在科学数据分析范畴, 以及可视化领域当中, IDL（Data）因自身具备的高效数组运算特性, 并且还有丰富的绘图功能显得颇为著名。同时, 另外一个则依靠庞大的生态系统, 且还有灵活性, 进而成为现代数据科学的主流工具。而且, IDL -能够将它们双方的优势予以结合, 达成IDL和的无缝集成！
以科学数据可视化作为例子, 一步一步地进行演示, 怎样借助IDL来达成跨语言协作的自动化绘图流程。
一、安装IDL-
首先安装IDL和， 可参考：（）
二、安装库
以下是改写后的: 在IDL里被调用的功能, 留意要正确安装其中所运用到的库, 举例来说下面这样的绘图代码就需使用到库。
IDL> ran=python.import('numpy.random')% Loaded DLM: PYTHON27.IDL> arr=ran.rand(100)IDL> plt=python.Import('matplotlib.pyplot')IDL> p=plt.plot(arr)IDL> void=plt.show(block=0)
必须于其中安装与之相对应的库, 此库要和第一步所介绍的安装教程里的情况保持一致, 仍然是推荐在进行安装这个动作的时候, 能够在其中执行如下这般的命令:
conda activate py310conda install matplotlib
在安装好了之后, 再一次去执行上面所提到的代码, 进而查看结果。要是报出了如下类似的错误:
讲明缺少PyQt相关所依赖的东西, 于安装目录那儿去查看实际上需要安装的PyQt版本, 像PyQt5或者PyQt6这样的。
C:\\\envs\py310\Lib\site-
后续能够借助像下面这样的命令去安装依赖, 留意要切换国内源, 由于网络问题默认源通常不易安装全。与此同时在命令行执行类似下面这样的命令:
conda activate py310pip install sippip install PyQt6 -i https://pypi.tuna.tsinghua.edu.cn/simplepip install PyQt6-tools -i https://pypi.tuna.tsinghua.edu.cn/simple
安装好所需的库之后，在IDL命令行再次执行绘图代码：
IDL> ran=python.import('numpy.random')% Loaded DLM: PYTHON27.IDL> arr=ran.rand(100)IDL> plt=python.Import('matplotlib.pyplot')IDL> p=plt.plot(arr)IDL> void=plt.show(block=0)
正常情况下应该能看到如下结果：
三、IDL 无缝调用
在将IDL - 以及所需的库安装完毕后, 接下来才正式进入主题: IDL与的没有缝隙的调用。
1. 在IDL中调用
刚才介绍的在IDL调用的方式是通过导入类的形式实现：
IDL> ran=python.import('numpy.random')% Loaded DLM: PYTHON27.IDL> arr=ran.rand(100)IDL> plt=python.Import('matplotlib.pyplot')IDL> p=plt.plot(arr)IDL> void=plt.show(block=0)
另外, 存在着另外的其它一种方式方法, 于IDL控制台里键入 >>>，接着按回车键, 这样便能够进入到命令行模式。要是不输入任何命令, 直接按下回车键, 那么就会退出命令行模式。如下所展示呈现所示的:
IDL> >>>>>> import matplotlib.pyplot as plt>>> import numpy.random as ran>>> arr = ran.rand(100)>>> p = plt.plot(arr)>>> plt.show()>>>
运行的效果, 跟导入类所采用的方式相同。这两种方式, 各自有着优点和缺点, 而>>>这种方式, 能够彻彻底底地保留原本的编程风格。
接下来，让我们做几个简单的示例：
（1）绘制多条折线图
在IDL命令行中输入>>>，进入命令行模式。输入如下命令：
import matplotlib.pyplot as plt#Plot a line graphplt.plot([5, 15], label='Rice')plt.plot([3, 6], label='Oil')plt.plot([8.0010, 14.2], label='Wheat')plt.plot([1.95412, 6.98547, 5.41411, 5.99, 7.9999], label='Coffee')# Add labels and titleplt.title("Interactive Plot")plt.xlabel("X-axis")plt.ylabel("Y-axis")plt.legend()plt.show()
若你是将上面的代码实行直接复制并且粘贴到命令行里, 那么需要留意两点。
首先, 于IDLDE当中, 仅能够逐行地进行粘贴并执行, 要是多行粘贴操作, 便不会逐行予以执行（此情形简直如同是懒人的地狱一般, 在这个时候，你能够在其中安装IDL for扩展, 于里面的命令行里实施粘贴执行, 如此一来便不会出现这个问题）
第二, 被粘贴的行能够看到没办法看到有空出来的行, 这是由于处于命令行里进行操作的时候相当于直接按下回车键, 这样的话就会致使退出命令行模式。
执行完上面的代码，应该能看到如下结果：
让我们再做几个有趣的示例：
（2） 绘制带有标记的折线图
import matplotlib.pyplot as plt# Changing default values for parameters individuallyplt.rc('lines', linewidth=2, linestyle='-', marker='*')plt.rcParams['lines.markersize'] = 25plt.rcParams['font.size'] = '10.0'#Plot a line graphplt.plot([10, 20, 30, 40, 50])# Add labels and titleplt.title("Interactive Plot")plt.xlabel("X-axis")plt.ylabel("Y-axis")plt.show()
（3）绘制条形图
import matplotlib.pyplot as pltimport matplotlib.cm as cmfrom matplotlib.colors import Normalizefrom numpy.random import randdata = [2, 3, 5, 6, 8, 12, 7, 5]fig, ax = plt.subplots(1, 1)# Get a color mapmy_cmap = cm.get_cmap('jet')# Get normalize function (takes data in range [vmin, vmax] -> [0, 1])my_norm = Normalize(vmin=0, vmax=8)ax.bar(range(8), rand(8), color=my_cmap(my_norm(data)))plt.show()
（4）绘制极坐标图
import matplotlib.pyplot as pltimport numpy as npemployee = ["Sam", "Rony", "Albert", "Chris", "Jahrum"]actual = [45, 53, 55, 61, 57 , 45]expected = [50, 55, 60, 65, 55, 50]# Initialise the spider plot by setting figure size and polar projectionplt.figure(figsize=(10, 6))plt.subplot(polar=True)theta = np.linspace(0, 2 * np.pi, len(actual))# Arrange the grid into number of sales equal parts in degreeslines, labels = plt.thetagrids(range(0, 360, int(360/len(employee))), (employee))# Plot actual sales graphplt.plot(theta, actual)plt.fill(theta, actual, 'b', alpha=0.1)# Plot expected sales graphplt.plot(theta, expected)# Add legend and title for the plotplt.legend(labels=('Actual', 'Expected'), loc=1)plt.title("Actual vs Expected sales by Employee")# Dsiplay the plot on the screenplt.show()
（5）绘制极坐标等值线图
import numpy as npimport matplotlib.pyplot as plt# Using linspace so that the endpoint of 360 is includedactual = np.radians(np.linspace(0, 360, 20))expected = np.arange(0, 70, 10)r, theta = np.meshgrid(expected, actual)values = np.random.random((actual.size, expected.size))fig, ax = plt.subplots(subplot_kw=dict(projection='polar'))ax.contourf(theta, r, values)plt.show()
（6）绘制热图
import matplotlib.pyplot as pltimport pandas as pddf = pd.DataFrame([[10, 20, 30, 40], [7, 14, 21, 28], [55, 15, 8, 12],[15, 14, 1, 8]], columns=['Apple', 'Orange', 'Banana', 'Pear'],index=['Basket1', 'Basket2', 'Basket3', 'Basket4'])plt.imshow(df, cmap="YlGnBu")plt.colorbar()plt.xticks(range(len(df)),df.columns, rotation=20)plt.yticks(range(len(df)),df.index)plt.show()
这种以IDL互相调用的方式, 能够于代码里充分达成两种编程语言的强大优势, 比如说在IDL的pro源代码当中, 借助IDL所创建的变量, 运用其使用的函数实现变量的绘图显示, 达成无缝衔接。
pro testcompile_opt idl2;idl创建的数组变量a=[5, 15]b=[3, 6]c=[8.0010, 14.2]d=[1.95412, 6.98547, 5.41411, 5.99, 7.9999];转python变量a_py = Python.Wrap(a)b_py = Python.Wrap(b)c_py = Python.Wrap(c)d_py = Python.Wrap(d);无缝调用Python函数并绘制idl创建的变量plt=python.Import('matplotlib.pyplot')p=plt.plot(a_py, label='Rice', c='C7')p=plt.plot(b_py, label='Oil', c='C8')p=plt.plot(c_py, label='Wheat', c='C4')p=plt.plot(d_py, label='Coffee', c='C6')p=plt.title("Interactive Plot")p=plt.xlabel("X-axis")p=plt.ylabel("Y-axis")p=plt.legend()p=plt.show()end
将上述代码保存成名称是test.pro的文件, 于IDL当中直接对该代码进行编译并且执行！