绘图是数据分析工作中最重要的任务之一，是探索过程的一部分。python有许多可视化工具，下面主要学习matplotlib
matplotlib是一个用于创建出版质量图表的桌面绘图包（主要是2D方面）。该项目是由John Hunter于2002年启动的，其目的是为了python构建一个MATLAB式的绘图接口。如果结合使用一种GUI工具包（如IPython），matplotlib还具有诸如缩放和平移等交互功能。它不仅支持各种操作系统上许多不同的GUI后端，而且还能将图片导出为各种常见的矢量（vector）和光栅（raster）图：PDF、SVG、JPG、PNG、BMP、GIF等。
要使用文中的代码实例，要确保我们的IPython是以Pylab模式启动的(ipython --pylab),或通过%gui魔术命令打开了GUI事件循环集成。
一.matplotlib API入门
使用matplotlib的方法有很多种，最常用的方式是Pylab模式的IPython(ipython --pylab)。这样会将IPython配置为使用我们所指定的matplotlib GUI后端(Tk、wxPython、PyQt、Mac OS X native、GTK).对大部分用户而言，默认的后端就已经够用了。Pylab模式还会向IPython引入一大堆模块和函数以提供一种更接近于MATLAB的界面。绘制一张简单的图表即可测试是否一切准备就绪：
In [1]: plot(np.arange(10))
Out[1]: [<matplotlib.lines.Line2D at 0xfb13518>]
matplotlib API函数(如plot和close）都位于matplotlib.pyplot模块中，其通常的引入约定是：
import matplotlib.pyplot as plt
虽然pandas的绘图函数能够处理许多普通的绘图任务，但如果需要自定义一些高级功能的话就必须学习matplotlib API。
1.Figure和Support
matplotlib的图像都位于Figure对象中。我们可以用plt.figure创建一个新的Figure:
In [4]: fig=plt.figure()
这时会弹出一个空窗口（不要关闭空窗口）。plt.figure有一些选项，特别是figsize，它用于确保当图片保存到磁盘时具有一定的大小和纵横比。matplotlib中的Figure还支持一种MATLAB式的编号架构（例如plt.figure(2)）。通过plt.gcf()即可得到当前Figure的引用。
不能通过空Figure绘图。必须用add_subplot创建一个或多个subplot才行：
In [5]: ax1=fig.add_subplot(2,2,1)
这条代码的意思是：图像应该是2X2的，且当前选中的是4个subplot中的第一个(编号从1开始）。如果再把后面两个subplot也创建出来，最终得到的图像如下图所示：
In [6]: ax2=fig.add_subplot(2,2,2)
In [7]: ax3=fig.add_subplot(2,2,3)
如果这时发出一条绘图命令(如plt.plot([1.8,3.8,-6,1.9])),matplotlib就会在最后一个用过的subplot（如果没有则创建一个）上进行绘制。因此，如果我们执行下列命令，我们就会得到如下图所示的结果：
In [12]: from numpy.random import randn
In [13]: plt.plot(randn(50).cumsum(),'k--')
Out[13]: [<matplotlib.lines.Line2D at 0xd8e6ef0>]
"k--"是一个线性选项，用于告诉matplotlib绘制黑色虚线图。上面那些由fig.add_subplot所返回的对象是AxesSubplot对象，直接调用它们的实例方法就可以在其他空着的格子里面画图了，如下图所示：
我们可以在matplotlib的文档中找到各种图表类型。由于根据特定布局创建Figure和subplot是一件非常常见的任务，于是便出现了一个更为方便的方法（plt.subplots）,它可以创建一个新的Figure，并返回一个含有已创建的subplot对象的NumPy数组：
In [10]: fig,axes=plt.subplots(2,3)
In [11]: axes
Out[11]:
array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000D6C47F0>,
<matplotlib.axes._subplots.AxesSubplot object at 0x000000000D8172E8>,
<matplotlib.axes._subplots.AxesSubplot object at 0x000000000D83C860>],
[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000D864DD8>,
<matplotlib.axes._subplots.AxesSubplot object at 0x000000000D925390>,
<matplotlib.axes._subplots.AxesSubplot object at 0x000000000D94E1D0>]],
dtype=object)
这是非常实用的，因为可以轻松地对axes数组进行索引，就好像是一个二维数组一样，例如,axes[0,1]。我们还可以通过sharex和sharey指定subplot应该具有相同的X轴或Y轴。在比较相同范围的数据时，这也是非常实用的，否则，matplotlib会自动缩放各图表的界限。有关该方法的更多信息，参见下表
参数 说明
nrows subplot的行数
ncols subplot的列数
sharex 所有subplot应该使用相同的X轴刻度（调节xlim将会影响所有subplot）
sharey 所有subplot应该使用相同的Y轴刻度（调节ylim将会影响所有subplot）
subplot_kw 用于创建各subplot的关键字字典
调整subplot周围的间距
默认情况下，matplotlib会在subplot外围留下一定的边距，并在subplot之间留下一定的间距。间距跟图像的高度和宽度有关，因此，如果我们调整了图像大小（不管是编程还是手工），间距也会自动调整。利用Figure的subplots_adjust方法可以轻而易举地修改间距，此外，它也是个顶级函数：
subplot_adjust(left=None,bottom=None,right=None,top=None,wspace=None,hspace=None)
wspace和hspace用于控制宽度和高度的百分比，可以用作subplot之间的间距。下面是一个简单的例子，其中将间距收缩到0，如下图所示：
In [1]: import matplotlib.pyplot as plt
In [2]: fig=plt.figure()
In [3]: ax1=fig.add_subplot(2,2,2)
In [4]: ax2=fig.add_subplot(2,2,3)
In [5]: from numpy.random import randn
In [6]: fig,axes=plt.subplots(2,2,sharex=True,sharey=True)
In [7]: for i in range(2):
...: for j in range(2):
...: axes[i,j].hist(randn(500),bins=50,color='k',alpha=0.5)
...:
In [8]: plt.subplots_adjust(wspace=0,hspace=0)
不难看出，其中的轴标签重叠了。matplotlib不会检查标签是否重叠，所以对于这样情况，我们只能自己设定刻度位置和刻度标签。后面将会详细介绍该内容。
颜色、标记和线型
matplotlib的plot函数接受一组X和Y坐标，还可以接受一个表示颜色和线型的字符串缩放。例如，要根据x和y绘制绿色虚线，我们可以执行如下代码：
ax.plot(x,y,'g--')
这种在一个字符串中指定颜色和线型的方式非常方便。通过下面这种更为明确的方式也能得到同样的效果：
ax.plot(x,y,linestyle='--',color='g')
常用的颜色都有一个缩写词，要使用其他任意颜色则可以通过指定其RGB值的形式使用（例如，‘#CECECE’）。
线型图还可以加一些标记（marker），以强调实际的数据点。由于matplotlib创建的是连续的线型图（点与点之间插值），因此有时可能不太容易看出真实数据点的位置。标记也可以放到格式字符串中，但标记类型和线型必须放在颜色后面：
In [24]: plt.plot(randn(30).cumsum(),'ko--')
Out[24]: [<matplotlib.lines.Line2D at 0x105ce208>]
还可以将其写成更为明确的形式：
In [25]: plot(randn(30).cumsum(),color='k',linestyle='dashed',marker='o')
Out[25]: [<matplotlib.lines.Line2D at 0x10608278>]
在线型图中，非实际数据点默认是按线性方式插值的。可以通过drawstyle选项修改：
In [26]: data=randn(30).cumsum()
In [27]: plt.plot(data,'k--',label='Default')
Out[27]: [<matplotlib.lines.Line2D at 0x107c20f0>]
In [29]: plt.plot(data,'k--',drawstyle='steps-post',label='steps-post')
Out[29]: [<matplotlib.lines.Line2D at 0x107d9ac8>]
In [31]: plt.legend(loc='best')
No handles with labels found to put in legend.
Out[31]: <matplotlib.legend.Legend at 0x10d2f080>
刻度、标签和图例
对于大多数的图表装饰项，其主要实现方式有二：使用过程型的pyplot接口（MATLAB用户非常熟悉）以及更为面向对象的原生matplotlib API。
pyplot接口的设计目的就是交互式使用，含有诸如xlim、xticks和xticklabels之类的方法。它们分别控制图表的范围、刻度位置、刻度标签等。其使用方式有以下两种：
（1）调用时不带参数，则返回当前的参数值。例如，plt.xlim()返回当前的X轴绘图范围。
（2）调用时带参数，则设置参数值。因此，plt.xlim([0,10])会将X轴的范围设置为0到10。
所有这些方法都是对当前或最近创建的AxesSuplot起作用的。它们各自对应subplot对象上的两个方法，以xlim为例，就是ax.get_xlim和ax.set_xlim。本人更喜欢使用subplot的实例方法（因为本人喜欢明确的事情，而且在处理多个subplot时这样也更清楚一些）。当然我们完全可以选择自己觉得方便的那个。
设置标题、轴标签、刻度以及刻度标签
为了说明轴的自定义，我们将创建一个简单的图像并绘制一段随机漫步：
In [34]: fig=plt.figure()
In [35]: ax=fig.add_subplot(1,1,1)
In [36]: ax.plot(randn(1000).cumsum())
Out[36]: [<matplotlib.lines.Line2D at 0x108361d0>]
要修改X轴的刻度，最简单的办法是使用set_xticks和set_xticklabels。前者告诉matplotlib要将刻度放在数据范围中的哪些位置，默认情况下，这些位置也就是刻度标签。但我们可以通过set_xticklabels将任何其他的值用作标签：
In [37]: ticks=ax.set_xticks([0,250,500,750,1000])
In [38]: labels=ax.set_xticklabels(['one','two','three','four','five'],rotation
...: =30,fontsize='small')
最后，再用set_xlabel为X轴设置一个名称，并用set_title设置一个标题：
In [6]: ax.set_title('My first matplotlib plot')
Out[6]: Text(0.5, 1.0, 'My first matplotlib plot')
In [7]: ax.set_xlabel('Stages')
Out[7]: Text(0.5, 10.763891973024519, 'Stages')
最终的结果如下图所示。Y轴的修改方式与此类似，只需将上述代码中的x替换为y即可。
添加图例
图例(legend)是另一种用于标识图表元素的重要工具。添加图例的方式有二。最简单的是在添加subplot的时候传入label参数：
In [9]: fig=plt.figure();ax=fig.add_subplot(1,1,1)
In [10]: ax.plot(randn(1000).cumsum(),'k',label='one')
Out[10]: [<matplotlib.lines.Line2D at 0xd638320>]
In [11]: ax.plot(randn(1000).cumsum(),'k--',label='two')
Out[11]: [<matplotlib.lines.Line2D at 0xd663128>]
In [12]: ax.plot(randn(1000).cumsum(),'k.',label='three')
Out[12]: [<matplotlib.lines.Line2D at 0xd6a2208>]
在此之后，我们可以调用ax.legend()或plt.legend()来自动创建图例：
In [13]: ax.legend(loc='best')
Out[13]: <matplotlib.legend.Legend at 0xd6f52e8>
如下图所示。loc告诉matplotlib要将图例放在哪。如果我们不是吹毛求疵的话，"beat"是不错的选择，因为它会选择最不碍事的位置。要从图例中去除一个或多个元素，不传入label或传入label='_nolegend_'即可。
注解以及在subplot上绘图
除标准的图表对象之外，我们可能还希望绘制一些自定义的注解（比如文本、箭头或其他图形等）。注解可以通过text、arrow和annotate等函数进行添加。text可以将文本绘制在图表的指定坐标（x,y），还可以加上一些自定义格式：
ax.text(x,y,'Hello world!'.family='monospace',fontsize=10)
注解中可以既含有文本也含有箭头。例如，我们用箭头和文本注解如下图的波浪线
In [1]: import matplotlib.pyplot as plt
In [2]: fig=plt.figure()
In [3]: ax=fig.add_subplot()
In [4]: ax=fig.add_subplot(1,1,1)
In [5]: import numpy as np
In [7]: t=np.arange(0,5,0.01)
In [9]: s=np.cos(2*np.pi*t)
In [10]: line,=ax.plot(t,s,lw=2)
In [11]: ax.annotate('local max',xy=(2,1),xytext=(3,1.5),arrowprops=dict(faceco
...: lor='black',shrink=0.05),)
Out[11]: Text(3, 1.5, 'local max')
In [13]: ax.set_ylim(-2,2)
Out[13]: (-2, 2)
图形的绘制要麻烦一些。matplotlib有一些表示常见图形的对象。这些对象被称为块（patch）。其中有些可以在matplotlib.pyplot中找到（如Rectangle和Circle），但完整集合位于matplotlib.patches。
要在图表中添加一个图形，我们需要创建一个块对象shp,然后通过ax.add_patch(shp)将其添加到subplot中(如下图所示）：
In [26]: fig=plt.figure()
In [27]: ax=fig.add_subplot(1,1,1)
In [28]: rect=plt.Rectangle((0.2,0.75),0.8,0.25,color='k',alpha=0.3)
In [29]: circ=plt.Circle((0.7,0.2),0.1,color='b',alpha=0.3)
In [30]: pgon=plt.Polygon([[0.15,0.15],[0.35,0.6],[0.2,0.8]],color='g',alpha=0.
...: 5)
In [31]: ax.add_patch(rect)
Out[31]: <matplotlib.patches.Rectangle at 0xdb339b0>
In [32]: ax.add_patch(circ)
Out[32]: <matplotlib.patches.Circle at 0xdb33780>
In [33]: ax.add_patch(pgon)
Out[33]: <matplotlib.patches.Polygon at 0xda5c828>
如果查看许多常见图表对象的具体实现代码，我们就会发现它们其实就是由块组装而成的。
将图表保存到文件
利用plt.savefig可以将当前图表保存到文件。该方法相当于Figure对象的实例方法savefig。例如，要将图表保存为SVG文件，我们只需输入：
plt.savefig('figpath.svg')
文件类型是通过文件扩展名推断出来的。因此，如果我们使用的是.pdf，就会得到一个PDF文件。在发布图片时最常用到两个重要的选项是dpi（控制“每英寸点数”分辨率）和bbox_inches(可以剪除图表周围的空白部分）。要得到一张带有最小白边且分辨率为400DPI的PNG图片，我们可以：
plt.savefig('figpath.png',dpi=400,bbox_inches='tight')
savefig并非一定要写入磁盘，也可以写入任何文件型的对象，比如StringIO:
from io import StringIO
buffer=StringIO()
plt.savefig(buffer)
plot_data=buffer.getvalue()
这对在Web上提供动态生成的图片是很实用的。
Figure.savefig方法的部分参数及说明如下表所示：
参数 说明
fname 含有文件路径的字符串或Python的文件型对象。图像格式由文件扩展名推断得出，例如，.pdf推断出PDF，.png推断出PNG
dpi 图像分辨率（每英寸点数），默认为100
facecolor、edgecolor 图像的背景色，默认为“w”（白色）
format 显式设置文件格式（“png”、”pdf”、“svg”、“ps”、“eps”......）
bbox_inches 图表需要保存的部分。如果设置为“tight”，则将尝试剪除图表周围的空白部分
matplotlib配置
matplotlib自带一些配色方案，以及为生成出版质量的图片而设定的默认配置信息。幸运的是，几乎所有默认行为都能通过一组全局参数进行自定义，它们可以管理图像大小、subplot边距、配色方案、字体大小、网格类型等。操作matplotlib配置系统的方式主要有两种。第一种是Python编程方式，即利用rc方法。比如说，要将全局的图像默认大小设置为10X10，我们可以执行：
plt.rc('lines',linewidth=10)
rc的第一个参数是希望自定义的对象，如'lines'、'axes'、‘xtick’、'ytick'、'grid'、'legend'等。其后可以跟上一系列的关键字参数。最简单的办法是将这些选项写成一个字典：
font_options={'family':'monospace'，
'weight':'bold',
'size':'small'}
plt.rc('font',**font_options)
要了解全部的自定义选项，查阅https://matplotlib.org/api/_as_gen/matplotlib.pyplot.rc.html?highlight=rc#matplotlib.pyplot.rc。如果对该文件进行了自定义，并将其放在自己的.matplotlib目录中，则每次使用matplotlib时就会加载该文件。
例子，绘出地球的两极
In [1]: import matplotlib.pylab as plt
In [2]: import numpy as np
#自定义图像
In [3]: plt.rc('grid',color='#316931',linewidth=1,linestyle='-')
In [4]: plt.rc('xtick',labelsize=15)
In [5]: plt.rc('ytick',labelsize=15)
#绘出一个图像
In [6]: fig=plt.figure(figsize=(8,8))
#在上面图像上绘出两极图形
In [7]: ax=fig.add_axes([0.1,0.1,0.8,0.8],projection='polar',facecolor='#d5de9c
...: ')
#两极上绘出两条线
In [8]: r=np.arange(0,3.0,0.01)
In [9]: theta=2*np.pi*r
In [10]: ax.plot(theta,r,color='#ee8d18',lw=3,label='a line')
Out[10]: [<matplotlib.lines.Line2D at 0xfb00da0>]
In [11]: ax.plot(0.5*theta,r,color='blue',ls='--',lw=3,label='another line')
Out[11]: [<matplotlib.lines.Line2D at 0xfb4c080>]
In [12]: ax.legend()
Out[12]: <matplotlib.legend.Legend at 0xfb58630>
In [13]: plt.show()
