本教程详细讲解如何在matplotlib中实现轴刻度的自定义定位与标签设置。当绘图数据基于绝对坐标（如物理尺寸）时，我们可能需要轴刻度显示更具业务意义的相对参考（如网格编号）。通过利用`set_xticks()`、`set_yticks()`、`set_xticklabels()`和`set_yticklabels()`函数，本文将指导读者如何将绝对数据点映射到自定义的相对刻度标签上，从而提升图表的可读性和实用性。
在许多工程和制造场景中，我们可能需要根据部件的实际物理坐标（绝对位置）来绘制特征点，例如机器零件上的引脚位置。然而，对于人工检查或参考，直接显示这些毫米级的绝对坐标作为轴刻度并不直观。相反，使用更具逻辑意义的相对参考，如“列1”、“行2”等，能显著提高图表的可读性和实用性。Matplotlib提供了强大的功能来满足这种需求，允许我们独立地设置轴刻度的位置和其对应的显示标签。
核心概念：轴刻度位置与标签的解耦
Matplotlib的Axes对象提供了以下关键方法来精确控制轴刻度：
- set_xticks(ticks) / set_yticks(ticks): 这些函数用于指定轴上刻度线应该出现在哪些数据坐标位置。ticks参数是一个数值列表，表示数据空间中的绝对位置。
- set_xticklabels(labels) / set_yticklabels(labels): 这些函数用于为先前通过set_xticks()或set_yticks()设置的刻度位置指定自定义的显示标签。labels参数是一个字符串列表，其长度必须与刻度位置列表的长度相匹配。
通过结合使用这两组函数，我们可以在图表上以绝对坐标绘制数据，但同时在轴上展示具有业务意义的相对标签。
实践指南：将绝对坐标映射到相对标签
我们将通过一个具体的示例来演示如何实现这一目标。假设我们有一组机械引脚的数据，包含其绝对X/Y坐标以及对应的相对列/行编号。
1. 数据准备
首先，我们需要准备包含绝对位置和相对标识的数据。这里使用pandas DataFrame来组织数据。
import pandas as pd
from matplotlib import pyplot as plt
# 模拟数据：引脚ID、绝对X/Y坐标、相对列/行编号
ID = ['C1;R2', 'C2;R2', 'C1;R1', 'C2;R1'] # 引脚标识
X = [-160.1, -110.1, -160.1, -110.1] # 绝对X坐标 (毫米)
Y = [974.9, 974.9, 924.9, 924.9] # 绝对Y坐标 (毫米)
COLUMN = ['1', '2', '1', '2'] # 相对列编号
ROW = ['2', '2', '1', '1'] # 相对行编号
# 合并列表并创建DataFrame
list_of_tuples = list(zip(ID, X, Y, COLUMN, ROW))
Data = pd.DataFrame(list_of_tuples, columns=['ID', 'X', 'Y', 'COLUMN', 'ROW'])
print("DataFrame数据预览:")
print(Data)输出的DataFrame将如下所示：
DataFrame数据预览:
ID X Y COLUMN ROW
0 C1;R2 -160.1 974.9 1 2
1 C2;R2 -110.1 974.9 2 2
2 C1;R1 -160.1 924.9 1 1
3 C2;R1 -110.1 924.9 2 12. 初始绘图
使用绝对X/Y坐标绘制散点图，并为每个点添加ID标签。
fig, ax = plt.subplots(figsize=(8, 6)) # 设置图表大小
# 绘制散点图，使用绝对X和Y坐标
ax.scatter(Data['X'], Data['Y'], s=100, zorder=2) # s为点的大小，zorder确保点在文本下方
# 为每个点添加ID标签
for index, row in Data.iterrows():
ax.text(row['X'], row['Y'], row['ID'], ha='center', va='bottom', fontsize=9, zorder=3)
# 设置图表标题
ax.set_title("引脚参考图", size=18)此时，如果直接plt.show()，轴刻度将显示为默认的绝对X/Y数值。
3. 自定义轴刻度位置与标签
现在，我们将应用核心方法来改变轴刻度的显示方式。
确定刻度位置（绝对坐标）: 我们需要在哪些绝对X/Y坐标处显示刻度。根据数据，X坐标有-160.1和-110.1，Y坐标有924.9和974.9。
定义刻度标签（相对参考）: 对于X轴，-160.1对应相对列'1'，-110.1对应相对列'2'。 对于Y轴，924.9对应相对行'1'，974.9对应相对行'2'。
将上述逻辑集成到代码中：
# 定义自定义刻度位置（使用绝对坐标）
# X轴刻度：对应Data['X']中的唯一值
ax.set_xticks(Data['X'].unique())
# Y轴刻度：对应Data['Y']中的唯一值
ax.set_yticks(Data['Y'].unique())
# 定义自定义轴刻度标签（使用相对编号）
# 注意：标签列表的顺序必须与set_xticks/set_yticks中刻度位置的顺序相匹配
x_unique_sorted = sorted(Data['X'].unique()) # 确保顺序一致
y_unique_sorted = sorted(Data['Y'].unique())
# 根据排序后的绝对坐标获取对应的相对标签
xlabels = [Data[Data['X'] == x_val]['COLUMN'].iloc[0] for x_val in x_unique_sorted]
ylabels = [Data[Data['Y'] == y_val]['ROW'].iloc[0] for y_val in y_unique_sorted]
# 应用新的标签到自定义刻度位置
ax.set_xticklabels(xlabels)
ax.set_yticklabels(ylabels)
# 更新轴标签以反映新的意义
plt.xlabel('列 (COLUMN)')
plt.ylabel('行 (ROW)')
# 调整布局并显示图表
plt.tight_layout()
plt.show()完整示例代码
将所有部分整合，形成一个完整的、可运行的脚本：
import pandas as pd
from matplotlib import pyplot as plt
# 1. 数据准备
ID = ['C1;R2', 'C2;R2', 'C1;R1', 'C2;R1']
X = [-160.1, -110.1, -160.1, -110.1]
Y = [974.9, 974.9, 924.9, 924.9]
COLUMN = ['1', '2', '1', '2']
ROW = ['2', '2', '1', '1']
list_of_tuples = list(zip(ID, X, Y, COLUMN, ROW))
Data = pd.DataFrame(list_of_tuples, columns=['ID', 'X', 'Y', 'COLUMN', 'ROW'])
# 2. 初始绘图设置
fig, ax = plt.subplots(figsize=(8, 6))
# 绘制散点图
ax.scatter(Data['X'], Data['Y'], s=100, c='blue', alpha=0.8, zorder=2)
# 为每个点添加ID标签
for index, row in Data.iterrows():
ax.text(row['X'], row['Y'], row['ID'], ha='center', va='bottom', fontsize=9, zorder=3, color='black')
# 设置图表标题
ax.set_title("引脚参考图", size=18)
# 3. 自定义轴刻度位置与标签
# 获取唯一的绝对X/Y坐标作为刻度位置，并确保排序以匹配标签
unique_x_coords = sorted(Data['X'].unique())
unique_y_coords = sorted(Data['Y'].unique())
ax.set_xticks(unique_x_coords)
ax.set_yticks(unique_y_coords)
# 根据排序后的绝对坐标，找到对应的相对列/行编号作为标签
# 注意：这里假设每个唯一的X坐标都对应一个唯一的COLUMN值，Y坐标对应唯一的ROW值
xlabels = [Data[Data['X'] == x_val]['COLUMN'].iloc[0] for x_val in unique_x_coords]
ylabels = [Data[Data['Y'] == y_val]['ROW'].iloc[0] for y_val in unique_y_coords]
# 应用新的自定义标签
ax.set_xticklabels(xlabels)
ax.set_yticklabels(ylabels)
# 更新轴标签以反映新的意义
plt.xlabel('列 (COLUMN)', fontsize=12)
plt.ylabel('行 (ROW)', fontsize=12)
# 调整图表布局
plt.grid(True, linestyle='--', alpha=0.7) # 添加网格线
plt.tight_layout()
# 显示图表
plt.show()注意事项与总结
- 刻度位置与标签的顺序匹配: 使用set_xticklabels()或set_yticklabels()时，提供的标签列表的顺序必须与set_xticks()或set_yticks()中定义的刻度位置的顺序严格对应。如果顺序不一致，标签将会错位。在上述示例中，我们通过sorted()确保了绝对坐标的顺序，并以此顺序提取了对应的相对标签。
- 轴标签的更新: 当轴刻度不再表示原始的X/Y物理位置时，务必更新plt.xlabel()和plt.ylabel()以反映其新的含义（例如，从“X Position”改为“COLUMN”）。
- 动态生成: 对于拥有多种部件型号和不同引脚数量及位置的场景，可以编写函数来动态地获取unique_x_coords、unique_y_coords以及对应的xlabels和ylabels，从而实现高度的自动化，避免手动编码。
- 复杂映射: 如果绝对坐标与相对标签之间存在更复杂的非一对一映射关系，可能需要更精细的数据处理逻辑来生成正确的xlabels和ylabels列表。
- 可读性: 这种方法极大地提高了图表的可读性，使得观察者能够根据熟悉的相对参考系快速定位和理解数据点，而无需手动将绝对坐标转换。
通过本教程，您应该已经掌握了在Matplotlib中灵活自定义轴刻度位置和标签的方法。这对于创建既能精确呈现数据又能直观传达信息的专业图表至关重要。
