如何在 Matplotlib 中精准添加多组垂直参考线（含合并图表场景）-Python教程-PHP中文网

如何在 Matplotlib 中精准添加多组垂直参考线（含合并图表场景）

本文详解如何在合并的双类别柱状图中，为不同数据子集（如 call/put）分别绘制对应分位数的垂直参考线，核心在于统一 x 轴索引映射，避免因 dataframe 索引错位导致线条位置错误。

本文详解如何在合并的双类别柱状图中，为不同数据子集（如 call/put）分别绘制对应分位数的垂直参考线，核心在于统一 x 轴索引映射，避免因 dataframe 索引错位导致线条位置错误。

在使用 seaborn.barplot 或 matplotlib.pyplot.bar 绘制合并后的分类柱状图（例如 CALL 与 PUT 的 CDF 对比）时，一个常见却易被忽视的问题是：直接使用原始 DataFrame 的 .idxmin() 返回的索引值调用 plt.axvline(x=...) 会导致垂直线位置严重偏移。这是因为 barplot 默认将 x 轴按 data['STRIKE'] 的唯一值自动排序并分配整数位置（0, 1, 2, …），而原始索引（如 CALL.index）与绘图坐标系中的视觉位置完全不一致。

✅ 正确解法的核心逻辑是：

统一构建有序的 x 轴刻度序列：提取合并后所有唯一 STRIKE 值并排序；
映射分位数对应的实际绘图位置：遍历该序列，找到目标 STRIKE 值所在的位置索引（即 0-based integer position）；
基于该位置索引绘制 axvline，并可叠加文本标注增强可读性。

以下是完整、可复现的专业实践代码（已优化结构与健壮性）：

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# ✅ 步骤 1：预计算各子集的分位数对应 STIKE 值（注意：使用 'STRIKE' 列，非索引）
nearest_40_call = CALL.loc[(CALL['Percentile'] - 0.4).abs().idxmin(), 'STRIKE']
nearest_80_call = CALL.loc[(CALL['Percentile'] - 0.8).abs().idxmin(), 'STRIKE']
nearest_40_put  = PUT.loc[(PUT['Percentile'] - 0.4).abs().idxmin(), 'STRIKE']
nearest_80_put  = PUT.loc[(PUT['Percentile'] - 0.8).abs().idxmin(), 'STRIKE']

# ✅ 步骤 2：构建全局有序 STRIKE 序列（barplot 实际使用的 x 轴位置基础）
all_strikes = sorted(pd.concat([CALL, PUT])['STRIKE'].unique())

# ✅ 步骤 3：映射每个目标 STIKE 到 barplot 的整数位置（关键！）
def strike_to_position(strike_val, strike_list):
    try:
        return strike_list.index(strike_val)
    except ValueError:
        # 若精确匹配失败，取最接近的值位置（增强鲁棒性）
        idx = np.argmin(np.abs(np.array(strike_list) - strike_val))
        return idx

pos_40_call = strike_to_position(nearest_40_call, all_strikes)
pos_80_call = strike_to_position(nearest_80_call, all_strikes)
pos_40_put  = strike_to_position(nearest_40_put,  all_strikes)
pos_80_put  = strike_to_position(nearest_80_put,  all_strikes)

# ✅ 步骤 4：绘制合并柱状图 + 精准垂直线
plt.figure(figsize=(16, 6))
sns.barplot(x='STRIKE', y='CDF', hue='hue', data=pd.concat([CALL, PUT]), 
            palette={'CALL': 'lightgreen', 'PUT': 'orange'}, 
            dodge=True,  # 明确启用分组柱状图（若 hue 存在）
            order=all_strikes)  # 强制按统一顺序排列 x 轴

# 添加垂直线（使用映射后的位置索引）
for pos, label, color in [
    (pos_40_call, f'40% CALL ({nearest_40_call})', 'red'),
    (pos_80_call, f'80% CALL ({nearest_80_call})', 'darkred'),
    (pos_40_put,  f'40% PUT ({nearest_40_put})',  'steelblue'),
    (pos_80_put,  f'80% PUT ({nearest_80_put})',  'darkblue')
]:
    plt.axvline(x=pos, color=color, linestyle='--', linewidth=1.2, alpha=0.9)

# ✅ 可选：添加顶部标注提升信息密度
y_max = plt.ylim()[1] * 0.95
for pos, label, color in [
    (pos_40_call, f'40% CALL', 'red'),
    (pos_80_call, f'80% CALL', 'darkred'),
    (pos_40_put,  f'40% PUT',  'steelblue'),
    (pos_80_put,  f'80% PUT',  'darkblue')
]:
    plt.text(pos, y_max, label, ha='center', va='bottom', 
             fontsize=9, fontweight='bold', color=color)

# 设置标签与图例
plt.xlabel('Strike Price', fontsize=11)
plt.ylabel('Cumulative Distribution Function (CDF)', fontsize=11)
plt.title('CDF Comparison: CALL vs PUT with 40% & 80% Percentile Lines', fontsize=13, pad=15)
plt.xticks(rotation=45, ha='right')
plt.grid(axis='y', alpha=0.3)

# 自定义图例（避免 axvline 干扰）
from matplotlib.patches import Patch
legend_elements = [
    Patch(facecolor='lightgreen', edgecolor='k', label='CALL'),
    Patch(facecolor='orange', edgecolor='k', label='PUT')
]
plt.legend(handles=legend_elements, loc='upper left', frameon=True, fancybox=True, shadow=False)

plt.tight_layout()
plt.show()

⚠️ 关键注意事项：

❌ 切勿直接使用 df.idxmin() 结果作为 axvline(x=...) 参数——它返回的是原始 DataFrame 行号，而非 barplot 的视觉坐标；
✅ 务必通过 order=all_strikes 显式控制 barplot 的 x 轴顺序，并基于该列表做位置映射；
? 若 STRIKE 为浮点数，建议在 strike_to_position 中加入容差匹配（如 np.isclose），避免因精度问题找不到精确值；
? axvline 的 x 值始终是整数位置索引（0, 1, 2…），而非原始 STRIKE 数值本身；
? 如需区分更多类别或分位数，只需扩展映射逻辑与循环即可，架构高度可复用。

掌握这一“索引映射”范式，你不仅能准确绘制多组垂直参考线，更能举一反三地解决各类混合图表中坐标对齐难题——这是数据可视化从“能画”迈向“精准表达”的关键一步。