Comment créer un graphique avec deux axes Y à l'aide de Matplotlib ?

Published: 31 mai 2014
Updated: 14 décembre 2024
| Tags: Matplotlib;
| Comments
DMCA.com Protection Status

Published: 31 mai 2014

Updated: 14 décembre 2024

Tags: Matplotlib;

DMCA.com Protection Status

Introduction

Créer un graphique avec deux axes Y peut être utile pour visualiser des données qui partagent le même axe X mais ont des échelles ou des unités différentes. Matplotlib, une bibliothèque puissante de traçage pour Python, offre des méthodes simples pour y parvenir. Voici un guide étape par étape.

Table des matières

Ajouter un second axe Y avec la méthode twinx

Importer les bibliothèques nécessaires

Commencez par importer Matplotlib et d'autres bibliothèques nécessaires.

1
2
import matplotlib.pyplot as plt
import numpy as np

Générer des données d'exemple

Pour la démonstration, créez deux ensembles de données à visualiser sur le même graphique.

1
2
3
x = np.linspace(0, 10, 100)  # Axe X commun
y1 = np.sin(x)  # Premier ensemble de données
y2 = np.exp(x / 3)  # Deuxième ensemble de données

Créer le graphique principal

Utilisez la méthode subplots pour créer une figure et un axe pour le premier axe Y.

1
2
3
4
5
6
7
fig, ax1 = plt.subplots()

# Tracer le premier ensemble de données
ax1.plot(x, y1, 'b-', label='Onde sinusoïdale')
ax1.set_xlabel('Axe X')
ax1.set_ylabel('Sinus', color='b')
ax1.tick_params(axis='y', labelcolor='b')

Ajouter un second axe Y

Utilisez la méthode twinx pour ajouter un second axe Y qui partage le même axe X.

1
2
3
4
5
6
ax2 = ax1.twinx()  # Créer un second axe partageant l'axe X

# Tracer le deuxième ensemble de données
ax2.plot(x, y2, 'r-', label='Croissance exponentielle')
ax2.set_ylabel('Exponentielle', color='r')
ax2.tick_params(axis='y', labelcolor='r')

Ajouter un titre et une légende

Personnalisez le graphique avec des titres et des légendes.

1
2
3
4
5
fig.suptitle('Graphique avec deux axes Y')

# Facultatif : ajouter des légendes
ax1.legend(loc='upper left')
ax2.legend(loc='upper right')

Afficher le graphique

Enfin, affichez le graphique avec la méthode show.

1
plt.show()

Code complet

Voici le script complet :

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
import matplotlib.pyplot as plt
import numpy as np

# Générer des données
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.exp(x / 3)

# Créer le graphique pour le premier axe Y
fig, ax1 = plt.subplots()
ax1.plot(x, y1, 'b-', label='Onde sinusoïdale')
ax1.set_xlabel('Axe X')
ax1.set_ylabel('Sinus', color='b')
ax1.tick_params(axis='y', labelcolor='b')

# Ajouter un second axe Y
ax2 = ax1.twinx()
ax2.plot(x, y2, 'r-', label='Croissance exponentielle')
ax2.set_ylabel('Exponentielle', color='r')
ax2.tick_params(axis='y', labelcolor='r')

# Ajouter le titre et les légendes
fig.suptitle('Graphique avec deux axes Y')
ax1.legend(loc='upper left')
ax2.legend(loc='upper right')

# Afficher le graphique
plt.show()

Sortie

Le graphique résultant aura :
- Un axe X partagé.
- La courbe sinusoïdale (y1) sur l'axe Y gauche avec des étiquettes et une ligne bleues.
- La courbe exponentielle (y2) sur l'axe Y droit avec des étiquettes et une ligne rouges.

How to Create a Plot with Two Y-Axes Using Matplotlib ?
How to Create a Plot with Two Y-Axes Using Matplotlib ?

Notes importantes

  • Utilisez des couleurs différentes pour chaque axe afin d'améliorer la lisibilité.
  • Assurez-vous que les ensembles de données ont une relation logique ou justifiée pour être visualisés ensemble.
  • Si une personnalisation supplémentaire est nécessaire, la documentation exhaustive de Matplotlib peut être une ressource utile.

Un autre exemple

Code pour créer un graphique avec deux axes Y visualisant les concentrations atmosphériques de CO₂ et les anomalies de température mondiales. Le graphique combine un tracé linéaire pour le CO₂ et un graphique en barres pour les anomalies de température.

Importer les bibliothèques

1
2
3
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
  • pandas : Utilisé pour charger et traiter les données de séries chronologiques.
  • matplotlib.pyplot : Utilisé pour réaliser les graphiques.
  • numpy : Fournit des utilitaires numériques.

Charger et préparer les données de CO₂

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
# Charger les données de CO₂
co2_data = pd.read_csv(
    "./inputs/co2_mm_mlo.csv",  # Remplacer par le chemin de votre fichier
    skiprows=40,                # Sauter les lignes d'en-tête spécifiques au jeu de données
    na_values=["-99.99"]        # Gérer les valeurs manquantes
)
co2_data = co2_data.dropna()  # Supprimer les lignes avec des données manquantes

# Créer une colonne datetime à partir de l'année et du mois
co2_data['date'] = pd.to_datetime(co2_data[['year', 'month']].assign(day=1))
  • Charge les données mensuelles de CO₂ de l'Observatoire de Mauna Loa.
  • Nettoie le jeu de données et combine l'année et le mois en un objet datetime pour le tracé.

Charger et préparer les données des anomalies de température

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
# Charger les données des anomalies de température
temp_data = pd.read_csv(
    "./inputs/GLB.Ts+dSST.csv",  # Remplacer par le chemin de votre fichier
    skiprows=1                   # Sauter la ligne d'en-tête
)

# Renommer et sélectionner les colonnes pertinentes
temp_data = temp_data.rename(columns={"Year": "year", "J-D": "anomaly"})
temp_data = temp_data[['year', 'anomaly']]

# Ajouter une colonne datetime (mi-année pour les données annuelles)
temp_data['date'] = pd.to_datetime(temp_data['year'].astype(str) + '-07-01')
  • Charge les données des anomalies de température mondiales et les nettoie en renommant et en sélectionnant les colonnes nécessaires.
  • Convertit la colonne year en un objet datetime pour l'alignement avec les données de CO₂.

Aligner et filtrer les données

1
2
3
4
5
6
7
8
9
# Filtrer les données pour la plage de dates partagée
start_date = max(co2_data['date'].min(), temp_data['date'].min())
end_date = min(co2_data['date'].max(), temp_data['date'].max())
co2_filtered = co2_data[(co2_data['date'] >= start_date) & (co2_data['date'] <= end_date)]
temp_filtered = temp_data[(temp_data['date'] >= start_date) & (temp_data['date'] <= end_date)]

# Assurer que la colonne 'anomaly' est numérique et supprimer les lignes invalides
temp_filtered['anomaly'] = pd.to_numeric(temp_filtered['anomaly'], errors='coerce')
temp_filtered = temp_filtered.dropna(subset=['anomaly'])
  • Aligne les données de CO₂ et de température en filtrant la plage de dates qui se chevauche.
  • Convertit la colonne anomaly en numérique et supprime les lignes invalides.

Séparer les anomalies positives et négatives

1
2
3
# Séparer les données en anomalies positives et négatives
positive_anomalies = temp_filtered[temp_filtered['anomaly'] > 0]
negative_anomalies = temp_filtered[temp_filtered['anomaly'] <= 0]
  • Divise les données des anomalies de température en deux sous-ensembles : anomalies positives (rouge) et anomalies négatives (bleu).

Créer le graphique

1
2
3
4
5
6
7
8
fig, ax1 = plt.subplots(figsize=(10, 6))

# Tracer les données de CO₂
ax1.plot(co2_filtered['year'], co2_filtered['average'], 'g-', label='CO₂ (ppm)')
ax1.set_xlabel('Année')
ax1.set_ylabel('Concentration de CO₂ (ppm)', color='g')
ax1.tick_params(axis='y', colors='g')
ax1.legend(loc='upper left')
  • Crée le premier axe Y pour les données de CO₂ avec un tracé linéaire vert.

Ajouter un second axe Y pour les anomalies de température

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
# Ajouter un second axe pour les anomalies de température
ax2 = ax1.twinx()

# Tracer les barres avec différentes couleurs pour les anomalies
ax2.bar(positive_anomalies['year'], positive_anomalies['anomaly'], color='r', alpha=0.7, label='Anomalie positive')
ax2.bar(negative_anomalies['year'], negative_anomalies['anomaly'], color='b', alpha=0.7, label='Anomalie négative')

# Définir l'étiquette et le format de l'axe Y secondaire
ax2.set_ylabel('Anomalie de température (°C)', color='k')
ax2.tick_params(axis='y', colors='k')
ax2.legend(loc='upper right')
  • Ajoute un second axe Y pour les anomalies de température.
  • Utilise un graphique en barres avec des barres rouges pour les anomalies positives et bleues pour les anomalies négatives.

Ajouter un titre et afficher le graphique

1
2
3
4
5
# Ajouter le titre et la grille
plt.title('CO₂ atmosphérique et anomalies de température mondiales')
plt.grid()
plt.tight_layout()
plt.show()
  • Ajoute un titre, une grille, et ajuste la mise en page pour éviter les chevauchements.

Code complet

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# Charger les données de CO₂
co2_data = pd.read_csv(
    "./inputs/co2_mm_mlo.csv",  # Remplacer par le chemin de votre fichier
    skiprows=40,
    na_values=["-99.99"])

co2_data = co2_data.dropna()
co2_data['date'] = pd.to_datetime(co2_data[['year', 'month']].assign(day=1))

# Charger les données des anomalies de température
temp_data = pd.read_csv(
    "./inputs/GLB.Ts+dSST.csv",  # Remplacer par le chemin de votre fichier
    skiprows=1
)

temp_data = temp_data.rename(columns={"Year": "year", "J-D": "anomaly"})
temp_data = temp_data[['year', 'anomaly']]
temp_data['date'] = pd.to_datetime(temp_data['year'].astype(str) + '-07-01')  # Mi-année pour les données annuelles

start_date = max(co2_data['date'].min(), temp_data['date'].min())
end_date = min(co2_data['date'].max(), temp_data['date'].max())
co2_filtered = co2_data[(co2_data['date'] >= start_date) & (co2_data['date'] <= end_date)]
temp_filtered = temp_data[(temp_data['date'] >= start_date) & (temp_data['date'] <= end_date)]

# Assurer que la colonne 'anomaly' est numérique
temp_filtered['anomaly'] = pd.to_numeric(temp_filtered['anomaly'], errors='coerce')

# Supprimer les lignes avec des valeurs NaN dans 'anomaly' après conversion
temp_filtered = temp_filtered.dropna(subset=['anomaly'])

# Séparer les données en anomalies positives et négatives
positive_anomalies = temp_filtered[temp_filtered['anomaly'] > 0]
negative_anomalies = temp_filtered[temp_filtered['anomaly'] <= 0]

# Tracé
fig, ax1 = plt.subplots(figsize=(10, 6))

# Tracer les données de CO₂
ax1.plot(co2_filtered['year'], co2_filtered['average'], 'g-', label='CO₂ (ppm)')
ax1.set_xlabel('Année')
ax1.set_ylabel('Concentration de CO₂ (ppm)', color='g')
ax1.tick_params(axis='y', colors='g')
ax1.legend(loc='upper left')

# Ajouter un second axe pour les anomalies de température
ax2 = ax1.twinx()

# Tracer les barres avec différentes couleurs
ax2.bar(positive_anomalies['year'], positive_anomalies['anomaly'], color='r', alpha=0.7, label='Anomalie positive')
ax2.bar(negative_anomalies['year'], negative_anomalies['anomaly'], color='b', alpha=0.7, label='Anomalie négative')

# Définir l'étiquette et le format de l'axe Y secondaire
ax2.set_ylabel('Anomalie de température (°C)', color='k')
ax2.tick_params(axis='y', colors='k')
ax2.legend(loc='upper right')

# Ajouter le titre et la grille
plt.title('CO₂ atmosphérique et anomalies de température mondiales')
plt.grid()
plt.tight_layout()
plt.show()

Sortie

  • Axe Y gauche : Concentration de CO₂ (ppm) sous forme de tracé linéaire vert.
  • Axe Y droit : Anomalies de température (°C) sous forme de barres rouges et bleues.
  • Le graphique fournit une visualisation claire de la relation entre les niveaux de CO₂ et les anomalies de température mondiales au fil du temps.

How to Create a Plot with Two Y-Axes Using Matplotlib ?
How to Create a Plot with Two Y-Axes Using Matplotlib ?

Notes clés

  • Remplacez les chemins de fichier ("./inputs/co2_mm_mlo.csv" et "./inputs/GLB.Ts+dSST.csv") par les emplacements réels des fichiers sur votre système.
  • Assurez-vous que les formats de données correspondent aux attentes du code, ou ajustez les noms des colonnes et la logique de parsing si nécessaire.

Références

Liens Site
twinx matplotlib.org
Trends in CO2, CH4, N2O, SF6 gml.noaa.gov
If carbon dioxide hits a new high every year, why isn’t every year hotter than the last? climate.gov
GISS Surface Temperature Analysis (GISTEMP v4) data.giss.nasa.gov
Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Author profile-image

Benjamin

Salut, je suis Ben, le fondateur de moonbooks.org. Je travaille en tant que chercheur spécialisé dans la télédétection par satellite de la Terre, en me concentrant particulièrement sur la détection des incendies à l'aide des capteurs VIIRS et ABI. Mes domaines d'expertise incluent Python, l'apprentissage automatique et la science ouverte. N'hésitez pas à me contacter si vous remarquez des erreurs sur le site. Je m'efforce constamment de l'améliorer. Merci !

Skills
  • Remote sensing
  • Python
  • Machine Learning
  • Tensorflow 2.0
Image

of