按密度着色的一维散点图

Question

我想知道是否可以使用

mpl-scatter-density

或

datashader

创建按密度着色的 1D 散点图，如 here 所示的 2D 情况。

可以用

gaussian_kde

来完成，但是当我要表示的点数在10k以上时，速度相当慢。

另外，是否有一种方法可以在不将轴定义为

mpl-scatter-density

的情况下执行

fig.add_subplot(1, 1, 1, projection='scatter_density')

方法，而只需使用

plt.subplots

创建它们？

我尝试使用

ScatterDensityArtist

中的

mpl_scatter_density

来实现此目的，但没有成功。

这里是使用

gaussian_kde

按密度着色的一维散点图的一些示例代码。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde

# Generate fake data
data_x = np.broadcast_to(np.array([[1], [2], [3]]), (2, 3, 1000))
data_y = data_x*np.random.normal(size=(2,3,1000))

# Create subplots
nrows = 1
ncols = 2
size = 5
fig, ax_array = plt.subplots(
    nrows,
    ncols,
    figsize=(16/9*ncols*size,nrows*size),
    squeeze=False
)
for i,ax_row in enumerate(ax_array):
    for j,axes in enumerate(ax_row):
        
        index = nrows*i+j
        
        x = data_x[index,:,:]
        y = data_y[index,:,:]
        
        for x_values,y_values in zip(x,y):
            z_values = gaussian_kde(y_values)(y_values)
            idx = z_values.argsort()

            x_values, y_values, z_values = x_values[idx], y_values[idx], z_values[idx]

            axes.scatter(
                x_values,y_values,
                c=z_values, s=10,
                cmap=plt.cm.get_cmap('Reds')
            )
plt.show()

Answer 1

您可以在更少的点（例如 100 个）上对其进行评估，然后使用这些点进行插值以获得所需的

，而不是尝试在所有 

y_values

 处评估 KDE（当它由许多点组成时，这会很慢） z_values

。我发现这速度快了 50 倍（当

y_values

有 10000 个样本并且插值器以 100 个点评估 KDE 时）。例如，

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde

# get interp1d
from scipy.interpolate import interp1d


# create interpolator
def interpolated(y_values, npoints=100):
    # set y values at which to interpolate
    yvals = np.linspace(y_values.min(), y_values.max(), npoints, endpoint=True)

    # generate the interpolation function
    ifunc = interp1d(yvals, gaussian_kde(y_values)(yvals))
    return ifunc(y_values)


# Generate fake data
data_x = np.broadcast_to(np.array([[1], [2], [3]]), (2, 3, 10000))
data_y = data_x*np.random.normal(size=(2,3,10000))

# Create subplots
nrows = 1
ncols = 2
size = 5
fig, ax_array = plt.subplots(
    nrows,
    ncols,
    figsize=(16/9*ncols*size,nrows*size),
    squeeze=False
)

cmap = plt.cm.get_cmap('Reds')

for i,ax_row in enumerate(ax_array):
    for j,axes in enumerate(ax_row):
        
        index = nrows*i+j
        
        x = data_x[index,:,:]
        y = data_y[index,:,:]
        
        for x_values,y_values in zip(x,y):
            # use interpolator to get z_values
            z_values = interpolated(y_values)
            
            idx = z_values.argsort()

            x_values, y_values, z_values = x_values[idx], y_values[idx], z_values[idx]

            axes.scatter(
                x_values,y_values,
                c=z_values, s=10,
                cmap=cmap
            )
plt.show()

Answer 2

将 subplot_kw 添加到您的 plt.subplots 参数中：

fig, ax_array = plt.subplots(
    nrows,
    ncols,
    figsize=(16/9*ncols*size,nrows*size),
    squeeze=False,
    subplot_kw={'projection': 'scatter_density'}
)