Skip to content
The Chat Archive
o1-mini-2024-09-12· OpenAI WildChat-4.8M (AI2)

以下是一段绘图的代码,我希望将多个子图绘制在同一张图中,配上相应的图例,同时将x轴更改为科学计数法,如何实现 [code]

  1. User

    以下是一段绘图的代码,我希望将多个子图绘制在同一张图中,配上相应的图例,同时将x轴更改为科学计数法,如何实现

    plt.figure(figsize=(8, 6))
            for j, model in enumerate(models):
                if model.__class__.__name__ == "AutoencoderKL2D":
                    latent_dist = model.encode(target_normalized).latent_dist
                elif model.__class__.__name__ == "AutoencoderKLCausal3D" and not model.disable_causal_conv:
                    latent_dist = model.encode(target_normalized).latent_dist
                elif model.__class__.__name__ == "AutoencoderKLCausal3D" and model.disable_causal_conv:
                    if T == 1:
                        target_normalized = target_normalized.expand(-1, -1, 4, -1, -1)
                    else:
                        target_normalized = target_normalized[:, :, :-1, ...]
                    latent_dist = model.encode(target_normalized).latent_dist
                else:
                    raise NotImplementedError(f"{model.__name__} is not supported")
    
                std_inf_norm = torch.linalg.vector_norm(latent_dist.std, float("inf")).item()
                print(f"sample-{i}-model-{j}: {std_inf_norm}")
    
                plt.subplot(1, len(models), j+1)
                plt.title(f"model-{i}")
                plt.xlabel('std_value')
                plt.ylabel('Probability Densit')
                sns.histplot(latent_dist.std.cpu().numpy().flatten(), bins=30, kde=True, color='skyblue', stat='density')
                
            plt.tight_layout()
            plt.savefig(f"{output_dir}/sample-{i}.png", dpi=300, bbox_inches="tight")
            plt.close()
    
  2. Assistant

    要将多个子图绘制在同一张图中,并为每个子图添加相应的图例,同时将 x 轴设置为科学计数法,可以按照以下步骤修改您的代码:

    1. 在同一张图中绘制多个模型的分布:使用 sns.histplot 多次绘制不同模型的数据,并为每个模型添加标签,以便在图例中区分。
    2. 添加图例:通过 plt.legend() 显示每个模型的标签。
    3. 设置 x 轴为科学计数法:使用 matplotlib.ticker 模块中的 ScalarFormatter 和 FuncFormatter 来格式化 x 轴。

    以下是修改后的代码示例:

    import matplotlib.pyplot as plt
    import seaborn as sns
    import matplotlib.ticker as mtick
    import torch
    
    # 假设 models 是您的模型列表,target_normalized 是输入数据,i 是样本编号,output_dir 是输出目录
    plt.figure(figsize=(10, 7))
    
    for j, model in enumerate(models):
        if model.__class__.__name__ == "AutoencoderKL2D":
            latent_dist = model.encode(target_normalized).latent_dist
        elif model.__class__.__name__ == "AutoencoderKLCausal3D" and not model.disable_causal_conv:
            latent_dist = model.encode(target_normalized).latent_dist
        elif model.__class__.__name__ == "AutoencoderKLCausal3D" and model.disable_causal_conv:
            if T == 1:
                target_normalized = target_normalized.expand(-1, -1, 4, -1, -1)
            else:
                target_normalized = target_normalized[:, :, :-1, ...]
            latent_dist = model.encode(target_normalized).latent_dist
        else:
            raise NotImplementedError(f"{model.__class__.__name__} is not supported")
    
        std_inf_norm = torch.linalg.vector_norm(latent_dist.std, float("inf")).item()
        print(f"sample-{i}-model-{j}: {std_inf_norm}")
    
        # 绘制每个模型的直方图
        sns.histplot(
            latent_dist.std.cpu().numpy().flatten(),
            bins=30,
            kde=True,
            label=f"Model {j+1}",  # 设置图例标签
            stat='density',
            alpha=0.6  # 设置透明度以便重叠时更易区分
        )
    
    plt.title(f"Sample-{i} Latent Standard Deviation Distribution")
    plt.xlabel('std_value')
    plt.ylabel('Probability Density')
    
    # 设置 x 轴为科学计数法
    ax = plt.gca()
    ax.xaxis.set_major_formatter(mtick.ScalarFormatter(useMathText=True))
    ax.ticklabel_format(style='sci', axis='x', scilimits=(0,0))
    
    # 添加图例
    plt.legend(title='Models')
    
    plt.tight_layout()
    plt.savefig(f"{output_dir}/sample-{i}.png", dpi=300, bbox_inches="tight")
    plt.close()
    

    详细说明

    1. 绘制多个模型的分布:

      • 使用 sns.histplot 多次绘制不同模型的数据。通过 label 参数为每个模型添加标签,用于图例显示。
      • alpha 参数设置为 0.6,使得重叠部分半透明,便于区分不同模型的数据分布。
    2. 添加图例:

      • plt.legend(title='Models') 添加图例,标题为 "Models"。图例会根据 sns.histplot 中的 label 参数自动生成。
    3. 设置 x 轴为科学计数法:

      • 使用 matplotlib.ticker.ScalarFormatter 并启用数学文本格式,通过 useMathText=True 让科学计数法显示为 ( 1 \times 10^x ) 的形式。
      • 使用 ax.ticklabel_format(style='sci', axis='x', scilimits=(0,0)) 强制 x 轴使用科学计数法。

    如果需要使用子图

    如果您的需求实际上是将每个模型的数据绘制在不同的子图中,但仍然希望在每个子图中添加图例并设置 x 轴为科学计数法,可以使用 plt.subplots 来创建多个子图,例如:

    import matplotlib.pyplot as plt
    import seaborn as sns
    import matplotlib.ticker as mtick
    import torch
    
    num_models = len(models)
    fig, axes = plt.subplots(1, num_models, figsize=(6 * num_models, 6), sharey=True)
    
    for j, (model, ax) in enumerate(zip(models, axes)):
        if model.__class__.__name__ == "AutoencoderKL2D":
            latent_dist = model.encode(target_normalized).latent_dist
        elif model.__class__.__name__ == "AutoencoderKLCausal3D" and not model.disable_causal_conv:
            latent_dist = model.encode(target_normalized).latent_dist
        elif model.__class__.__name__ == "AutoencoderKLCausal3D" and model.disable_causal_conv:
            if T == 1:
                target_normalized = target_normalized.expand(-1, -1, 4, -1, -1)
            else:
                target_normalized = target_normalized[:, :, :-1, ...]
            latent_dist = model.encode(target_normalized).latent_dist
        else:
            raise NotImplementedError(f"{model.__class__.__name__} is not supported")
    
        std_inf_norm = torch.linalg.vector_norm(latent_dist.std, float("inf")).item()
        print(f"sample-{i}-model-{j}: {std_inf_norm}")
    
        sns.histplot(
            latent_dist.std.cpu().numpy().flatten(),
            bins=30,
            kde=True,
            ax=ax,
            color='skyblue',
            stat='density'
        )
        
        ax.set_title(f"Model {j+1}")
        ax.set_xlabel('std_value')
        ax.set_ylabel('Probability Density')
    
        # 设置 x 轴为科学计数法
        ax.xaxis.set_major_formatter(mtick.ScalarFormatter(useMathText=True))
        ax.ticklabel_format(style='sci', axis='x', scilimits=(0,0))
    
    fig.suptitle(f"Sample-{i} Latent Standard Deviation Distributions", fontsize=16)
    fig.tight_layout(rect=[0, 0.03, 1, 0.95])
    plt.savefig(f"{output_dir}/sample-{i}.png", dpi=300, bbox_inches="tight")
    plt.close()
    

    关键点

    • 共享 y 轴:通过 sharey=True 参数让所有子图共享 y 轴,提高对比性。
    • 独立子图设置:每个子图都有自己的标题和轴标签,并单独设置 x 轴为科学计数法。
    • 统一布局:使用 fig.tight_layout() 和调整 rect 参数,确保主标题不被子图遮挡。

    根据您的具体需求,选择将多个模型的数据绘制在同一张图上(带图例)或在多个子图中分别显示。如果有任何进一步的问题或需要更多自定义,请随时告诉我!