ax.set_facecolor('lightgray')

这是一个针对 matplotlib 库中 Axes 对象的方法调用，用于设置 Axes 对象的背景色为浅灰色。通常用于美化图形的呈现效果。你可以通过以下代码来实现：

import matplotlib.pyplot as plt

fig, ax = plt.subplots()

ax.plot([1, 2, 3], [4, 5, 6])
ax.set_facecolor('lightgray')

plt.show()

相关问题

把三个子表之间的距离调大修改下面的代码import matplotlib.pyplot as plt import numpy as np fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(6, 4)) fig.canvas.manager.set_window_title("袁全21003170121") x1 = np.arange(0, 6, 0.01) y1 = np.square(x1) ax1.plot(x1, y1, "r-", linewidth=2.0) ax1.set_title("y=x的平方数", fontproperties="SimHei") ax1.grid(True) ax1.patch.set_facecolor("LightGray") x2 = np.arange(0, 6, 0.01) y2 = np.square(np.sin(3 * x2)) ax2.plot(x2, y2, "g-", linewidth=2.0) ax2.set_title("y=sin(3x)的平方数", fontproperties="SimHei") ax2.grid(True) ax2.patch.set_facecolor("Cornsilk") x3 = np.arange(0, 6, 0.01) y3 = np.cos(2 * x3) ax3.plot(x3, y3, "b-", linewidth=2.0) ax3.set_title("y=cos(2x)", fontproperties="SimHei") ax3.grid(True) ax3.patch.set_facecolor("Azure") plt.show()

你可以通过修改每个子图之间的间距来实现这个要求。可以使用`fig.subplots_adjust()`函数来调整子图的间距。例如，将每个子图之间的间距设置为0.5，可以将代码修改如下：

import matplotlib.pyplot as plt
import numpy as np

fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(6, 4))
fig.subplots_adjust(hspace=0.5) # 调整子图之间的间距

fig.canvas.manager.set_window_title("袁全21003170121")

x1 = np.arange(0, 6, 0.01)
y1 = np.square(x1)
ax1.plot(x1, y1, "r-", linewidth=2.0)
ax1.set_title("y=x的平方数", fontproperties="SimHei")
ax1.grid(True)
ax1.patch.set_facecolor("LightGray")

x2 = np.arange(0, 6, 0.01)
y2 = np.square(np.sin(3 * x2))
ax2.plot(x2, y2, "g-", linewidth=2.0)
ax2.set_title("y=sin(3x)的平方数", fontproperties="SimHei")
ax2.grid(True)
ax2.patch.set_facecolor("Cornsilk")

x3 = np.arange(0, 6, 0.01)
y3 = np.cos(2 * x3)
ax3.plot(x3, y3, "b-", linewidth=2.0)
ax3.set_title("y=cos(2x)", fontproperties="SimHei")
ax3.grid(True)
ax3.patch.set_facecolor("Azure")

plt.show()

你可以根据需要适当调整子图之间的间距。

优化这个代码import xarray as xr import netCDF4 as nc import pandas as pd import numpy as np import datetime import matplotlib.pyplot as plt import cartopy.mpl.ticker as cticker import cartopy.crs as ccrs import cartopy.feature as cfeature ds = xr.open_dataset('C:/Users/cindy/Desktop/SP.nc', engine='netcdf4') # 读取原始数据 ds_temp = xr.open_dataset('C:/Users/cindy/Desktop/SP.nc') # 区域提取* south_asia = ds_temp.sel(latitude=slice(38, 28), longitude=slice(75, 103)) indian_ocean = ds_temp.sel(latitude=slice(5, -15), longitude=slice(60, 100)) # 高度插值 south_asia_200hpa = south_asia.t.interp(level=200) indian_ocean_200hpa = indian_ocean.t.interp(level=200) south_asia_400hpa = south_asia.t.interp(level=400) indian_ocean_400hpa = indian_ocean.t.interp(level=400) # 区域平均 TTP = south_asia_400hpa.mean(dim=('latitude', 'longitude'))#.values TTIO = indian_ocean_400hpa.mean(dim=('latitude', 'longitude'))# TTP_200hpa = south_asia_200hpa.mean(dim=('latitude', 'longitude')) TTIO_200hpa = indian_ocean_200hpa.mean(dim=('latitude', 'longitude')) tlup=(TTP-TTIO)-(TTP_200hpa-TTIO_200hpa)-(-5.367655815) # 定义画图区域和投影方式 fig = plt.figure(figsize=[10, 8]) ax = plt.axes(projection=ccrs.PlateCarree()) # 添加地图特征 ax.set_extent([60, 140, -15, 60], crs=ccrs.PlateCarree()) ax.add_feature(cfeature.COASTLINE.with_scale('50m'), linewidths=0.5) ax.add_feature(cfeature.LAND.with_scale('50m'), facecolor='lightgray') ax.add_feature(cfeature.OCEAN.with_scale('50m'), facecolor='white') # 画距平场 im = ax.contourf(TTP_200hpa, TTP, tlup, cmap='coolwarm', levels=np.arange(-4, 4.5, 0.5), extend='both') # 添加色标 cbar = plt.colorbar(im, ax=ax, shrink=0.8) cbar.set_label('Temperature anomaly (°C)') # 添加经纬度坐标轴标签 ax.set_xticks(np.arange(60, 105, 10), crs=ccrs.PlateCarree()) ax.set_yticks(np.arange(-10, 40, 10), crs=ccrs.PlateCarree()) lon_formatter = cticker.LongitudeFormatter() lat_formatter = cticker.LatitudeFormatter() ax.xaxis.set_major_formatter(lon_formatter) ax.yaxis.set_major_formatter(lat_formatter) # 添加标题和保存图片 plt.title('Temperature anomaly at 400hPa over South Asia and the Indian Ocean') plt.savefig('temperature_anomaly.png', dpi=300) plt.show()

1. 首先，可以将多个导入语句合并为一行，以提高代码的可读性。例如：

import xarray as xr, netCDF4 as nc, pandas as pd, numpy as np, datetime
import matplotlib.pyplot as plt
import cartopy.mpl.ticker as cticker, cartopy.crs as ccrs, cartopy.feature as cfeature

2. 可以在代码中删除不必要的变量，例如 `ds` 和 `ds_temp` 都是指向同一个文件的数据集，因此只需要保留一个即可。

3. 对于数据集的区域提取和高度插值操作，可以将它们合并成一个链式操作，以减少代码行数。例如：

south_asia = ds.sel(latitude=slice(38, 28), longitude=slice(75, 103)).t.interp(level=200)
indian_ocean = ds.sel(latitude=slice(5, -15), longitude=slice(60, 100)).t.interp(level=200)

4. 对于计算平均值的操作，可以使用 `reduce` 函数，以减少代码行数。例如：

TTP, TTIO = np.array([south_asia_400hpa, indian_ocean_400hpa]).reduce(lambda x, y: x.mean(dim=('latitude', 'longitude')), axis=0)
TTIO_200hpa = indian_ocean_200hpa.mean(dim=('latitude', 'longitude'))

5. 可以将一些常量定义为全局变量或者类变量，以方便后续使用。例如：

LEVEL = 400
SLICE_LATITUDE = slice(38, 28)
SLICE_LONGITUDE = slice(75, 103)
SLICE_IO_LATITUDE = slice(5, -15)
SLICE_IO_LONGITUDE = slice(60, 100)
TITLE = 'Temperature anomaly at {}hPa over South Asia and the Indian Ocean'.format(LEVEL)

6. 可以将绘图的代码封装为一个函数，以提高代码的可读性和复用性。例如：

def plot_temperature_anomaly(TTP, TTIO, TTP_200hpa, TTIO_200hpa, tlup):
    fig = plt.figure(figsize=[10, 8])
    ax = plt.axes(projection=ccrs.PlateCarree())
    
    ax.set_extent([60, 140, -15, 60], crs=ccrs.PlateCarree())
    ax.add_feature(cfeature.COASTLINE.with_scale('50m'), linewidths=0.5)
    ax.add_feature(cfeature.LAND.with_scale('50m'), facecolor='lightgray')
    ax.add_feature(cfeature.OCEAN.with_scale('50m'), facecolor='white')
    
    im = ax.contourf(TTP_200hpa, TTP, tlup, cmap='coolwarm', levels=np.arange(-4, 4.5, 0.5), extend='both')
    
    cbar = plt.colorbar(im, ax=ax, shrink=0.8)
    cbar.set_label('Temperature anomaly (°C)')
    
    ax.set_xticks(np.arange(60, 105, 10), crs=ccrs.PlateCarree())
    ax.set_yticks(np.arange(-10, 40, 10), crs=ccrs.PlateCarree())
    lon_formatter = cticker.LongitudeFormatter()
    lat_formatter = cticker.LatitudeFormatter()
    ax.xaxis.set_major_formatter(lon_formatter)
    ax.yaxis.set_major_formatter(lat_formatter)
    
    plt.title(TITLE)
    plt.savefig('temperature_anomaly.png', dpi=300)
    plt.show()

7. 最后，可以将所有操作封装为一个函数，以方便调用。例如：

def calculate_and_plot_temperature_anomaly(filename):
    ds = xr.open_dataset(filename)
    
    south_asia = ds.sel(latitude=SLICE_LATITUDE, longitude=SLICE_LONGITUDE).t.interp(level=LEVEL)
    indian_ocean = ds.sel(latitude=SLICE_IO_LATITUDE, longitude=SLICE_IO_LONGITUDE).t.interp(level=LEVEL)
    south_asia_200hpa = south_asia.t.interp(level=200)
    indian_ocean_200hpa = indian_ocean.t.interp(level=200)
    
    TTP, TTIO = np.array([south_asia, indian_ocean]).reduce(lambda x, y: x.mean(dim=('latitude', 'longitude')), axis=0)
    TTP_200hpa = south_asia_200hpa.mean(dim=('latitude', 'longitude'))
    TTIO_200hpa = indian_ocean_200hpa.mean(dim=('latitude', 'longitude'))
    
    tlup=(TTP-TTIO)-(TTP_200hpa-TTIO_200hpa)-(-5.367655815)
    
    plot_temperature_anomaly(TTP, TTIO, TTP_200hpa, TTIO_200hpa, tlup)

这样，我们就可以通过调用 `calculate_and_plot_temperature_anomaly(filename)` 函数来计算和绘制温度距平图了。