Criando Zoom Inset com Matplotlib

Introdução

Matplotlib é uma biblioteca popular de visualização de dados em Python. Ela oferece muitas ferramentas para criar diferentes tipos de gráficos e diagramas. Uma das funcionalidades úteis do Matplotlib é a capacidade de ampliar uma região específica de um gráfico, o que pode ajudar a analisar os dados com mais detalhes. Neste laboratório, aprenderemos como criar um zoom (inset) usando Matplotlib.

Dicas para a VM

Após a inicialização da VM, clique no canto superior esquerdo para mudar para a aba Notebook e acessar o Jupyter Notebook para praticar.

Às vezes, pode ser necessário aguardar alguns segundos para que o Jupyter Notebook termine de carregar. A validação das operações não pode ser automatizada devido às limitações do Jupyter Notebook.

Se você encontrar problemas durante o aprendizado, sinta-se à vontade para perguntar ao Labby. Forneça feedback após a sessão, e resolveremos o problema prontamente para você.

Importar as bibliotecas necessárias

Antes de começarmos a criar o zoom (inset), precisamos importar as bibliotecas necessárias. Usaremos matplotlib.pyplot e numpy para este laboratório.

import matplotlib.pyplot as plt
import numpy as np

Criar uma figura e subplots

Em seguida, criaremos uma figura e subplots para exibir nossos dados. Criaremos dois subplots lado a lado para mostrar dois exemplos diferentes de zooms (insets).

fig, (ax, ax2) = plt.subplots(ncols=2, figsize=[6, 3])

Criar um zoom (inset) com uma barra de tamanho

No primeiro subplot, criaremos um zoom (inset) com uma barra de tamanho. Isso mostrará como usar o método .zoomed_inset_axes para criar um zoom (inset).

## Set the aspect ratio of the plot to 1
ax.set_aspect(1)

## Create a zoomed inset in the upper right corner of the plot
axins = zoomed_inset_axes(ax, zoom=0.5, loc='upper right')

## Set the number of ticks on the inset axes
axins.yaxis.get_major_locator().set_params(nbins=7)
axins.xaxis.get_major_locator().set_params(nbins=7)

## Hide the tick labels on the inset axes
axins.tick_params(labelleft=False, labelbottom=False)

## Define a function to add a size bar to the plot
def add_sizebar(ax, size):
    asb = AnchoredSizeBar(ax.transData,
                          size,
                          str(size),
                          loc=8,
                          pad=0.1, borderpad=0.5, sep=5,
                          frameon=False)
    ax.add_artist(asb)

## Add a size bar to the main plot and the inset plot
add_sizebar(ax, 0.5)
add_sizebar(axins, 0.5)

Criar uma imagem com um zoom (inset) e um inset marcado

No segundo subplot, criaremos uma imagem com um zoom (inset) e um inset marcado. Isso mostrará como usar o método .mark_inset para marcar a região de interesse e conectá-la aos eixos do inset.

## Load sample data for the image
Z = cbook.get_sample_data("axes_grid/bivariate_normal.npy")  ## 15x15 array
extent = (-3, 4, -4, 3)
Z2 = np.zeros((150, 150))
ny, nx = Z.shape
Z2[30:30+ny, 30:30+nx] = Z

## Display the image in the subplot
ax2.imshow(Z2, extent=extent, origin="lower")

## Create a zoomed inset in the upper left corner of the plot
axins2 = zoomed_inset_axes(ax2, zoom=6, loc=1)

## Display the image in the inset plot
axins2.imshow(Z2, extent=extent, origin="lower")

## Set the x and y limits of the inset plot to show the region of interest
x1, x2, y1, y2 = -1.5, -0.9, -2.5, -1.9
axins2.set_xlim(x1, x2)
axins2.set_ylim(y1, y2)

## Set the number of ticks on the inset axes
axins2.yaxis.get_major_locator().set_params(nbins=7)
axins2.xaxis.get_major_locator().set_params(nbins=7)

## Hide the tick labels on the inset axes
axins2.tick_params(labelleft=False, labelbottom=False)

## Mark the region of interest and connect it to the inset axes
mark_inset(ax2, axins2, loc1=2, loc2=4, fc="none", ec="0.5")

Exibir o gráfico

Finalmente, exibiremos o gráfico usando o método plt.show().

plt.show()

Resumo

Neste laboratório, aprendemos como criar um zoom (inset) usando Matplotlib. Usamos os métodos .zoomed_inset_axes e .mark_inset para criar dois exemplos diferentes de zooms (insets). Ao usar esses métodos, podemos analisar dados mais de perto e obter insights que podem não ser visíveis no gráfico original.