Как использовать цикл `for` в Matplotlib для построения нескольких графиков на одном и том же рисунке?

Matplotlib – мощная библиотека Python для визуализации данных. Часто возникает задача построения нескольких графиков на одном рисунке, например, для сравнения различных наборов данных или отображения изменений во времени. Цикл for предоставляет удобный способ автоматизировать этот процесс, позволяя создавать множество графиков с минимальным количеством кода. В этой статье мы рассмотрим различные способы использования циклов for в Matplotlib для создания множества графиков, а также коснемся вопросов оптимизации производительности и расширенных возможностей.

Основы построения графиков в Matplotlib с использованием циклов for

Импорт библиотеки Matplotlib и создание базового рисунка

Начнем с импорта библиотеки matplotlib.pyplot и создания базового рисунка. Рисунок (Figure) – это контейнер для всех элементов графика, включая оси (Axes), заголовки и легенды.

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(8, 6))

Использование цикла for для итерации данных и добавления графиков

Теперь мы можем использовать цикл for для итерации по набору данных и добавления графиков на рисунок. Например, мы можем построить несколько синусоид с разными частотами.

import numpy as np

x = np.linspace(0, 10, 100)

for i in range(1, 4):
    y = np.sin(i * x)
    plt.plot(x, y, label=f'sin({i}x)')

plt.xlabel('x')
plt.ylabel('y')
plt.title('Несколько синусоид')
plt.legend()
plt.show()

Построение нескольких линий на одном графике в цикле

Добавление нескольких линий на один axes объект в цикле for

Вместо создания отдельных графиков, мы можем добавлять несколько линий на один и тот же объект axes. Это полезно для сравнения различных наборов данных на одном масштабе.

fig, ax = plt.subplots(figsize=(8, 6))

data = {
    'Series 1': np.random.randn(100).cumsum(),
    'Series 2': np.random.randn(100).cumsum(),
    'Series 3': np.random.randn(100).cumsum()
}

for label, series in data.items():
    ax.plot(series, label=label)

ax.set_xlabel('Индекс')
ax.set_ylabel('Значение')
ax.set_title('Несколько временных рядов')
ax.legend()
plt.show()

Настройка цветов, стилей и меток для каждой линии

Для улучшения читаемости графика можно настроить цвета, стили линий и метки для каждой линии. Это можно сделать непосредственно внутри цикла for.

colors = ['red', 'green', 'blue']
styles = ['-', '--', ':']

fig, ax = plt.subplots(figsize=(8, 6))

for i, (label, series) in enumerate(data.items()):
    ax.plot(series, label=label, color=colors[i], linestyle=styles[i])

ax.set_xlabel('Индекс')
ax.set_ylabel('Значение')
ax.set_title('Несколько временных рядов')
ax.legend()
plt.show()

Создание множества графиков на одном рисунке с помощью subplot и цикла for

Использование plt.subplot() для создания сетки графиков

Функция plt.subplot() позволяет создавать сетку графиков на одном рисунке. Это полезно, когда необходимо отобразить несколько связанных, но различных визуализаций.

fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))
axes = axes.flatten()  # Преобразование в одномерный массив для удобства итерации

data = [
    np.random.rand(10),
    np.random.rand(15),
    np.random.rand(20),
    np.random.rand(25)
]

titles = ['График 1', 'График 2', 'График 3', 'График 4']

Заполнение подграфиков данными в цикле for

Теперь мы можем использовать цикл for для заполнения каждого подграфика данными.

for i, ax in enumerate(axes):
    ax.plot(data[i])
    ax.set_title(titles[i])

plt.tight_layout()  # Предотвращает перекрытия элементов
plt.show()

Обновление графиков в цикле и оптимизация производительности

Использование plt.pause() и plt.draw() для отображения графиков в реальном времени

Для отображения графиков в реальном времени, например, при моделировании динамических процессов, можно использовать функции plt.pause() и plt.draw().

plt.ion()  # Включаем интерактивный режим
fig, ax = plt.subplots(1, 1)
x = np.arange(0, 10, 0.1)
line, = ax.plot(x, np.sin(x))

for i in range(100):
    line.set_ydata(np.sin(x + i/10.0))
    fig.canvas.draw()
    fig.canvas.flush_events()
    plt.pause(0.01)

plt.ioff() # Выключаем интерактивный режим
plt.show()

Методы оптимизации для построения большого количества графиков в цикле

При построении большого количества графиков в цикле производительность может стать проблемой. Вот несколько методов оптимизации:

• Векторизация операций: Используйте NumPy для выполнения операций над массивами данных целиком, вместо итерации по элементам.

• Предварительное выделение памяти: Если возможно, заранее выделите память для массивов данных, чтобы избежать динамического перераспределения памяти в цикле.

• Использование plt.draw() только при необходимости: Не вызывайте plt.draw() на каждой итерации цикла, если это не требуется для отображения графика в реальном времени.

• Использование Line2D.set_data() для обновления данных: Вместо создания новых объектов Line2D на каждой итерации, используйте метод set_data() для обновления данных существующих объектов.

Заключение

Цикл for – это мощный инструмент для автоматизации построения графиков в Matplotlib. Он позволяет легко создавать множество графиков на одном рисунке, настраивать их внешний вид и отображать данные в реальном времени. Правильное использование циклов for и методов оптимизации позволяет создавать эффективные и информативные визуализации.