在用Matplotlib进行可视化过程中，很多时候为了更直观地展现数据大小，会将具体的数值标注在图形中，比如在柱状图上标明数值大小。
这篇文章会以一个实际的案例，详细讲讲如何给数据加注解，同时也介绍一下一种比较骚的操作，即Matplotlib的内嵌图（把一张小图嵌入到一张大图中），学会这个后，你能够绘制出这种图形
数据注释
演示的数据集为2016年抵美（到达美国）人数排名前十的国家数据，包含国名和具体入境人数，人数的具体单位为百万人次
- import pandas as pd
- import numpy as np
- import matplotlib.pyplot as plt
- %matplotlib inline
- plt.rcParams['font.sans-serif'] = 'SimHei'
- x_data = ['加拿大','墨西哥','英国','日本','中国','德国','韩国','法国','巴西','印度']
- y_data = [13.428347,12.255948,3.019111,2.352919,2.09833,1.322882,1.282097,1.127868,1.109066,0.874016]
有了数据后，可以非常快地画出一张柱状图
- fig,ax = plt.subplots(figsize=(16,6))
- ax.bar(x_data,y_data)
接下来开始加注释，即在柱状图上显示具体数值。在Matplotlib中，为数据加上注释有两种方式，一种是使用ax.text()，另一种则是ax.annotate()。
ax.text()
ax.text()的主要作用是为图中加上一些text，也就是文字。不仅是能够加注释，只要指定了坐标，可以在图上的任何坐标加上text。
函数中的几个重要的参数，具体介绍一下
- x：x的坐标
- y：y的坐标
- s：要加的文字
- rotation：文字旋转的角度
- fontsize：文字字体大小
- fontweight：文字字体粗细
需要注意的是，每次调用ax.text()只能生成一个Text对象，也就是说每次只能加一个注释，多个的话需要写循环生成。
所以一般加注释是这么一个流程：先确定注释的横纵坐标-->写循环调用ax.text()
- fig,ax = plt.subplots(figsize=(16,6))
- ax.bar(x_data,y_data)
- # 循环生成text
- # horizontalalignment参数设置注释居中显示
- for x,y in zip(x_data,y_data):
- ax.text(x,y+0.05,y,fontsize=14,horizontalalignment='center')
关于图表美化方面，这里暂时不过多赘述。
ax.annotate()
相比于ax.text()，ax.annotate()更像是专门为做注释而生的，annotate便是注释的意思。
ax.annotate()的注释功能更强大，除了加入文本注释外，如果有需要还能够加上箭头→进行指示。
一些主要的参数如下：
- s：注释文本
- xy：要加注释的数据点位置
- xytext：文本注释的位置，默认情况下为xy
- arrowprops：一个控制箭头的属性的dict，如果需要显示箭头，必须要设置
这里比较有意思的两个参数是xy和xytext，二者貌似没啥区别的样子，这个地方确实很容易产生困惑。
一般情况下，s和xy是必须要设置的参数，如果不指定，xytext默认和xy一致。
但如果要设置箭头的话，xy的坐标则定义了箭头的头部，xytext则指定箭头的尾部和文本注释的位置，实际画图来理解看看。
ax.annotate()和ax.text()的画图流程是一致的，都需要循环生成注释。
不设置箭头，简单加上注释
- fig,ax = plt.subplots(figsize=(16,6))
- ax.bar(x_data,y_data)
- for x,y in zip(x_data,y_data):
- ax.annotate(y,(x,y+0.05),fontsize=14,horizontalalignment='center')
加上注释并设置箭头
- fig,ax = plt.subplots(figsize=(16,6))
- ax.bar(x_data,y_data)
- # 箭头头部坐标(x,y)
- # 箭头尾部坐标（注释坐标）为(x,y+1)
- for x,y in zip(x_data,y_data):
- ax.annotate(y,xy = (x,y),xytext = (x,y+1),fontsize=14,horizontalalignment='center',
- arrowprops =dict(arrowstyle='->'))
- # 将纵坐标范围扩大
- ax.set_ylim([0,16])
设置了显示箭头之后，可以明显地看出，箭头是由xytext坐标指向xy的坐标的，所以，当你不需要设置箭头的时候，xytext设置的意义并不大。
内嵌图
内嵌图大家可能用的比较少，但这种图其实还是挺有用的。
拿上面的数据例子来说，柱状图显示了2016年抵美人数排名前十的国家的具体人数，如果这时想结合各大地域抵美人数的占比数据进行分析，该如何绘图？
一个比较直接的想法是用subplots子图来实现，比如上边显示柱状图，下边显示饼图，如下：
- zhou_name = ['西欧','亚洲','南美洲','大洋洲','加勒比地区','中东地区','中美洲','东欧','非洲']
- zhou_percent = [36.2,30.8,13.9,4.3,4.1,3.8,2.8,2.6,1.5]
- fig,ax = plt.subplots(2,1,figsize=(16,12))
- ax[0].bar(x_data,y_data)
- for x,y in zip(x_data,y_data):
- ax[0].annotate(y,(x,y+0.05),fontsize=14,horizontalalignment='center')
- ax[1].pie(zhou_percent,labels=zhou_name,autopct='%1.1f%%')
这当然是可行的，但还有更好的方案，那便是内嵌图。注意到这里的柱状图右侧有很大的留白部分，如果把饼图放到柱状图右侧的留白部分会显得更加直观。
内嵌图有两种生成方式，一种是fig.add_axes()，另一种则是使用inset_axes()。
fig.add_axes()
fig.add_axes()就是在原有的Figure上加上一个新的区域Axes，然后在这个区域中绘制图形。
使用这个方法的话需要指定新增的这个区域Axes在Figure中的相对位置和区域大小，输入参数均为相对于原来Figure的比例值，如下：
- # left和bottom控制新Axes的位置
- # width和height控制新Axes的大小（长宽）
- # 这些均用相对数来表示，大小在0-1之间
- left,bottom,width,height = [0.5,0.3,0.5,0.5]
- fig,ax1 = plt.subplots(figsize=(16,6))
- ax1.bar(x_data,y_data)
- for x,y in zip(x_data,y_data):
- ax1.annotate(y,(x,y+0.05),fontsize=14,horizontalalignment='center')
- # 运用fig.add_axes()新增一个区域Axes绘图
- ax2 = fig.add_axes([left,bottom,width,height])
- ax2.pie(zhou_percent,labels=zhou_name,autopct='%1.1f%%')
inset_axes
相比于fig.add_axes()需要对相对位置进行调试，使用inset_axes()进行绘图则可以方便进行定位。
inset_axes中的位置由参数loc设置，可以用字符串控制，也可以输入数字，具体如下：
- 'upper right' : 1
- 'upper left' : 2
- 'lower left' : 3
- ......
- 'upper center' : 9
- 'center' : 10
- # 使用前需要先导包
- from mpl_toolkits.axes_grid1.inset_locator import inset_axes
- fig,ax1 = plt.subplots(figsize=(16,6))
- ax1.bar(x_data,y_data)
- for x,y in zip(x_data,y_data):
- ax1.annotate(y,(x,y+0.05),fontsize=14,horizontalalignment='center')
- # 将内嵌图置于右侧，宽度和长度分别为相对长度
- ax2 = inset_axes(ax1,width = '60%',height = '60%',loc='right')
- ax2.pie(zhou_percent,labels=zhou_name,autopct='%1.1f%%')
美化方面这里就不再多讲了，具体可以参照这篇文章如何用 Matplotlib 画一张好看的图。
