前言
我们的数据可视化课程已经上线啦！！目前课程的主要方向是 科研、统计、地理相关的学术性图形绘制方法，后续也会增加商务插图、机器学等、数据分析等方面的课程。课程免费新增，这点绝对良心！
我们第一个数据可视化交流圈子也已经上线了，主要以我的第一本书籍《科研论文配图绘制指南-基于Python》为基础进行拓展，提供「课堂式」教学视频，还有更多拓展内容，可视化技巧远超书籍本身，书籍修正和新增都会分享到圈子里面~~
参与课程或者圈子的你将获取到：学员答疑、可视化资源分享、可视化技巧补充、可视化业务代做(学员和甲方对接)、副业交流、提升认知等等。
我们在绘制可视化图表时经常需要对特定区域、位置等使用文本或箭头等标识性字符进行注释显示，这种注释在可视化制作中尤为重要，它可以突出重要信息，引起人们对图形某个特征的关注。接下来，小编就汇总一下在R和Python可视化绘制中是如何进行注释的。具体内容如下：
R注释操作 Python注释操作
R注释操作
在使用R进行可视化绘制中，起注释作用的绘图函数有很多，这里还是介绍基于ggplot2绘图体系中的绘图函数，主要介绍R-ggplot2和R-ggforce 包中关于注释的内容，如下：
R-ggplot2 注释操作
这一部分使用ggplot2中*annotate()*函数进行说明，这里小编直接给出一个具体案例，如下：
library(tidyverse)
library(ggtext)
library(hrbrthemes)
library(ggpubr)
library(ggsci)
library(ggforce)
plot01 <- ggplot(data = iris,aes(Petal.Length, Petal.Width,
)) +
geom_point(shape=21,aes(fill=Species),colour="black",size=3) +
scale_fill_jco()+
# 基础注释方式
annotate(
geom = "curve", x = 2., y = 1, xend = 1.5, yend = .65,
curvature = .3,arrow = arrow(length = unit(2, "mm")))+
annotate(geom = "text", x = 2.1, y = 1, label = "setosa", hjust="left",vjust = .5)+
labs(
title = "Example of <span style='color:#D20F26'>ggplot2::annotate()</span>",
subtitle = "processed charts with <span style='color:#1A73E8'>annotate()</span>",
caption = "Visualization by <span style='color:#0057FF'>DataCharm</span>") +
hrbrthemes::theme_ipsum(base_family = "Roboto Condensed") +
theme(plot.title = element_markdown(hjust = 0.5,vjust = .5,color = "black",
size = 20, margin = margin(t = 1, b = 12)),
plot.subtitle = element_markdown(hjust = 0,vjust = .5,size=15),
plot.caption = element_markdown(face = 'bold',size = 12),
)
当然如果想要实现这种“箭头”效果，ggplot2的geom_segment()和geom_curve()都可实现，感兴趣的小伙伴可去ggplot2官网(https://ggplot2.tidyverse.org/reference/index.html) 进行探索。下面小编将介绍一种更为方便直观且简单的方法。
R-ggforce 注释操作
R-ggforce包中有几个绘图函数可以实现较为灵活的注释效果，且语法较为简单。官网为：https://ggforce.data-imaginist.com/reference/index.html。详细如下：
「geom_mark_rect()」
ggplot(iris, aes(Petal.Length, Petal.Width)) +
geom_mark_rect(aes(fill = Species, label = Species),
con.cap = 0,label.fill='gray',
label.colour="black") +
geom_point(shape=21,aes(fill=Species),colour="black",size=3) +
scale_fill_nejm() +
labs(
title = "Example of <span style='color:#D20F26'>ggforce::geom_mark_rect()</span>",
subtitle = "processed charts with <span style='color:#1A73E8'>geom_mark_rect()</span>",
caption = "Visualization by <span style='color:#0057FF'>DataCharm</span>") +
hrbrthemes::theme_ipsum(base_family = "Roboto Condensed") +
theme(plot.title = element_markdown(hjust = 0.5,vjust = .5,color = "black",
size = 20, margin = margin(t = 1, b = 12)),
plot.subtitle = element_markdown(hjust = 0,vjust = .5,size=15),
plot.caption = element_markdown(face = 'bold',size = 12),
)
「geom_mark_circle()」
ggplot(iris, aes(Petal.Length, Petal.Width)) +
geom_mark_circle(aes(fill = Species, label = Species),
con.cap = 0,label.fill='gray',
label.colour="black") +
geom_point(shape=21,aes(fill=Species),colour="black",size=3) +
scale_fill_nejm() +
labs(
title = "Example of <span style='color:#D20F26'>ggforce::geom_mark_circle()</span>",
subtitle = "processed charts with <span style='color:#1A73E8'>geom_mark_circle()</span>",
caption = "Visualization by <span style='color:#0057FF'>DataCharm</span>") +
hrbrthemes::theme_ipsum(base_family = "Roboto Condensed") +
theme(plot.title = element_markdown(hjust = 0.5,vjust = .5,color = "black",
size = 20, margin = margin(t = 1, b = 12)),
plot.subtitle = element_markdown(hjust = 0,vjust = .5,size=15),
plot.caption = element_markdown(face = 'bold',size = 12),
)
「geom_mark_ellipse()」
ggplot(iris, aes(Petal.Length, Petal.Width)) +
geom_mark_ellipse(aes(fill = Species, label = Species),
con.cap = 0,label.fill='gray',
label.colour="black") +
geom_point(shape=21,aes(fill=Species),colour="black",size=3) +
scale_fill_nejm() +
labs(
title = "Example of <span style='color:#D20F26'>ggforce::geom_mark_ellipse()</span>",
subtitle = "processed charts with <span style='color:#1A73E8'>geom_mark_ellipse()</span>",
caption = "Visualization by <span style='color:#0057FF'>DataCharm</span>") +
hrbrthemes::theme_ipsum(base_family = "Roboto Condensed") +
theme(plot.title = element_markdown(hjust = 0.5,vjust = .5,color = "black",
size = 20, margin = margin(t = 1, b = 12)),
plot.subtitle = element_markdown(hjust = 0,vjust = .5,size=15),
plot.caption = element_markdown(face = 'bold',size = 12),
)
「geom_mark_hull()」
ggplot(iris, aes(Petal.Length, Petal.Width)) +
geom_mark_hull(aes(fill = Species, label = Species),
con.cap = 0,label.fill='gray',
label.colour="black") +
geom_point(shape=21,aes(fill=Species),colour="black",size=3) +
scale_fill_nejm() +
labs(
title = "Example of <span style='color:#D20F26'>ggforce::geom_mark_hull()</span>",
subtitle = "processed charts with <span style='color:#1A73E8'>geom_mark_hull()</span>",
caption = "Visualization by <span style='color:#0057FF'>DataCharm</span>") +
hrbrthemes::theme_ipsum(base_family = "Roboto Condensed") +
theme(plot.title = element_markdown(hjust = 0.5,vjust = .5,color = "black",
size = 20, margin = margin(t = 1, b = 12)),
plot.subtitle = element_markdown(hjust = 0,vjust = .5,size=15),
plot.caption = element_markdown(face = 'bold',size = 12),
)
以上就是小编对在R中使用注释列举的几个几个小例子，当然，可能还不只这些，也希望小伙伴们可以公号后台看留言告知哈~~
Python 注释操作
介绍完R绘制注释(annotate)的方法，小编这里再简单介绍下Python的注释(annotate)方法，这里主要介绍Matplotlib的注释方法，如下：
import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots(figsize=(7,5),dpi=100)
plt.rcParams['font.family'] = ['Times New Roman']
t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = ax.plot(t, s, lw=3,color="#BC3C28")
# 各种annotate样式
ax.annotate(
'straight',
xy=(0, 1), xycoords='data',
xytext=(-50, 30), textcoords='offset points',
arrowprops=dict(arrowstyle="->"))
ax.annotate(
'arc3,\nrad 0.2',
xy=(0.5, -1), xycoords='data',
xytext=(-80, -60), textcoords='offset points',
arrowprops=dict(arrowstyle="->",
connectionstyle="arc3,rad=.2"))
ax.annotate(
'arc,\nangle 50',
xy=(1., 1), xycoords='data',
xytext=(-90, 50), textcoords='offset points',
arrowprops=dict(arrowstyle="->",
connectionstyle="arc,angleA=0,armA=50,rad=10"))
ax.annotate(
'arc,\narms',
xy=(1.5, -1), xycoords='data',
xytext=(-80, -60), textcoords='offset points',
arrowprops=dict(
arrowstyle="->",
connectionstyle="arc,angleA=0,armA=40,angleB=-90,armB=30,rad=7"))
ax.annotate(
'angle,\nangle 90',
xy=(2., 1), xycoords='data',
xytext=(-70, 30), textcoords='offset points',
arrowprops=dict(arrowstyle="->",
connectionstyle="angle,angleA=0,angleB=90,rad=10"))
ax.annotate(
'angle3,\nangle -90',
xy=(2.5, -1), xycoords='data',
xytext=(-80, -60), textcoords='offset points',
arrowprops=dict(arrowstyle="->",
connectionstyle="angle3,angleA=0,angleB=-90"))
ax.annotate(
'angle,\nround',
xy=(3., 1), xycoords='data',
xytext=(-60, 30), textcoords='offset points',
bbox=dict(boxstyle="round", fc="0.8"),
arrowprops=dict(arrowstyle="->",
connectionstyle="angle,angleA=0,angleB=90,rad=10"))
ax.annotate(
'angle,\nround4',
xy=(3.5, -1), xycoords='data',
xytext=(-70, -80), textcoords='offset points',
size=20,
bbox=dict(boxstyle="round4,pad=.5", fc="0.8"),
arrowprops=dict(arrowstyle="->",
connectionstyle="angle,angleA=0,angleB=-90,rad=10"))
ax.annotate(
'angle,\nshrink',
xy=(4., 1), xycoords='data',
xytext=(-60, 30), textcoords='offset points',
bbox=dict(boxstyle="round", fc="0.8"),
arrowprops=dict(arrowstyle="->",
shrinkA=0, shrinkB=10,
connectionstyle="angle,angleA=0,angleB=90,rad=10"))
ax.annotate('', xy=(4., 1.), xycoords='data',
xytext=(4.5, -1), textcoords='data',
arrowprops=dict(arrowstyle="<->",
connectionstyle="bar",
ec="k",
shrinkA=5, shrinkB=5))
# 定制化操作
ax.set(xlim=(-1, 5), ylim=(-4, 3))
for spine in ['top','bottom','left','right']:
ax.spines[spine].set_visible(False)
ax.tick_params(left=False,labelleft=False,bottom=False,labelbottom=False)
ax.set_title("Example Of Matplotlib.annotate()",size=15,fontweight="bold")
更多内容，大家可参看matplotlib官网样例即可。
总结
本期这篇推文，小编给大家简单汇总了绘图过程中一些注释(annotate) 的方法。从中可以看出，R还是比较方便的，且更加美观，还是那句话，适合自己的才是最好的，希望这篇文章能够帮助到大家。
书籍推荐
可视化学习圈子是干什么的？
可视化学习圈子是书籍「科研论文配图绘制指南-基于Python」一书的学下圈子：主要通过以下几个方面，给大家带来比纸质书籍更丰富的学习内容：
视频教学，和读者零距离互动交流 及时修正勘误和定期新增绘制知识点 拓展衍生，绘图知识点远超书籍本身 直播视频+拓展资料+答疑，学习更高效
「PS」：我们直播教学内容为课堂式教学，原作者带着大家对书籍一章、一节、一页的进行教学。而且直播的视频都会通过剪辑后整理成课程，圈子中的同学可以免费、反复观看。当然，新增内容和定期答疑，直播也是如此。
为何会有这个书籍学习社群？无门槛的微信群难免会鱼龙混杂，问题和质量都无法得到保证，而且一些关键问题经常被淹没，且没有沉淀价值。
随着添加我微信的人日益增多，向我提问的人也越来越多，随便回答一下就太不负责任了；不回答也不是很好；如果都仔细回答，我也有自己的工作并且确实很忙，真的有点心有余而力不足！所以我才会建立这么一个渠道来沉淀我的可视化技巧和分享经验，以及给大家提供一个坚持学习的平台。
微信扫码下方二维码即可参与我们的书籍学习圈子啦：
系统学习可视化
当然，在学习数据可视化的道路上，你也有很多问题得不到解答，也可以加入我们的可视化课程(可视化系列课程推文)后，在学员群里和大家一起谈论，一起进步，或者直接向我提问。如果我觉得你的问题很具有普适性，我会把它写成文章发布在公众号上，让更多人看到，有关我们数据可视化系列课程的服务内容，可以参考下面的 阅读原文。
