使用偏移变换创建阴影特效

　　ScaledTranslation的另一个用途是创建另一个变换的偏移新变换，例如，将一个对象相对于另一个对象偏移一点。通常，您希望偏移在某种物理尺度上，如点或英寸，而不是在数据坐标中，这样在不同的缩放级别和dpi设置下，偏移效果是恒定的。　　偏移的一个用途是创建阴影特效，即在其右侧和下方绘制一个与第一个对象相同的对象，调整zorder参数以确保首先绘制阴影，然后在其之上绘制阴影的源对象。　　在这里，与上面相反的顺序使用ScaledTranslation进行变换。首先在数据坐标（ax.transData）中绘制图表，然后使用fig.dpi_scale_trans偏移dx和dy点。（在排版中，一个点是1/72英寸，通过以点为单位指定偏移量，无论保存的dpi分辨率如何，图形看起来都是一样的。）

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

import numpy as npimport matplotlib.pyplot as pltimport matplotlib.transforms as transforms
fig, ax = plt.subplots()
# make a simple sine wavex = np.arange(0., 2., 0.01)y = np.sin(2*np.pi*x)line, = ax.plot(x, y, lw=3, color='blue')
# shift the object over 2 points, and down 2 pointsdx, dy = 2/72., -2/72.offset = transforms.ScaledTranslation(dx, dy, fig.dpi_scale_trans)shadow_transform = ax.transData + offset
# now plot the same data with our offset transform;# use the zorder to make sure we are below the lineax.plot(x, y, lw=3, color='gray',        transform=shadow_transform,        zorder=0.5*line.get_zorder())
ax.set_title('creating a shadow effect with an offset transform')plt.show()

注意：

　　dpi和英寸偏移量是一个非常常见的用例，我们有一个特殊的辅助函数来在matplotlib.transforms.offset_copy()中创建它，它返回一个添加了偏移量的新变换。因此，本例的阴影转换可以改为：

· 

· 

shadow_transform = transforms.offset_copy(ax.transData,         fig, dx, dy, units='inches')

完整代码：

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

import numpy as npimport matplotlib.pyplot as pltimport matplotlib.transforms as transforms
fig, ax = plt.subplots()
# make a simple sine wavex = np.arange(0., 2., 0.01)y = np.sin(2*np.pi*x)line, = ax.plot(x, y, lw=3, color='blue')
# shift the object over 2 points, and down 2 pointsdx, dy = 2/72., -2/72.shadow_transform = transforms.offset_copy(ax.transData,         fig, dx, dy, units='inches')
# now plot the same data with our offset transform;# use the zorder to make sure we are below the lineax.plot(x, y, lw=3, color='gray',        transform=shadow_transform,        zorder=0.5*line.get_zorder())
ax.set_title('creating a shadow effect with an offset transform')plt.show()

转换的管道

　　我们在本教程中使用的ax.transData转换是三种不同转换的组合，它们构成了数据坐标到显示坐标的转换管道。Michael Droettboom实现了转换框架，精心设计了一个简洁的API，将极坐标图和对数图中的非线性映射和比例，与平移和缩放时发生的线性仿射转换分离开来。这里有一个效率问题，因为你可以在影响仿射变换的图表域上平移和缩放，但你可能不需要计算简单导航事件上潜在的昂贵非线性比例或映射。也可以将仿射变换矩阵相乘，然后一步将它们应用于坐标。并非所有可能的变换都是如此。

　　以下是如何在基本的可分离轴Axes类中定义ax.transData实例：

· 

self.transData = self.transScale + (self.transLimits + self.transAxes)

　　我们已经在图表域坐标（Axes coordinates）中介绍了上面的transAxes实例，它将图表域或子图表边界框的(0, 0)、(1, 1)角映射到显示空间，所以让我们看看其他两部分。

　　self.transLimits是从数据坐标到图表域坐标的转换；即，它将视图xlim和ylim映射到图表域的单元空间（然后transAxes将该单元空间作为显示空间）。我们可以在下面的代码中看到这一点：

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

· 

In [1]: %matplotlib tk
In [2]: import matplotlib.pyplot as plt
In [3]: ax = plt.subplot()
In [4]: ax.set_xlim(0, 10)Out[4]: (0.0, 10.0)
In [7]: ax.set_ylim(-1, 1)Out[7]: (-1.0, 1.0)
In [8]: ax.transLimits.transform((0, -1))Out[8]: array([0., 0.])
In [9]: ax.transLimits.transform((10, -1))Out[9]: array([1., 0.])
In [10]: ax.transLimits.transform((10, 1))Out[10]: array([1., 1.])
In [11]: ax.transLimits.transform((5, 0))Out[11]: array([0.5, 0.5])

　　我们可以使用与之对应的逆变换，从单元图表域坐标回到数据坐标。

· 

· 

· 

In [23]: inv = ax.transLimits.inverted()In [24]: inv.transform((0.25, 0.25))Out[24]: array([ 2.5, -0.5])

　　最后一部分是self.transScale属性，它负责数据的可选非线性缩放，例如对数图表域（axes）。当一个图表域（Axes）初始化时，只是设置为本体变换（identity transform），因为底层的Matplotlib图表域具有线性比例，但当你调用像semilogx()这样的对数缩放函数或使用set_xscale()显式将比例设置为对数时，ax.transScale属性将设置为处理非线性映射。缩放变换是各自xaxis和yaxis轴（Axis）实例的属性。例如，当调用ax.set_xscale('log')时，xaxis会将其比例更新为matplotlib.scale.LogScale实例。

　　对于不可分离的图表域PolarAxes，还有一件事需要考虑，那就是投影变换（projection transformation）。 matplotlib.projections.polar.PolarAxes的transData与典型的可分离matplotlib图表域类似，只增加了一个transProjection：

· 

· 

· 

self.transData = (    self.transScale + self.transShift + self.transProjection +    (self.transProjectionAffine + self.transWedge + self.transAxes))

　　transProjection处理从空间（例如，地图数据的纬度和经度，或极坐标数据的半径和θ）到可分离笛卡尔坐标系的投影。matplotlib.projections包中有几个投影示例，了解更多信息的最佳方法是打开这些包的源代码，看看如何制作自己的包，因为matplotlib支持可扩展的图表域（axes）和投影。Michael Droettboom提供了一个很好的创建Hammer投影图表域的教程示例；请参见自定义投影（Custom projection）。
ScaledTranslation：

https://matplotlib.org/stable/api/transformations.html#matplotlib.transforms.ScaledTranslation

matplotlib.transforms.offset_copy()：

https://matplotlib.org/stable/api/transformations.html#matplotlib.transforms.offset_copy

Axes：

https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.html#matplotlib.axes.Axes

Axes coordinates：

https://matplotlib.org/stable/tutorials/advanced/transforms_tutorial.html#axes-coords

semilogx()：

https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.semilogx.html#matplotlib.axes.Axes.semilogx

set_xscale()：

https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.set_xscale.html#matplotlib.axes.Axes.set_xscale

Axis：

https://matplotlib.org/stable/api/axis_api.html#matplotlib.axis.Axis

matplotlib.scale.LogScale：

https://matplotlib.org/stable/api/scale_api.html#matplotlib.scale.LogScale

matplotlib.projections：

https://matplotlib.org/stable/api/projections_api.html#module-matplotlib.projections

Custom projection：

https://matplotlib.org/stable/gallery/misc/custom_projection.html