matplotlib 中的“排斥”注释？答案

【问题标题】："Repel" annotations in matplotlib?matplotlib 中的“排斥”注释？
【发布时间】：2016-04-14 03:16:02
【问题描述】：

我最近看到了 R/ggplot2 的 this 包，它可以让一个图上有多个注释并自动调整它们的位置以最小化重叠，这样可以提高可读性。有没有什么类似的可用于 python/matplotlib？

编辑：我找到了Matplotlib overlapping annotations / text，它看起来很有希望，但似乎结果不如 R 包。

例子：

from matplotlib import pyplot as plt
import numpy as np
xs = np.arange(10, step=0.1)+np.random.random(100)*3
ys = np.arange(10, step=0.1)+np.random.random(100)*3
labels = np.arange(100)
plt.scatter(xs, ys)
for x, y, s in zip(xs, ys, labels):
    plt.text(x, y, s)
plt.show()

您可以看到，当数据密度很高时，即使是这么短的标签也会造成疯狂的混乱。

【问题讨论】：

请展示一个示例数据集以及您要查找的结果。
可能相关：stackoverflow.com/q/14938541/190597.
谢谢你的链接，我去看看。可以轻松生成示例数据集，我将更新问题，但如果我可以生成我正在寻找的内容，我就不会问这个问题:)

标签： python matplotlib plot

【解决方案1】：

[12-11-2016 再次更新了代码和第二个图，因为此后库已得到显着改进]

完全改写答案

为此，我制作了一个小型库，其工作方式与上述 ggrepel 类似：https://github.com/Phlya/adjustText

关闭对点的排斥，即使对于这个困难的例子，它也会产生不错的效果：

from matplotlib import pyplot as plt
from adjustText import adjust_text
import numpy as np

np.random.seed(2016)
xs = np.arange(10, step=0.1) + np.random.random(100) * 3
ys = np.arange(10, step=0.1) + np.random.random(100) * 3
labels = np.arange(100)

f = plt.figure()
scatter = plt.scatter(xs, ys, s=15, c='r', edgecolors='w')
texts = []
for x, y, s in zip(xs, ys, labels):
    texts.append(plt.text(x, y, s))

plt.show()

adjust_text(texts, force_points=0.2, force_text=0.2,
            expand_points=(1, 1), expand_text=(1, 1),
            arrowprops=dict(arrowstyle="-", color='black', lw=0.5))
plt.show()

【讨论】：

【解决方案2】：

在tcaswell's answer 的基础上，您可以使用networkx 的spring_layout 排斥标签，它实现了Fruchterman Reingold force-directed layout algorithm：

import matplotlib.pyplot as plt
import numpy as np
import networkx as nx
np.random.seed(2016)
xs = np.arange(10, step=0.1)+np.random.random(100)*3
ys = np.arange(10, step=0.1)+np.random.random(100)*3
labels = np.arange(100)

def repel_labels(ax, x, y, labels, k=0.01):
    G = nx.DiGraph()
    data_nodes = []
    init_pos = {}
    for xi, yi, label in zip(x, y, labels):
        data_str = 'data_{0}'.format(label)
        G.add_node(data_str)
        G.add_node(label)
        G.add_edge(label, data_str)
        data_nodes.append(data_str)
        init_pos[data_str] = (xi, yi)
        init_pos[label] = (xi, yi)

    pos = nx.spring_layout(G, pos=init_pos, fixed=data_nodes, k=k)

    # undo spring_layout's rescaling
    pos_after = np.vstack([pos[d] for d in data_nodes])
    pos_before = np.vstack([init_pos[d] for d in data_nodes])
    scale, shift_x = np.polyfit(pos_after[:,0], pos_before[:,0], 1)
    scale, shift_y = np.polyfit(pos_after[:,1], pos_before[:,1], 1)
    shift = np.array([shift_x, shift_y])
    for key, val in pos.iteritems():
        pos[key] = (val*scale) + shift

    for label, data_str in G.edges():
        ax.annotate(label,
                    xy=pos[data_str], xycoords='data',
                    xytext=pos[label], textcoords='data',
                    arrowprops=dict(arrowstyle="->",
                                    shrinkA=0, shrinkB=0,
                                    connectionstyle="arc3", 
                                    color='red'), )
    # expand limits
    all_pos = np.vstack(pos.values())
    x_span, y_span = np.ptp(all_pos, axis=0)
    mins = np.min(all_pos-x_span*0.15, 0)
    maxs = np.max(all_pos+y_span*0.15, 0)
    ax.set_xlim([mins[0], maxs[0]])
    ax.set_ylim([mins[1], maxs[1]])


fig, ax = plt.subplots()
ax.plot(xs, ys, 'o')
repel_labels(ax, xs, ys, labels, k=0.0025)
plt.show()

产量

【讨论】：