在 Matplotlib 中以对数刻度将文本旋转到一行上

Question

问题

我正在处理对数刻度的数据，并希望旋转它以适合一条线。我知道该模型，但不确定我应该插入哪个角度transform_angles以恢复正确的旋转。经过一些试验和错误后，我知道对于我需要的轴限制，答案大约是 10 度。

移动电源

import matplotlib.pylab as plt
import numpy as np

plt.clf()
plt.yscale('log')
plt.ylim((1e-11, 1e-1))  # Other data is usually plotted and these are the ranges I need. 
plt.xlim((-0.2, 7.2))
x_fit = np.linspace(0.8, 3.2, 1000)
y_ols = (lambda x: np.exp(np.log(2)*(-20.8 + -1.23 * x)))(x_fit)  # I get these numbers from OLS fitting. 
plt.plot(x_fit, y_ols, 'b-', dashes='', label='__nolegend__')
plt.gca().text(np.min(x_fit), 1.2*y_ols[0], r'$O(2^{{ {:.3}x }})$'.format(-1.23), rotation=-10).set_bbox(dict(facecolor='w', alpha=0.7, edgecolor='k', linewidth=0))  # There are several others lines which have been omitted. 

类似的问题（在调整大小后保持文本在数据坐标系中旋转？）只使用线性轴，matplotlib 演示也是如此。

对剧情的评论回答评论

---

• 在我的完整图中，我使用具有该twinx()功能的双轴（均在对数刻度上）。所有数据都绘制在ax1其上使用 log-10 标度（如图所示）。（我可以更明确地写yscale('log', basey=10)......）。最终我想要一个 base-10 轴。
• 制作中使用的模型y_ols来自对一些原始数据的回归拟合，需要以 2 为基数。在对数尺度上，很容易在任何所需的基数中恢复梯度。

使用渐变

使用 的混合np.gradient 和角度（以弧度为单位）恢复对数刻度上的梯度很容易np.arctan，但我似乎无法恢复接近 10 度（0.17 弧度）的数字。

transData.transform_angles(np.array((np.mean(np.gradient(np.log10(y_ols), np.mean(np.diff(x_fit)))),)), np.array([np.min(x_fit), 1.2*y_ols[0]]).reshape((1, 2)), radians=True)[0]

给出-1.6弧度（大约 -90 度），而我需要一个更接近0.17弧度的数字。也许我应该使用不同的基础，或者我做错了（因此是帖子）。

附加 - 垂直偏移

从代码中可以看出，我在使用1.2*y_ols[0]. 如果解决方案需要考虑到这一点，那就更好了。

Answer 1

请注意，我提供了一个通用类来实现这一点，作为对原始问题的回答。这将在轴限制更改或缩放事件等上更新自身。它也适用于对数刻度。

因此，在下文中，我将仅提供线性和对数刻度之间的比较，以帮助理解使用对数或线性刻度与链接的matplotlib“text_rotation_relative_to_line”示例中的方法之间实际上没有任何区别。

您首先计算数据坐标中的角度。这可以很容易地用numpy.arctan2前两个数据（或任何其他接近数据对）的差异作为参数来完成。
然后使用ax.transData.transform_angles将数据坐标中给出的角度转换为屏幕坐标中的角度。

下面是在线性和对数尺度上针对同一案例的示例（从另一个答案中获取数据）。

import matplotlib.pyplot as plt
import numpy as np

fig, (ax1, ax2) = plt.subplots(nrows=2, figsize=(6, 4), sharex=True)

ax2.set_yscale('log')
ax2.set(ylim=(1e-11, 1e-1), xlim=(-0.2, 7.2))

x = np.linspace(0.8, 6.2, 100)
y = (lambda x: 10**(( -2 - x)))(x)  

# angle in data coordinates
angle_data = np.rad2deg(np.arctan2(y[1]-y[0], x[1]-x[0]))

# Apply the exact same code to linear and log axes
for ax in (ax1, ax2):

    ax.plot(x, y, 'b-')

    # angle in screen coordinates
    angle_screen = ax.transData.transform_angles(np.array((angle_data,)), 
                                              np.array([x[0], y[0]]).reshape((1, 2)))[0]

    # using `annotate` allows to specify an offset in units of points
    ax.annotate("Text", xy=(x[0],y[0]), xytext=(2,2), textcoords="offset points", 
                rotation_mode='anchor', rotation=angle_screen)

plt.show()