在Python Shiny中绘制Matplotlib直方图的教程_石家庄创泽智能科技有限公司

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 网络学院

在Python Shiny中绘制Matplotlib直方图的教程

2025-11-04

浏览次数：次

返回列表

在Python Shiny中绘制Matplotlib直方图的教程

本文详细介绍了在python shiny应用中正确使用matplotlib绘制直方图的方法。针对`render.plot`处理`plt.hist()`返回值可能遇到的问题，提供了两种有效的解决方案：一是利用`render.plot`的自动捕获机制，不显式返回`plt.hist()`的结果；二是理解`plt.hist()`的返回值结构并选择性返回，同时强调了创建和返回matplotlib figure对象的最佳实践，以确保图表稳定呈现。

在Python Shiny中绘制Matplotlib直方图

在Python Shiny应用中集成Matplotlib图表是常见需求，render.plot装饰器为我们提供了便捷的接口。然而，在绘制直方图时，开发者可能会遇到与散点图或折线图不同的行为，导致图表无法正确显示。本文将深入探讨在Shiny中利用Matplotlib绘制直方图的正确方法和最佳实践。

理解问题：plt.hist()的返回值

Matplotlib的pyplot模块提供了一系列便捷的绘图函数，例如plt.scatter()和plt.hist()。在标准的Python脚本中，这些函数通常会在当前激活的Figure和Axes上进行绘制，并通过plt.show()显示。然而，在Shiny的render.plot环境中，我们需要理解其如何处理函数的返回值。

render.plot期望接收一个Matplotlib Figure对象，或者一个可以被转换为Figure对象的对象（例如Axes对象）。此外，render.plot还具备自动捕获功能：如果绘图函数内部使用了matplotlib.pyplot函数（如plt.plot()、plt.hist()），并且没有显式返回任何内容或返回非Figure/Axes对象，render.plot会自动捕获当前Matplotlib的Figure并进行显示。

问题通常出现在直接返回plt.hist()的执行结果时。与plt.scatter()（返回一个PathCollection对象）不同，plt.hist()函数会返回一个包含三个元素的元组：(n, bins, patches)。

n：直方图中每个bin的数值。
bins：直方图bin的边缘。
patches：一个Patch对象列表，代表直方图中的矩形条。

如果直接将这个元组返回给render.plot，它可能无法识别为一个可渲染的图表对象，从而导致错误或图表无法显示。

初始问题代码示例

以下是可能导致直方图无法在Shiny中正确显示的典型代码片段：

import matplotlib.pyplot as plt
import numpy as np
from shiny import App, ui, reactive, render

# ... (app_ui 定义略) ...

def server(input, output, session):
  @reactive.Calc
  def random_data():
    return np.random.rand(input.nr_of_observations())

  @output
  @render.plot
  def my_scatter():
    # 散点图通常能正常工作，因为它在当前Axes上绘制并可能隐式捕获
    return plt.scatter(random_data(), random_data()) 

  @output
  @render.plot
  def my_histogram():
    # 尝试直接返回plt.hist()的元组结果，可能导致问题
    return plt.hist(random_data()) 

  # ... (其他 output 定义略) ...

app = App(app_ui, server)

当运行上述代码时，my_histogram可能不会如预期般显示，甚至可能抛出错误。

解决方案一：利用render.plot的隐式捕获机制

最直接且推荐的解决方案是利用render.plot的自动捕获功能。这意味着你的绘图函数只需调用plt.hist()在当前Figure和Axes上绘制，而无需显式返回任何值。render.plot会自动检测到pyplot的绘图操作，并捕获生成的Figure进行显示。

Pippit AI

CapCut推出的AI创意内容生成工具

133 查看详情 Pippit AI

import matplotlib.pyplot as plt
import numpy as np
from shiny import App, ui, reactive, render

# ... (app_ui 定义略) ...

def server(input, output, session):
  @reactive.Calc
  def random_data():
    return np.random.rand(input.nr_of_observations())

  @output
  @render.plot
  def my_scatter():
    # 散点图的绘制方式保持不变
    plt.scatter(random_data(), random_data())
    # 无需显式返回，render.plot会捕获当前图

  @output
  @render.plot
  def my_histogram():
    # 仅调用plt.hist()进行绘制，不显式返回其结果
    plt.hist(random_data())
    # render.plot会自动捕获当前图

  # ... (其他 output 定义略) ...

app = App(app_ui, server)

通过这种方式，render.plot会在my_histogram函数执行完毕后，自动获取并渲染当前Matplotlib Figure。

解决方案二：显式处理plt.hist()的返回值（不推荐直接使用）

虽然不推荐，但为了完整性，这里也提及一种基于plt.hist()返回值结构的解决方案。如前所述，plt.hist()返回一个元组(n, bins, patches)。在某些情况下，如果render.plot能够处理patches列表，可以尝试返回它。

import matplotlib.pyplot as plt
import numpy as np
from shiny import App, ui, reactive, render

# ... (app_ui 定义略) ...

def server(input, output, session):
  @reactive.Calc
  def random_data():
    return np.random.rand(input.nr_of_observations())

  @output
  @render.plot
  def my_histogram():
    # 显式返回plt.hist()返回元组的第三个元素（即patches列表）
    return plt.hist(random_data())[2]

  # ... (其他 output 定义略) ...

app = App(app_ui, server)

注意事项： 这种方法依赖于render.plot对Patch对象列表的特定处理能力，可能不如隐式捕获或显式返回Figure对象那样通用和稳定。在实际开发中，推荐优先使用解决方案一或下面的最佳实践。

最佳实践：显式创建和返回Figure对象

为了获得最大的控制力和稳定性，尤其是在绘制复杂图表或需要精细调整布局时，最佳实践是显式创建Matplotlib Figure和Axes对象，在这些对象上进行绘图，然后将Figure对象返回给render.plot。

import matplotlib.pyplot as plt
import numpy as np
from shiny import App, ui, reactive, render

# ... (app_ui 定义略) ...

def server(input, output, session):
  @reactive.Calc
  def random_data():
    return np.random.rand(input.nr_of_observations())

  @output
  @render.plot
  def my_scatter():
    fig, ax = plt.subplots() # 创建新的Figure和Axes
    ax.scatter(random_data(), random_data()) # 在Axes上绘制
    return fig # 返回Figure对象

  @output
  @render.plot
  def my_histogram():
    fig, ax = plt.subplots() # 创建新的Figure和Axes
    ax.hist(random_data()) # 在Axes上绘制直方图
    ax.set_title("Histogram of Random Data") # 可以设置标题等
    return fig # 返回Figure对象

  # ... (其他 output 定义略) ...

app = App(app_ui, server)

这种方法确保了render.plot始终接收到一个明确的Figure对象，避免了隐式捕获可能带来的不确定性，也提供了更强大的自定义能力。

完整示例代码

结合上述讨论，以下是一个完整的Python Shiny应用示例，展示了如何正确绘制Matplotlib直方图：

from shiny import App, ui, reactive, render
import numpy as np
import matplotlib.pyplot as plt

# 定义UI布局
app_ui = ui.page_fluid(
    ui.panel_title("Matplotlib直方图与散点图示例"),
    ui.layout_sidebar(
      ui.panel_sidebar(
        ui.input_slider(
          "nr_of_observations", 
          "观测数量",
          min = 10,
          max = 200,
          value = 50
        )
      ),
      ui.panel_main(
        ui.n*set_tab(
          ui.n*(
            "散点图",
            ui.output_plot("my_scatter")
          ),
          ui.n*(
            "直方图",
            ui.output_plot("my_histogram")
          ),
          ui.n*(
            "数据摘要",
            ui.output_text_verbatim("my_summary"),
          )
        )
      )
    )
  )

# 定义服务器逻辑
def server(input, output, session):
  @reactive.Calc
  def random_data():
    # 根据滑块值生成随机数据
    return np.random.rand(input.nr_of_observations())

  @output
  @render.plot
  def my_scatter():
    # 最佳实践：显式创建Figure和Axes，并在Axes上绘制
    fig, ax = plt.subplots()
    ax.scatter(random_data(), random_data())
    ax.set_title("随机数据散点图")
    ax.set_xlabel("X轴")
    ax.set_ylabel("Y轴")
    return fig

  @output
  @render.plot
  def my_histogram():
    # 最佳实践：显式创建Figure和Axes，并在Axes上绘制直方图
    fig, ax = plt.subplots()
    ax.hist(random_data(), bins=10, edgecolor='black') # 可以添加更多参数
    ax.set_title("随机数据直方图")
    ax.set_xlabel("值")
    ax.set_ylabel("频数")
    return fig

  @output
  @render.text
  def my_summary():
    # 显示随机数据的简单摘要
    data = random_data()
    return f"生成了 {len(data)} 个随机数。\n平均值: {np.mean(data):.2f}\n标准差: {np.std(data):.2f}"

# 启动Shiny应用
app = App(app_ui, server)

总结

在Python Shiny中绘制Matplotlib直方图时，关键在于理解render.plot的工作机制以及plt.hist()函数的返回值。虽然render.plot能够通过隐式捕获机制处理pyplot绘图，但为了代码的清晰性、可控性和稳定性，强烈推荐采用显式创建并返回Figure对象的最佳实践。这种方法不仅适用于直方图，也适用于所有复杂的Matplotlib图表，是构建健壮Shiny应用的基础。

以上就是在Python Shiny中绘制Matplotlib直方图的教程的详细内容，更多请关注其它相关文章！