Python中的反转轴方向

我有这个函数，修改自

#/usr/bin/env python
#版权：本文件已被置于公共领域。
"""
泰勒图（Taylor，2001）测试实现。
http://www-pcmdi.llnl.gov/about/staff/Taylor/CV/Taylor_diagram_primer.htm
"""
__version=“时间戳：”
__作者（Yannick Copin）
将numpy作为NP导入
将matplotlib.pyplot作为PLT导入
TaylorDiagram类（对象）：
“泰勒图：绘制模型标准偏差和相关性
参考单象限极坐标图中的（数据）样本
r=STDEV，θ=arccos（相关性）。
"""
定义初始化（self，refstd，fig=None，rect=111，label=''）：
“”“设置泰勒图轴，即单象限极坐标
使用mpl_toolkits.AxisArtister.floating_Axis.refstd打印
要比较的参考标准偏差。
"""
从matplotlib.projections导入极坐标
将mpl_toolkits.AxisArtister.floating_轴作为FA导入
将mpl_toolkits.AxisArtister.grid_finder作为GF导入
self.refstd=refstd#参考标准偏差
tr=PolarAxes.PolarTransform（）
#相关正标签
rlocs=NP.连接（（[-0.99，-0.9]，NP.arange（-0.8,0,0.2），
NP.arange（0,0.9,0.2），[0.9,0.99]））
tlocs=NP.arccos（rlocs）#极角转换
gl1=GF.固定定位器（tlocs）#位置
tf1=GF.DictFormatter（dict（zip（tlocs，map（str，rlocs）））
#标准偏差轴范围
self.smin=0
self.smax=2*self.refstd/self.refstd
ghelper=FA.GridHelperCurveLinear（tr，
极值=（0，NP.pi，#第1象限
self.smin，self.smax），
网格定位器1=gl1，
勾选格式化程序1=tf1，
)                          
如果fig为无：
图=PLT.图（）
ax=FA.FloatingSubplot（图、矩形、网格\u helper=ghelper）
图添加_子批次（ax）
#调整轴
ax.轴[“顶部”]。设置_轴_方向（“底部”）#“角度轴”
ax.轴[“顶部”]切换（ticklabels=True，label=True）
ax.轴[“顶部”]。主刻度标签。设置轴方向（“顶部”）
轴[“顶部”]标签。设置轴方向（“顶部”）
轴[“顶部”]。标签。设置文本（“相关性”）
轴[“左”]。设置轴方向（“右”）#“X轴”
轴[“右”]切换（ticklebels=True）
ax.轴[“右”]。主刻度标签。设置轴方向（“底部”）
#ax.轴[“底部”]标签.设置文本（“标准偏差”）
轴[“右”]。设置轴方向（“左”）#“Y轴”
#轴[“右”]切换（ticklebels=True）
ax.轴[“右”]。主刻度标签。设置轴方向（“右”）
ax.轴[“底部”]。设置为可见（假）#无用
#沿标准差的等高线
ax.grid（假）
自。_ax=ax#图形轴
self.ax=ax.get_辅助轴（tr）#极坐标
#添加参考点和STDEV等高线
打印“参考标准：”，self.refstd/self.refstd
l、 =self.ax.plot（[0]，self.refstd/self.refstd，'k*'，
ls=''，ms=10，label=label）
t=NP.linspace（0，NP.pi）
r=NP.类零（t）+self.refstd/self.refstd
self.ax.plot（t，r，'k--'，label='''uU'）
#收集样本点以供以后使用（例如图例）
self.samplePoints=[l]
def add_样本（自身、标准差、修正系数、*args、**kwargs）：
“”“将示例（stddev、corrcoff）添加到泰勒图中。args
和KWARG直接传播到Figure.plot
命令。”“”
l、 =self.ax.plot（NP.arccos（corrcoef）），stddev/self.refstd，
*args，**kwargs）#（θ，半径）
self.samplePoints.append（l）
返回l
def add_等高线（自身，标高=5，**kwargs）：
“”“添加以常数为中心的RMS差等高线。”“”
rs，ts=NP.meshgrid（NP.linspace（self.smin，self.smax），
NP.linspace（0，NP.pi））
#计算中心均方根差
rms=NP.sqrt（（自参考标准/自参考标准）**2+rs**2-2*（自参考标准/自参考标准）*rs*NP.cos（ts））
等高线=自身最大等高线（ts、rs、rms、标高，**kwargs）
回归等值线
如果“名称”=“\uuuuuuuu主要”：
#参考数据集
x=NP.linspace（0,4*NP.pi，100）
数据=NP.sin（x）
参考标准=数据标准（ddof=1）#参考标准偏差
#模型
m1=数据+0.2*NP.random.randn（len（x））#模型1
m2=0.8*数据+0.1*NP.random.randn（len（x））#模型2
m3=NP.sin（x-NP.pi/10）#模型3
#计算模型的STDEV和相关系数
samples=NP.array（[[m.std（ddof=1），NP.corrcoef（data，m）[0,1]]
对于m英寸（m1，m2，m3）]）
图=PLT.图（图尺寸=（10,4））
ax1=图add_子批次（1,2,1，xlabel='X'，ylabel='Y'）
#泰勒图
直径=TaylorDiagram（参考标准，图=fig，rect=122，标签=“参考”）
颜色=PLT.matplotlib.cm.jet（NP.linspace（0,1，len（样本）））
ax1.绘图（x，数据，'ko'，标签='data'）
对于枚举中的i，m（[m1，m2，m3]）：
ax1.plot（x，m，c=colors[i]，label='Model%d'（i+1））
ax1.图例（numpoints=1，prop=dict（size='small'），loc='best'）
#向泰勒图中添加示例
对于枚举（样本）中的i（stddev，corrcoef）：
直径添加样本（标准偏差、误差、标记='s'，ls=''，c=颜色[i]，
label=“型号%d”%（i+1））
#添加RMS等高线，并为其添加标签
等高线=直径添加等高线（颜色=0.5'）
PLT.clabel（等高线，内联=1，字体大小=10）
#添加人物图例
图图例（直径取样点，
[p.获取直径采样点中p的_标签]，
numpoints=1，prop=dict（size='small'），l
#!/usr/bin/env python
# Copyright: This document has been placed in the public domain.

"""
Taylor diagram (Taylor, 2001) test implementation.
http://www-pcmdi.llnl.gov/about/staff/Taylor/CV/Taylor_diagram_primer.htm
"""

__version__ = "Time-stamp: <2012-02-17 20:59:35 ycopin>"
__author__ = "Yannick Copin <yannick.copin@laposte.net>"

import numpy as NP
import matplotlib.pyplot as PLT

class TaylorDiagram(object):
    """Taylor diagram: plot model standard deviation and correlation
    to reference (data) sample in a single-quadrant polar plot, with
    r=stddev and theta=arccos(correlation).
    """

    def __init__(self, refstd, fig=None, rect=111, label='_'):
        """Set up Taylor diagram axes, i.e. single quadrant polar
        plot, using mpl_toolkits.axisartist.floating_axes. refstd is
        the reference standard deviation to be compared to.
        """

        from matplotlib.projections import PolarAxes
        import mpl_toolkits.axisartist.floating_axes as FA
        import mpl_toolkits.axisartist.grid_finder as GF

        self.refstd = refstd            # Reference standard deviation

        tr = PolarAxes.PolarTransform()

        # Correlation positive labels
        rlocs = NP.concatenate(([-0.99,-0.9],NP.arange(-0.8,0,0.2),
                                NP.arange(0,0.9,0.2),[0.9,0.99]))
        tlocs = NP.arccos(rlocs)        # Conversion to polar angles
        gl1 = GF.FixedLocator(tlocs)    # Positions
        tf1 = GF.DictFormatter(dict(zip(tlocs, map(str,rlocs))))

        # Standard deviation axis extent
        self.smin = 0
        self.smax = 2*self.refstd/self.refstd

        ghelper = FA.GridHelperCurveLinear(tr,
                                           extremes=(0,NP.pi, # 1st quadrant
                                                     self.smin,self.smax),
                                           grid_locator1=gl1,
                                           tick_formatter1=tf1,
                                           )                          


        if fig is None:
            fig = PLT.figure()

        ax = FA.FloatingSubplot(fig, rect, grid_helper=ghelper)
        fig.add_subplot(ax)

        # Adjust axes
        ax.axis["top"].set_axis_direction("bottom")  # "Angle axis"
        ax.axis["top"].toggle(ticklabels=True, label=True)
        ax.axis["top"].major_ticklabels.set_axis_direction("top")
        ax.axis["top"].label.set_axis_direction("top")
        ax.axis["top"].label.set_text("Correlation")


        ax.axis["left"].set_axis_direction("right") # "X axis"
        ax.axis["right"].toggle(ticklabels=True)
        ax.axis["right"].major_ticklabels.set_axis_direction("bottom")

        #ax.axis["bottom"].label.set_text("Standard deviation")

        ax.axis["right"].set_axis_direction("left")   # "Y axis"
        #ax.axis["right"].toggle(ticklabels=True)
        ax.axis["right"].major_ticklabels.set_axis_direction("right")

        ax.axis["bottom"].set_visible(False)         # Useless

        # Contours along standard deviations
        ax.grid(False)

        self._ax = ax                   # Graphical axes
        self.ax = ax.get_aux_axes(tr)   # Polar coordinates

        # Add reference point and stddev contour
        print "Reference std:", self.refstd/self.refstd
        l, = self.ax.plot([0], self.refstd/self.refstd, 'k*',
                          ls='', ms=10, label=label)
        t = NP.linspace(0, NP.pi)
        r = NP.zeros_like(t) + self.refstd/self.refstd
        self.ax.plot(t,r, 'k--', label='_')

        # Collect sample points for latter use (e.g. legend)
        self.samplePoints = [l]

    def add_sample(self, stddev, corrcoef, *args, **kwargs):
        """Add sample (stddev,corrcoeff) to the Taylor diagram. args
        and kwargs are directly propagated to the Figure.plot
        command."""

        l, = self.ax.plot(NP.arccos(corrcoef), stddev/self.refstd,
                          *args, **kwargs) # (theta,radius)
        self.samplePoints.append(l)

        return l

    def add_contours(self, levels=5, **kwargs):
        """Add constant centered RMS difference contours."""

        rs,ts = NP.meshgrid(NP.linspace(self.smin,self.smax),
                            NP.linspace(0,NP.pi))
        # Compute centered RMS difference
        rms = NP.sqrt((self.refstd/self.refstd)**2 + rs**2 - 2*(self.refstd/self.refstd)*rs*NP.cos(ts))

        contours = self.ax.contour(ts, rs, rms, levels, **kwargs)

        return contours


if __name__=='__main__':

    # Reference dataset
    x = NP.linspace(0,4*NP.pi,100)
    data = NP.sin(x)
    refstd = data.std(ddof=1)           # Reference standard deviation

    # Models
    m1 = data + 0.2*NP.random.randn(len(x))    # Model 1
    m2 = 0.8*data + .1*NP.random.randn(len(x)) # Model 2
    m3 = NP.sin(x-NP.pi/10)                    # Model 3

    # Compute stddev and correlation coefficient of models
    samples = NP.array([ [m.std(ddof=1), NP.corrcoef(data, m)[0,1]]
                         for m in (m1,m2,m3)])

    fig = PLT.figure(figsize=(10,4))

    ax1 = fig.add_subplot(1,2,1, xlabel='X', ylabel='Y')
    # Taylor diagram
    dia = TaylorDiagram(refstd, fig=fig, rect=122, label="Reference")

    colors = PLT.matplotlib.cm.jet(NP.linspace(0,1,len(samples)))

    ax1.plot(x,data,'ko', label='Data')
    for i,m in enumerate([m1,m2,m3]):
        ax1.plot(x,m, c=colors[i], label='Model %d' % (i+1))
    ax1.legend(numpoints=1, prop=dict(size='small'), loc='best')

    # Add samples to Taylor diagram
    for i,(stddev,corrcoef) in enumerate(samples):
        dia.add_sample(stddev, corrcoef, marker='s', ls='', c=colors[i],
                       label="Model %d" % (i+1))

    # Add RMS contours, and label them
    contours = dia.add_contours(colors='0.5')
    PLT.clabel(contours, inline=1, fontsize=10)

    # Add a figure legend
    fig.legend(dia.samplePoints,
               [ p.get_label() for p in dia.samplePoints ],
               numpoints=1, prop=dict(size='small'), loc='upper right')


    PLT.show()

        ax.axis["right"].major_ticklabels.set_axis_direction("right")

        ax.axis["right"].major_ticklabels.set_axis_direction("bottom")