()的畫圖流程是一致的，都需要循環生成注釋。

不設置箭頭，簡單加上注釋 

fig,ax = plt.subplots(figsize=(16,6))  
ax.bar(x_data,y_data) 
for x,y in zip(x_data,y_data):  
    ax.annotate(y,(x,y+0.05),fontsize=14,horizontalalignment='center') 

加上注釋并設置箭頭 

fig,ax = plt.subplots(figsize=(16,6))  
ax.bar(x_data,y_data)  
# 箭頭頭部坐標(x,y)  
# 箭頭尾部坐標（注釋坐標）為(x,y+1)  
for x,y in zip(x_data,y_data):  
    ax.annotate(y,xy = (x,y),xytext = (x,y+1),fontsize=14,horizontalalignment='center',  
               arrowprops =dict(arrowstyle='->'))  
# 將縱坐標范圍擴大  
ax.set_ylim([0,16]) 

設置了顯示箭頭之后，可以明顯地看出，箭頭是由xytext坐標指向xy的坐標的，所以，當你不需要設置箭頭的時候，xytext設置的意義并不大。

內嵌圖

內嵌圖大家可能用的比較少，但這種圖其實還是挺有用的。

拿上面的數據例子來說，柱狀圖顯示了2016年抵美人數排名前十的國家的具體人數，如果這時想結合各大地域抵美人數的占比數據進行分析，該如何繪圖？

一個比較直接的想法是用subplots子圖來實現，比如上邊顯示柱狀圖，下邊顯示餅圖，如下： 

zhou_name = ['西歐','亞洲','南美洲','大洋洲','加勒比地區','中東地區','中美洲','東歐','非洲']  
zhou_percent = [36.2,30.8,13.9,4.3,4.1,3.8,2.8,2.6,1.5]  
fig,ax = plt.subplots(2,1,figsize=(16,12))  
ax[0].bar(x_data,y_data)  
for x,y in zip(x_data,y_data):  
    ax[0].annotate(y,(x,y+0.05),fontsize=14,horizontalalignment='center')  
ax[1].pie(zhou_percent,labels=zhou_name,autopct='%1.1f%%') 

這當然是可行的，但還有更好的方案，那便是內嵌圖。注意到這里的柱狀圖右側有很大的留白部分，如果把餅圖放到柱狀圖右側的留白部分會顯得更加直觀。

內嵌圖有兩種生成方式，一種是fig.add_axes()，另一種則是使用inset_axes()。

fig.add_axes()

fig.add_axes()就是在原有的Figure上加上一個新的區域Axes，然后在這個區域中繪制圖形。

使用這個方法的話需要指定新增的這個區域Axes在Figure中的相對位置和區域大小，輸入參數均為相對于原來Figure的比例值，如下： 

# left和bottom控制新Axes的位置  
# width和height控制新Axes的大小（長寬）  
# 這些均用相對數來表示，大小在0-1之間  
left,bottom,width,height = [0.5,0.3,0.5,0.5]  
fig,ax1 = plt.subplots(figsize=(16,6))  
ax1.bar(x_data,y_data)  
for x,y in zip(x_data,y_data):  
    ax1.annotate(y,(x,y+0.05),fontsize=14,horizontalalignment='center')  
# 運用fig.add_axes()新增一個區域Axes繪圖  
ax2 = fig.add_axes([left,bottom,width,height])  
ax2.pie(zhou_percent,labels=zhou_name,autopct='%1.1f%%') 

inset_axes

相比于fig.add_axes()需要對相對位置進行調試，使用inset_axes()進行繪圖則可以方便進行定位。

inset_axes中的位置由參數loc設置，可以用字符串控制，也可以輸入數字，具體如下： 

'upper right'  : 1  
'upper left'   : 2  
'lower left'   : 3 
...... 
'upper center' : 9  
'center'       : 10  

# 使用前需要先導包  
from mpl_toolkits.axes_grid1.inset_locator import inset_axes  
fig,ax1 = plt.subplots(figsize=(16,6))  
ax1.bar(x_data,y_data)  
for x,y in zip(x_data,y_data):  
    ax1.annotate(y,(x,y+0.05),fontsize=14,horizontalalignment='center')  
# 將內嵌圖置于右側，寬度和長度分別為相對長度  
ax2 = inset_axes(ax1,width = '60%',height = '60%',loc='right')  
ax2.pie(zhou_percent,labels=zhou_name,autopct='%1.1f%%') 

美化方面這里就不再多講了，具體可以參照這篇文章如何用 Matplotlib 畫一張好看的圖。