python气象绘图windrose
#导入包
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from matplotlib.ticker import FuncFormatter
import matplotlib as mpl
mpl.rcParams[\'font.sans-serif\'] = [\'SimHei\'] #设置简黑字体
mpl.rcParams[\'axes.unicode_minus\'] = False #设置负号正常显示
#----获取数据DataFrames，index*columns。index表示不同值范围，columns表示十六个风向
data = pd.DataFrame(wind_d_max_num_per,
index=[\'15\', \'15~25\', \'25~35\', \'35~45\',\"≥45\"],
columns=\'N NNE NE ENE E ESE SE SSE S SSW SW WSW W WNW NW NNW\'.split())
N = 16 # 风速分布为16个方向
theta = np.linspace(0, 2*np.pi, N, endpoint=False) # 获取16个方向的角度值
width = np.pi / 4 * 0.4 # 绘制扇型的宽度，可以自行调整0.5时是360，充满，有间隔的话小于0.5即可
labels = list(data.columns) # 自定义坐标标签为 N ， NSN， ……# 开始绘图
plt.figure(figsize=(6,6),dpi=600)
ax = plt.subplot(111, projection=\'polar\')
#----自定义颜色
mycolor =[\'cornflowerblue\',\'orange\',\'mediumseagreen\',\'lightcoral\',\'cyan\']
#----循环画风玫瑰图
i=0
for idx in data.index:
print(idx)
# 每一行绘制一个扇形
radii = data.loc[idx] # 每一行数据
if i == 0:
ax.bar(theta, radii, width=width, bottom=0.0, label=idx, tick_label=labels,
color=mycolor[i])
else:
ax.bar(theta, radii, width=width, bottom=np.sum(data.loc[data.index[0:i]]), label=idx, tick_label=labels,
color=mycolor[i])
i=i+1
#此种画法，注意bottom设置，第一个bottom为0，后续bottom需要在前一个基础上增加。
ax.set_xticks(theta)
ax.set_xticklabels(labels,fontdict={\'weight\':\'bold\',\'size\':15,\'color\':\'k\'})
ax.set_theta_zero_location(\'N\') #设置零度方向北
ax.set_theta_direction(-1) # 逆时针方向绘图
#----设置y坐标轴以百分数显示
plt.gca().yaxis.set_major_formatter(FuncFormatter(lambda s, position: \'{:.0f}%\'.format(100*s)))
plt.legend(loc=4, bbox_to_anchor=(0.05, -0.25),fontsize=12) # 将label显示出来， 并调整位置
#----保存图片
plt.savefig(\"./windrose1.svg\")
用python对txt数据进行绘图
## 绘制该文件中的数据
## 需要引入pylab库，里面用到的函数和MATLAB里的非常类似
def plotData(X, y):
length = len(y)
pylab.figure(1)
pylab.plot(X, y, \'rx\')
pylab.xlabel(\'Population of City in 10,000s\')
pylab.ylabel(\'Profit in $10,000s\')
pylab.show()#让绘制的图像在屏幕上显示出来
Python气象数据处理与绘图(1)：数据读取
python很多库支持了对nc格式文件的读取，比如NetCDF4，PyNio(PyNio和PyNgl可以看做是NCL的Python版本)以及Xarray等等。
我最初使用PyNio，但是由于NCL到Python的移植并不完全，导致目前远不如直接使用NCL方便，而在接触Xarray库后，发现其功能强大远超NCL(也可能是我NCL太菜的原因)。
安装同其它库一致：
我这里以一套中国逐日最高温度格点资料(CN05.1)为例，其水平精度为0.5°X0.5°。
可以看到，文件的坐标有时间， 经度，纬度，变量有日最高温
我们将最高温数据取出
这与Linux系统中的ncl_filedump指令看到的信息是类似的
Xarray在读取坐标信息时，自动将时间坐标读取为了datetime64 格式，这对我们挑选目的时间十分方便。Xarray通常与pandas配合使用。
比如我们想选取1979.06.01-1979.06.20时期数据，我们只需
再比如我们想选取夏季数据时，只需
更多的时间操作同python的datetime函数类似。
当我们想选取特定经纬度范围(高度)的数据时，.loc[]函数同样可以解决。
在这里，我选取了40°N-55°N，115°E-135°E范围的数据
甚至，我们还可以套娃，同时叠加时间和范围的选取
这足够满足常用到的数据索引要求。
对于这类简单排列的.txt文件，可以通过np.load读取，用pandas的.read_csv更为方便
读取txt的同时，对每列赋予了一个列名，通过data.a可以直接按列名调用相应数据。
对于较复杂的.txt文件，仍可通过该函数读取
skiprows=5跳过了前5行的文件头，sep=\'\\s+\'定义了数据间隔为空格，这里用的是正则表达。
pd.read_csv函数有很多的参数，可以处理各种复杂情况下的文本文件读取。
grib文件可通过pygrib库读取
import pygrib
f = pygrib.open(\'xxx.grb\')
如何使用python绘制gwas分析中的曼哈顿图和qq图
曼哈顿图和QQ图是两个在全基因组关联（GWAS）分析里面最常出现的图形，基本上已经是GWAS的标配，几乎在每篇GWAS的文章都会见到，它们的作用和所要传达出来的信息我也在上一篇关于GWAS的博文中做了些说明，在这里我们就只集中在如何用Python和geneview将其有效地展现出来。
首先，准备一些数据来作为例子。
我这里用来展现的数据是2011年丹麦人所做过的一个关于年轻人过度肥胖的GWAS研究——GOYA，数据也是从他们所发表的结果中获得，总共有5,373个样本，其中超重的个体（case）有2,633个，正常的个体（control）是2,740个，从样本量上看还算可以。为了方便使用，我对其做了相关的处理，包括从PED和MAP文件到GEN文件的生成，并重复了一次case-control的关联性分析，计算出了芯片上所研究的各个SNP位点与肥胖相关的显著性程度（即p-value），最后又将结果数据抽取出来做成数据集——放在这里供下载（15.6Mb，csv格式）。
【注】以上内容虽提及到了一些领域内术语和相关文件格式，但若不懂也请不必纠结，因为后续处理都是基于这个最终的数据集来完成的。
接着，需要将geneview软件包加入到你的Python中，有多种不同的方式，但推荐直接使用pip，以下是安装比较稳定的发布版，直接在终端命令行下(Linux or Mac)输入：
pip install geneview
或者，也可以直接从github上安装正在开发的版本：
pip install git+git://github.com/ShujiaHuang/geneview.git#egg=geneview
第三种办法就是直接下载源码，然后自行编译，虽然不推荐这种做法（因为还有依赖包必须自行下载安装，过程会比较麻烦低效），但对于某些不能连接外网的集群也只能如此，这三种方式都是可行的。
曼哈顿图
将示例数据下载下来：
wget
先简单地查看一下数据的格式:
chrID,rsID,position,pvalue
1,rs3094315,742429,0.144586
1,rs3115860,743268,0.230022
1,rs12562034,758311,0.644366
1,rs12124819,766409,0.146269
1,rs4475691,836671,0.458197
1,rs28705211,890368,0.362731
1,rs13303118,908247,0.22912
1,rs9777703,918699,0.37948
1,rs3121567,933331,0.440824
一共是4列（逗号分隔），分别为：[1]染色体编号，[2]SNP rs 编号，[3] 位点在染色体上的位置，[4]显著性差异程度（pvalue）。在本例曼哈顿图中我们只需要使用第1,3和4列；而QQ图则只需要第4列——pvalue。
下面先从绘制曼哈顿图开始。我们先将需要的数据读取到一个列表中，可以这样做：
import csv
data = []
with open(\"GOYA.csv\") as f:
f_csv = csv.reader(f)
headers = next(f_csv)
data = [[row[0], int(row[2]), float(row[3])] for row in f_csv]
现在GOYA.csv中的数据就都存放在data列表中了，由于Python在读取文件中数据时，都是以string类型存放，因此对于第3和第4列的数据有必要事先把做点类型转换。
接下来，调用geneview中的曼哈顿图函数。
import matplotlib.pyplot as plt
from geneview.gwas import manhattanplot
ax = manhattanplot(data, xlabel=\"Chromosome\", ylabel=\"-Log10(P-value)\") # 这就是Manhattan plot的函数
plt.show()
只需这样的一句代码就能创建一个漂亮的曼哈顿图，有必要再次指出的是，geneview是以matplotlib为基础开发出来的，所创建的图形对象实际上仍属于matplotlib，geneview内部自定义了很多图形风格，同时封装了大量只属于基因组数据的图表类型，但图形的输出格式以及界面显示都仍和matplotlib一样，因此在这里我们使用matplotlib.pyplot的show()函数(上例中：plt.show())将所绘制出来的曼哈顿图显示出来。如果要将图形保存下来，则只需执行`plt.savefig(\"man.png\")`，这样就会在该目录下生成一个名为『man.png』png格式的曼哈顿图，若是要存为pdf格式，则只需将所要保存的文件名后缀改成『.pdf』（plt.savefig(\"man.pdf\")）就可以了。下面这些格式：emf,
eps, pdf, png, jpg, ps, raw, rgba, svg,
svgz等都是支持的，至于最新的还有多少种，还请参照matplotlib文档中说明。
此外，geneview中的每个画图函数都有着足够的灵活性，我们也可以根据自己的需要做一些调整，比如：
xtick = [\'1\', \'2\',\'3\',\'4\',\'5\',\'6\',\'7\',\'8\',\'9\',\'10\',\'11\',\'12\',\'13\',\'14\',\'16\',\'18\', \'20\',\'22\']
manhattanplot(data,
xlabel=\"Chromosome\", # 设置x轴名字
ylabel=\"-Log10(P-value)\", # 设置y轴名字
xtick_label_set = set(xtick), # 限定横坐标轴上的刻度显示
s=40, # 设置图中散点的大小
alpha=0.5, # 调整散点透明度
color=\"#f28b1e,#9a0dea,#ea0dcc,#63b8ff\", # 设置新的颜色组合
)
实现新的颜色组合、限定x轴上的刻度显示和散点大小的调节。甚至还可以将散点改为线：
manhattanplot(data，
xlabel=\"Chromosome\", # 设置x轴名字
ylabel=\"-Log10(P-value)\", # 设置y轴名字
xtick_label_set = set(xtick), # 限定横坐标轴上的刻度显示
alpha=0.5, # 调整散点透明度
color=\"#f28b1e,#9a0dea,#ea0dcc,#63b8ff\", # 设置新的颜色组合
kind=\"line\"
)
其它方面的调整请查看geneview文档中的相关说明。
Q-Q图
qq图只需用到上例中的pvalue那一列：
import csv
import matplotlib.pyplot as plt
from geneview.gwas import qqplot
pvalue=[]
with open(\"GOYA.csv\") as f:
f_csv = csv.reader(f)
headers = next(f_csv)
pvalue = [float(row[3]) for row in f_csv]
ax = qqplot(pvalue, color=\"#00bb33\", xlabel=\"Expected p-value(-log10)\", ylabel=\"Observed p-value(-log10)\") # Q-Q 图
plt.show()
同样，也可以根据自己的需要对改图进行相关的调整。
以上，便是如何使用Python来制作Manhattan图和QQ图的方法，geneview的集成函数简化了这样的一个过程。
如何用python绘制简单条形图？
如何用python绘制简单条形图呢？这里离不开matplotlib的使用。
条形图是数据可视化图形中很基础也很常用的一种图，简单解释下：条形图也叫长条图（英语：bar chart），亦称条图（英语：bar graph）、条状图、棒形图、柱状图、条形图表，是一种以长方形的长度为变量的统计图表。长条图用来比较两个或以上的价值（不同时间或者不同条件），只有一个变量，通常利用于较小的数据集分析。长条图亦可横向排列，或用多维方式表达。
那么一个普通的条形图是长什么样子的呢？
当！当！当！就是下图的这个样子：
图先亮出来啦，接下来研究这个图是怎么画的吧，先看一下原数据长什么样子：
实际画图的流程和画折线图很相近，只是用到的画图函数不一样，绘制条形图的函数plt.bar（）：
由于这只是最简单的一个条形图，实际上条形图的函数plt.bar（）还有不少可以探索的参数设置，和对折线图函数plt.plot()的探索差不多，有兴趣的孩子可以自己去进行探索哦。
按照条形长短进行排序展示的条形图
当然也可以有其他的设置，比如说上图中的线条高低参差不齐，这是因为x轴的数据是按照学校名称进行排序的，那么可不可以按照分数的高低进行排序呢？也就是让所有的长方形按照从高到矮或者从矮到高的顺序进行排列？
当然可以啦！这里需要强调的是，条的高低排列等信息都是来源于原数据的，要想让条形的顺序发生改变，需要对画图的来源数据进行更改呢！
把原数据逆序排序后截取前十名数据赋值给data_yuwen，作为新的数据源传入画图函数plt.bar()，画出来的图自然就不一样了。
先看一眼数据长什么样子：
根据这个数据源绘制出的图形如下，由于用来画图的数据进行了降序排序操作，所以生成条形图的条也会进行降序排序展示：
很多时候，我们常见的条形图还有另一种展现形式，那就是横向的条形图，比较火的那种动态条形图绝大多数也都是横向的条形图，那么横向的条形图如何绘制呢？
理解plt.bar()主要参数
其实也不难，只要清楚plt.bar()函数中主要参数的作用就可以了！条形图函数中有五个主要参数，分别是x，height，width，bottom，orientation。其中x控制的是每个条在x轴上位置，height控制的是每个条的长度，width控制的是每个条的宽度，bottom控制的是每个条在y轴方向的起始位置，orientation控制的是条形的方向，是纵向还是横向，默认是纵向的。
通过一个小例子理解下这几个参数的作用：
上边的几行代码输出的图形如下：
对比着代码和实际输出的条形图，各个主要参数的作用是不是一目了然啦？
横向条形图
理解了这几个参数作用后，纵向的条形图转换成横向的条形图就没什么难度了！
需要设置所有条形在x轴的位置都为0，也就全部从最左侧开始画条形;由于是横向条形图，所以实际上条的宽度显示的是数据大小，将width参数设置成原数据中的语文成绩；bottom控制每个条在y轴方向的起始位置，设置bottom=range（10）设置每个条形在y轴的起始位置各不相同避免有条形重叠；height控制的是每个条在y轴方向上的长度，条形图横向设置后，在y轴上的长度失去了衡量数据的意义，所以直接设置一个常数即可；最后设置条形的方向为横向，即orientation=“horizontal”。
温馨提示：数据和标签一定要匹配，即plt.bar()重点的数据要和plt.yticks()中提取出来的标签一一对应，一旦不匹配，整个图展现的结果就是一个错误的结果！
上述代码生成的条形图如下：
感觉上边这种生成横向条形图的方式有点点绕，和人们的习惯认知有点不大一样，难道画一个横向条形图就非得转变自己的习惯认知这么反人类吗？
当然不是的，实际上有更简单的方法绘制一个横向条形图，之所以没有一开始就直接用这种简单的方法，也是为了让大家体会下条形图参数的灵活设置而已，而且如果比较绕的方法都能理解了，简单的方法理解和运用起来就更没有难度了啊！
不卖关子了，我们来认识下和plt.bar()函数类似的plt.barh()函数。
plt.barh()函数是专门绘制水平条形图的函数，主要的参数有：
y 控制y轴显示的标签来源width 控制横向条形的长度，即用来进行对比的数据源height 条形的宽度需要设置的参数主要就是这三个，比用plt.bar()函数绘制水平条形图简单了很多，具体代码如下：
效果图：
和用plt.bar()函数绘制的横向条形图一毛一样对不对？以后有需求绘制横向条形图，尽量用plt.barh()函数吧，毕竟它是专门绘制这种类型图的，简单好用。
然而实际工作中对于条形图的需求不只是这些，比如例子中只是对各个学校语文成绩的展示，有时候需要各个学科的成绩同时展现在一幅条形图中，有时候也需要绘制堆积条形图对各学科的成绩以及总成绩进行展示，这些图又该如何绘制呢？其实只要理解了各个参数的含义，绘制这些图也不在话下，至于具体怎么画，且看下回分解啊！
您可以选择一种方式赞助本站
赏