Matplotlib Fill Between e Alpha

Introdução

Na visualização de dados, por vezes é necessário destacar certas áreas ou intervalos num gráfico. A função fill_between do Matplotlib é uma ferramenta útil para gerar uma região sombreada entre um limite mínimo e máximo. Também pode ser usada para melhorar a aparência visual de um gráfico. O argumento alpha pode ser usado para ajustar a transparência da região sombreada. Este laboratório irá guiá-lo através de vários exemplos de utilização de fill_between e alpha no Matplotlib para criar gráficos mais apelativos visualmente e informativos.

Dicas da VM

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

Por vezes, pode ser necessário aguardar alguns segundos para que o Jupyter Notebook termine de carregar. A validação das operações não pode ser automatizada devido a limitações no Jupyter Notebook.

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

Melhorando um Gráfico de Linha com fill_between

O primeiro exemplo demonstra como melhorar um gráfico de linha com fill_between. Usaremos dados financeiros do Google para criar dois subgráficos, um com um gráfico de linha simples e outro com um gráfico de linha preenchido.

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.cbook as cbook

## load up some sample financial data
r = cbook.get_sample_data('goog.npz')['price_data'].view(np.recarray)

## create two subplots with the shared x and y axes
fig, (ax1, ax2) = plt.subplots(1, 2, sharex=True, sharey=True)

pricemin = r.close.min()

ax1.plot(r.date, r.close, lw=2)
ax2.fill_between(r.date, pricemin, r.close, alpha=0.7)

for ax in ax1, ax2:
    ax.grid(True)
    ax.label_outer()

ax1.set_ylabel('price')
fig.suptitle('Google (GOOG) daily closing price')
fig.autofmt_xdate()

Usando alpha para Suavizar Cores

O argumento alpha também pode ser usado para suavizar as cores para gráficos mais apelativos visualmente. No exemplo seguinte, calcularemos duas populações de caminhantes aleatórios com uma média e um desvio padrão diferentes das distribuições normais das quais os passos são retirados. Usamos regiões preenchidas para plotar +/- um desvio padrão da posição média da população.

## Fixing random state for reproducibility
np.random.seed(19680801)

Nsteps, Nwalkers = 100, 250
t = np.arange(Nsteps)

## an (Nsteps x Nwalkers) array of random walk steps
S1 = 0.004 + 0.02*np.random.randn(Nsteps, Nwalkers)
S2 = 0.002 + 0.01*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')
ax.plot(t, mu2, lw=2, label='mean population 2')
ax.fill_between(t, mu1+sigma1, mu1-sigma1, facecolor='C0', alpha=0.4)
ax.fill_between(t, mu2+sigma2, mu2-sigma2, facecolor='C1', alpha=0.4)
ax.set_title(r'random walkers empirical $\mu$ and $\pm \sigma$ interval')
ax.legend(loc='upper left')
ax.set_xlabel('num steps')
ax.set_ylabel('position')
ax.grid()

Destacando Certas Regiões com where

O argumento de palavra-chave where é muito útil para destacar certas regiões do gráfico. where recebe uma máscara booleana com o mesmo comprimento dos argumentos x, ymin e ymax, e preenche apenas a região onde a máscara booleana é True. No exemplo abaixo, simulamos um único caminhante aleatório e calculamos a média analítica e o desvio padrão das posições da população. A média da população é mostrada como a linha tracejada, e o desvio de mais/menos um sigma da média é mostrado como a região preenchida. Usamos a máscara where X > upper_bound para encontrar a região onde o caminhante está fora do limite de um sigma, e sombreamos essa região em vermelho.

## Fixing random state for reproducibility
np.random.seed(1)

Nsteps = 500
t = np.arange(Nsteps)

mu = 0.002
sigma = 0.01

## the steps and position
S = mu + sigma*np.random.randn(Nsteps)
X = S.cumsum()

## the 1 sigma upper and lower analytic population bounds
lower_bound = mu*t - sigma*np.sqrt(t)
upper_bound = mu*t + sigma*np.sqrt(t)

fig, ax = plt.subplots(1)
ax.plot(t, X, lw=2, label='walker position')
ax.plot(t, mu*t, lw=1, label='population mean', color='C0', ls='--')
ax.fill_between(t, lower_bound, upper_bound, facecolor='C0', alpha=0.4,
                label='1 sigma range')
ax.legend(loc='upper left')

## here we use the where argument to only fill the region where the
## walker is above the population 1 sigma boundary
ax.fill_between(t, upper_bound, X, where=X > upper_bound, fc='red', alpha=0.4)
ax.fill_between(t, lower_bound, X, where=X < lower_bound, fc='red', alpha=0.4)
ax.set_xlabel('num steps')
ax.set_ylabel('position')
ax.grid()

Destacando Extensões de um Eixo com axhspan e axvspan

Outro uso útil de regiões preenchidas é destacar extensões horizontais ou verticais de um Eixo (Axes). Para isso, o Matplotlib tem as funções auxiliares axhspan e axvspan. Consulte a galeria axhspan_demo para mais informações.

import matplotlib.pyplot as plt

fig, ax = plt.subplots()

ax.axhspan(0.25, 0.75, facecolor='0.5', alpha=0.5)
ax.axvspan(6, 7, facecolor='r', alpha=0.5)

plt.show()

Resumo

Neste laboratório, aprendemos como usar a função fill_between e o argumento alpha no Matplotlib para criar gráficos mais visualmente atraentes e informativos. Demonstramos vários exemplos de uso de fill_between e alpha para destacar certas regiões ou intervalos de um gráfico. Também introduzimos brevemente as funções axhspan e axvspan para destacar extensões de um Eixo (Axes).