平行坐标系，是一种含有多个垂直平行坐标轴的统计图表。
一般的分析图表都是分析二维的数据，而平行坐标系特别适合于分析维度较多的数据。
比如，对于学生成绩，每门学科都是一个维度，且每门学科的最高分也不一样，用单一的坐标系很难展示分析结果。
平行坐标系的图大概是下面这样的：
多个Y轴代表数据不同的属性（维度），每个Y轴的刻度可以是不一样的。
1. 准备示例数据
准备一些学生各个科目的成绩数据，用来分析整体学习情况以及是否有偏科的情况。
| 姓名 | 语文 | 数学 | 英语 | 物理 | 化学 |
|---|---|---|---|---|---|
| 学生A | 100 | 120 | 98 | 88 | 78 |
| 学生B | 105 | 133 | 109 | 87 | 89 |
| 学生C | 80 | 112 | 87 | 90 | 95 |
| 学生D | 90 | 89 | 76 | 89 | 88 |
| 学生E | 102 | 60 | 90 | 66 | 65 |
假设：
- 语文满分 120
- 数学满分 150
- 英语满分 110
- 物理满分 90
- 化学满分100
2. 封装绘图函数
python的绘图函数库matplotlib中，默认没有提供绘制平行坐标系的接口。
但是，基于matplotlib 提供的绘图底层接口，也可以很容易封装一个绘制平行坐标系的类。
2.1. 属性封装
根据平行坐标系上的常用元素，封装的属性主要包括：
| 名称 | 类型 | 说明 |
|---|---|---|
| title | string 字符串 | 标题 |
| x_labels | list 列表 | 每一行数据的名称，list的长度就是数据的行数 |
| y_labels | list 列表 | 每一个平行的Y轴的名称，list的长度就是平行的Y轴的个数 |
| y_data | list[list] 二维列表 | 数据行数就是x_labels的长度，数据的列数就是y_labels的长度 |
| y_mins | list 列表 | 每个平行的Y轴的最小值 |
| y_maxs | list 列表 | 每个平行的Y轴的最大值 |
class ParallelCoord:
"""
平行坐标系
"""
def __init__(self, title, x_labels, y_labels, y_data, y_min, y_max):
self.title = title
self.x_labels = x_labels
self.y_labels = y_labels
self.y_data = y_data
self.y_min = y_min
self.y_max = y_max
2.2. 绘图封装
绘图的步骤主要有：
- 设置画布
- 设置标题
- 设置各个平行的Y轴
- 设置X轴
- 在平行坐标系中绘制曲线
- 绘制图例
import matplotlib.pyplot as plt
from matplotlib.path import Path
import matplotlib.patches as patches
import numpy as np
class ParallelCoord:
"""
平行坐标系
"""
def __init__(self, title, x_labels, y_labels, y_data, y_mins, y_maxs):
self.title = title
self.x_labels = x_labels
self.y_labels = y_labels
self.y_data = y_data
self.y_mins = y_mins
self.y_maxs = y_maxs
def draw(self):
# 1. 设置画布
fig, host = plt.subplots(figsize=(10, 4))
# 2. 设置标题
host.set_title(self.title, fontsize=18, pad=12)
# 3. 设置各个平行的Y轴
# 每个坐标系的上下限不一样，调整显示方式
dys = np.array(self.y_maxs) - np.array(self.y_mins)
zs = np.zeros_like(self.y_data)
zs[:, 0] = self.y_data[:, 0]
zs[:, 1:] = (self.y_data[:, 1:] - self.y_mins[1:]) / dys[1:] * dys[
0
] + self.y_mins[0]
axes = [host] + [host.twinx() for i in range(len(self.y_labels) - 1)]
for i, ax in enumerate(axes):
ax.set_ylim(self.y_mins[i], self.y_maxs[i])
ax.spines["top"].set_visible(False)
ax.spines["bottom"].set_visible(False)
if ax != host:
ax.spines["left"].set_visible(False)
ax.yaxis.set_ticks_position("right")
ax.spines["right"].set_position(("axes", i / (len(self.y_labels) - 1)))
# 4. 设置X轴
host.set_xlim(0, len(self.y_labels) - 1)
host.set_xticks(range(len(self.y_labels)))
host.set_xticklabels(self.y_labels, fontsize=14)
host.tick_params(axis="x", which="major", pad=7)
host.spines["right"].set_visible(False)
host.xaxis.tick_top()
# 5. 在平行坐标系中绘制曲线
colors = plt.cm.Set1.colors
legend_handles = [None for _ in self.x_labels]
for j in range(len(self.x_labels)):
verts = list(
zip(
[
x
for x in np.linspace(
0,
len(self.y_data) - 1,
len(self.y_data) * 3 - 2,
endpoint=True,
)
],
np.repeat(zs[j, :], 3)[1:-1],
)
)
codes = [Path.MOVETO] + [Path.CURVE4 for _ in range(len(verts) - 1)]
path = Path(verts, codes)
patch = patches.PathPatch(
path, facecolor="none", lw=2, alpha=0.7, edgecolor=colors[j]
)
legend_handles[j] = patch
host.add_patch(patch)
# 6. 绘制图例
host.legend(
self.x_labels,
loc="lower center",
bbox_to_anchor=(0.5, -0.18),
ncol=len(self.x_labels),
fancybox=True,
shadow=True,
)
# 显示图形
plt.tight_layout()
plt.show()
3. 绘制效果
封装好函数之后，绘制起来就很简单了。
#根据示例数据设置变量
title = "学生各科成绩"
x_labels = ["学生A", "学生B", "学生C", "学生D", "学生E"]
y_labels = ["语文", "数学", "英语", "物理", "化学"]
y_data = np.array(
[
[100, 120, 98, 88, 78],
[105, 133, 109, 87, 89],
[80, 112, 87, 90, 95],
[90, 89, 76, 89, 88],
[102, 60, 90, 66, 65],
]
)
y_mins = [0, 0, 0, 0, 0]
y_maxs = [120, 150, 110, 90, 100]
#绘制
pc = ParallelCoord(title, x_labels, y_labels, y_data, y_mins, y_maxs)
pc.draw()
这里为了演示，只有5条数据。
从平行坐标系的图中，可以看出，大部分物理都不错，黄色的学生E，数学偏科比较严重。
有兴趣的朋友，可以把手头的数据导入这个封装好的平行坐标系类中，看看能否从数据中发现新的东西。
