在和 Alpha 之间填充

该fill_between函数在最小和最大边界之间生成一个阴影区域，该区域可用于说明范围。它有一个非常方便的where论点，可以将填充与逻辑范围结合起来，例如，只填充超过某个阈值的曲线。

在最基本的层面上，fill_between可用于增强图形的视觉外观。让我们比较两张财务数据图表，左边是简单的线图，右边是实心线。

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', np_load=True)['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()

Alpha 通道在这里不是必需的，但它可用于柔化颜色以获得更具视觉吸引力的绘图。在其他示例中，正如我们将在下面看到的那样，Alpha 通道在功能上很有用，因为阴影区域可以重叠并且 Alpha 允许您同时看到两者。请注意，postscript 格式不支持 alpha（这是 postscript 限制，而不是 matplotlib 限制），因此在使用 alpha 时，请将您的图形保存为 PNG、PDF 或 SVG。

我们的下一个示例计算两个随机游走者群体，它们具有不同的均值和标准差的正态分布，从中得出步骤。我们使用填充区域来绘制总体平均位置的 +/- 一个标准差。在这里，alpha 通道很有用，而不仅仅是美观。

# 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()

where关键字参数对于突出显示图形的某些区域非常方便。where采用与 x、ymin 和 ymax 参数长度相同的布尔掩码，并且仅填充布尔掩码为 True 的区域。在下面的示例中，我们模拟单个随机游走者并计算总体位置的分析平均值和标准差。总体平均值显示为虚线，与平均值的正负一 sigma 偏差显示为填充区域。我们使用 where 掩码找到步行者在 sigma 边界之外的区域，并将该区域涂成红色。X > upper_bound

# 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()

填充区域的另一个方便用途是突出显示轴的水平或垂直跨度——因为 Matplotlib 具有辅助函数 axhspan和axvspan. 请参阅 axhspan 演示。

plt.show()