Matplotlib自定义轴刻度：绝对数据与相对标签的映射

import pandas as pd
from matplotlib import pyplot as plt

# 模拟数据：引脚ID、绝对X/Y坐标、相对列/行编号
ID =  ['C1;R2', 'C2;R2', 'C1;R1', 'C2;R1'] # 引脚标识
X = [-160.1, -110.1, -160.1, -110.1]       # 绝对X坐标 (毫米)
Y = [974.9, 974.9, 924.9, 924.9]           # 绝对Y坐标 (毫米)
COLUMN = ['1', '2', '1', '2']             # 相对列编号
ROW = ['2', '2', '1', '1']                # 相对行编号

# 合并列表并创建DataFrame
list_of_tuples = list(zip(ID, X, Y, COLUMN, ROW))
Data = pd.DataFrame(list_of_tuples, columns=['ID', 'X', 'Y', 'COLUMN', 'ROW'])

print("DataFrame数据预览:")
print(Data)

DataFrame数据预览:
      ID      X      Y COLUMN ROW
0  C1;R2 -160.1  974.9      1   2
1  C2;R2 -110.1  974.9      2   2
2  C1;R1 -160.1  924.9      1   1
3  C2;R1 -110.1  924.9      2   1

fig, ax = plt.subplots(figsize=(8, 6)) # 设置图表大小

# 绘制散点图，使用绝对X和Y坐标
ax.scatter(Data['X'], Data['Y'], s=100, zorder=2) # s为点的大小，zorder确保点在文本下方

# 为每个点添加ID标签
for index, row in Data.iterrows():
    ax.text(row['X'], row['Y'], row['ID'], ha='center', va='bottom', fontsize=9, zorder=3)

# 设置图表标题
ax.set_title("引脚参考图", size=18)

# 定义自定义刻度位置（使用绝对坐标）
# X轴刻度：对应Data['X']中的唯一值
ax.set_xticks(Data['X'].unique())
# Y轴刻度：对应Data['Y']中的唯一值
ax.set_yticks(Data['Y'].unique())

# 定义自定义轴刻度标签（使用相对编号）
# 注意：标签列表的顺序必须与set_xticks/set_yticks中刻度位置的顺序相匹配
x_unique_sorted = sorted(Data['X'].unique()) # 确保顺序一致
y_unique_sorted = sorted(Data['Y'].unique())

# 根据排序后的绝对坐标获取对应的相对标签
xlabels = [Data[Data['X'] == x_val]['COLUMN'].iloc[0] for x_val in x_unique_sorted]
ylabels = [Data[Data['Y'] == y_val]['ROW'].iloc[0] for y_val in y_unique_sorted]

# 应用新的标签到自定义刻度位置
ax.set_xticklabels(xlabels)
ax.set_yticklabels(ylabels)

# 更新轴标签以反映新的意义
plt.xlabel('列 (COLUMN)')
plt.ylabel('行 (ROW)')

# 调整布局并显示图表
plt.tight_layout()
plt.show()

import pandas as pd
from matplotlib import pyplot as plt

# 1. 数据准备
ID =  ['C1;R2', 'C2;R2', 'C1;R1', 'C2;R1']
X = [-160.1, -110.1, -160.1, -110.1]
Y = [974.9, 974.9, 924.9, 924.9]
COLUMN = ['1', '2', '1', '2']
ROW = ['2', '2', '1', '1']

list_of_tuples = list(zip(ID, X, Y, COLUMN, ROW))
Data = pd.DataFrame(list_of_tuples, columns=['ID', 'X', 'Y', 'COLUMN', 'ROW'])

# 2. 初始绘图设置
fig, ax = plt.subplots(figsize=(8, 6))

# 绘制散点图
ax.scatter(Data['X'], Data['Y'], s=100, c='blue', alpha=0.8, zorder=2)

# 为每个点添加ID标签
for index, row in Data.iterrows():
    ax.text(row['X'], row['Y'], row['ID'], ha='center', va='bottom', fontsize=9, zorder=3, color='black')

# 设置图表标题
ax.set_title("引脚参考图", size=18)

# 3. 自定义轴刻度位置与标签

# 获取唯一的绝对X/Y坐标作为刻度位置，并确保排序以匹配标签
unique_x_coords = sorted(Data['X'].unique())
unique_y_coords = sorted(Data['Y'].unique())

ax.set_xticks(unique_x_coords)
ax.set_yticks(unique_y_coords)

# 根据排序后的绝对坐标，找到对应的相对列/行编号作为标签
# 注意：这里假设每个唯一的X坐标都对应一个唯一的COLUMN值，Y坐标对应唯一的ROW值
xlabels = [Data[Data['X'] == x_val]['COLUMN'].iloc[0] for x_val in unique_x_coords]
ylabels = [Data[Data['Y'] == y_val]['ROW'].iloc[0] for y_val in unique_y_coords]

# 应用新的自定义标签
ax.set_xticklabels(xlabels)
ax.set_yticklabels(ylabels)

# 更新轴标签以反映新的意义
plt.xlabel('列 (COLUMN)', fontsize=12)
plt.ylabel('行 (ROW)', fontsize=12)

# 调整图表布局
plt.grid(True, linestyle='--', alpha=0.7) # 添加网格线
plt.tight_layout()

# 显示图表
plt.show()