Matplotlib繪圖和可視化
簡介
我的前面兩篇文章介紹了 Nimpy ，Pandas 。今天來介紹一下Matplotlib。
簡單來說，Matplotlib 是 Python 的一個繪圖庫。它包含了大量的工具，你可以使用這些工具創建各種圖形，包括簡單的散點圖，正弦曲線，甚至是三維圖形。Python 科學計算社區經常使用它完成數據可視化的工作。
你可以在他們的網站上了解到更多 Matplotlib 背后的設計思想，但是我強烈建議你先瀏覽一下他們的圖庫，體會一下這個庫的各種神奇功能。
畫一個簡單的圖形
In [1]: import matplotlib.pyplot as plt In [2]: import numpy as np In [3]: x = np.linspace(0, 2 * np.pi, 50) In [6]: plt.plot(x, np.sin(x)) Out[6]: [<matplotlib.lines.Line2D at 0x1dcdc98a748>] In [7]: plt.show()
上面的代碼將畫出一個簡單的正弦曲線。np.linspace(0, 2 * np.pi, 50)這段代碼將會生成一個包含 50 個元素的數組，這 50 個元素均勻的分布在 [0, 2pi] 的區間上。
plot命令以一種簡潔優雅的方式創建了圖形。提醒一下，如果沒有第一個參數 x，圖形的 x 軸坐標將不再是 0 到 2pi，而應該是數組的索引范圍。
最后一行代碼 plt.show()將圖形顯示出來，如果沒有這行代碼圖像就不會顯示。
運行代碼后應該會類似得到下面的圖形：
在一張圖上繪制兩個數據集
大多數時候讀者可能更想在一張圖上繪制多個數據集。用 Matplotlib 也可以輕松實現這一點。
In [15]: x = np.linspace(0, 2 * np.pi, 50) In [16]: plt.plot(x, np.sin(x), x, np.sin(2*x)) Out[16]: [<matplotlib.lines.Line2D at 0x1dcdb38a080>, <matplotlib.lines.Line2D at 0x1dcdb38a1d0>] In [17]: plt.show()
上面的代碼同時繪制了表示函數 sin(x) 和 sin(2x) 的圖形。這段代碼和前面繪制一個數據集的代碼幾乎完全相同，只有一點例外，這段代碼在調用plt.plot()的時候多傳入了一個數據集，並用逗號與第一個數據集分隔開。
最后你會得到類似於下面包含兩條曲線的圖形：
自定義圖形的外觀
當在同一個圖形上展示多個數據集時，通過改變線條的外觀來區分不同的數據集變得非常必要。
In [18]: x = np.linspace(0, 2*np.pi, 50) In [19]: plt.plot(x, np.sin(x), 'r-o', x, np.cos(x), 'g--') Out[19]: [<matplotlib.lines.Line2D at 0x1dcdb695898>, <matplotlib.lines.Line2D at 0x1dcdb695a20>] In [20]: plt.show()
上述代碼展示了兩種不同的曲線樣式：'r-o' 和 'g--'。字母 'r' 和 'g' 代表線條的顏色，后面的符號代表線和點標記的類型。例如 '-o' 代表包含實心點標記的實線，'--' 代表虛線。其他的參數需要讀者自己去嘗試，這也是學習 Matplotlib 最好的方式。
顏色： 藍色 - 'b' 綠色 - 'g' 紅色 - 'r' 青色 - 'c' 品紅 - 'm' 黃色 - 'y' 黑色 - 'k'（'b'代表藍色，所以這里用黑色的最后一個字母） 白色 - 'w' 線： 直線 - '-' 虛線 - '--' 點線 - ':' 點划線 - '-.' 常用點標記 點 - '.' 像素 - ',' 圓 - 'o' 方形 - 's' 三角形 - '^'
更多點標記樣式點擊這里
最后你會得到類似下面的圖形：
使用子圖
使用子圖可以在一個窗口繪制多張圖。
In [21]: x = np.linspace(0, 2*np.pi, 50) In [22]: plt.subplot(2, 1, 1) # (行，列，活躍區) Out[22]: <matplotlib.axes._subplots.AxesSubplot at 0x1dcdb6ba978> In [23]: plt.plot(x, np.sin(x), 'r') Out[23]: [<matplotlib.lines.Line2D at 0x1dcdb7316d8>] In [24]: plt.subplot(2, 1, 2) Out[24]: <matplotlib.axes._subplots.AxesSubplot at 0x1dcdb731ba8> In [25]: plt.plot(x, np.cos(x), 'g') Out[25]: [<matplotlib.lines.Line2D at 0x1dcdb77bfd0>] In [26]: plt.show()
使用子圖只需要一個額外的步驟，就可以像前面的例子一樣繪制數據集。即在調用 plot() 函數之前需要先調用 subplot() 函數。該函數的第一個參數代表子圖的總行數，第二個參數代表子圖的總列數，第三個參數代表活躍區域。
活躍區域代表當前子圖所在繪圖區域，繪圖區域是按從左至右，從上至下的順序編號。例如在 4×4 的方格上，活躍區域 6 在方格上的坐標為 (2, 2)。
最終你會得到類似下面的圖形：
簡單的散點圖
散點圖是一堆離散點的集合。用 Matplotlib 畫散點圖也同樣非常簡單。
In [27]: x = np.linspace(0, 2*np.pi, 50) In [28]: y = np.sin(x) In [29]: plt.scatter(x, y) Out[29]: <matplotlib.collections.PathCollection at 0x1dcddb706a0> In [30]: plt.show()
正如上面代碼所示，你只需要調用 scatter() 函數並傳入兩個分別代表 x 坐標和 y 坐標的數組。注意，我們通過 plot 命令並將線的樣式設置為 'bo' 也可以實現同樣的效果。
最后你會得到類似下面的無線圖形：
彩色映射散點圖
另一種你可能用到的圖形是彩色映射散點圖。這里我們會根據數據的大小給每個點賦予不同的顏色和大小，並在圖中添加一個顏色欄。
In [31]: x = np.random.rand(1000) In [32]: y = np.random.rand(1000) In [33]: size = np.random.rand(1000) * 50 In [34]: colour = np.random.rand(1000) In [35]: plt.scatter(x, y, size, colour) Out[35]: <matplotlib.collections.PathCollection at 0x1dcdde984e0> In [36]: plt.colorbar() Out[36]: <matplotlib.colorbar.Colorbar at 0x1dcddece0b8> In [37]: plt.show()
上面的代碼大量的用到了 np.random.rand(1000)，原因是我們繪圖的數據都是隨機產生的。
同前面一樣我們用到了 scatter() 函數，但是這次我們傳入了另外的兩個參數，分別為所繪點的大小和顏色。通過這種方式使得圖上點的大小和顏色根據數據的大小產生變化。
然后我們用 colorbar() 函數添加了一個顏色欄。
最后你會得到類似於下面的彩色散點圖：
直方圖
直方圖是另一種常見的圖形，也可以通過幾行代碼創建出來。
In [38]: x = np.random.randn(1000) In [39]: plt.hist(x, 50) Out[39]: (array([ 2., 0., 0., 1., 2., 2., 1., 0., 1., 1., 9., 6., 11., 16., 20., 18., 23., 26., 34., 25., 42., 31., 52., 40., 38., 56., 35., 49., 49., 41., 44., 46., 46., 31., 30., 32., 26., 24., 24., 16., 8., 5., 12., 4., 4., 5., 2., 7., 2., 1.]), array([-3.32384545, -3.20164134, -3.07943724, -2.95723314, -2.83502904, -2.71282494, -2.59062084, -2.46841674, -2.34621264, -2.22400854, -2.10180443, -1.97960033, -1.85739623, -1.73519213, -1.61298803, -1.49078393, -1.36857983, -1.24637573, -1.12417163, -1.00196752, -0.87976342, -0.75755932, -0.63535522, -0.51315112, -0.39094702, -0.26874292, -0.14653882, -0.02433471, 0.09786939, 0.22007349, 0.34227759, 0.46448169, 0.58668579, 0.70888989, 0.83109399, 0.95329809, 1.0755022 , 1.1977063 , 1.3199104 , 1.4421145 , 1.5643186 , 1.6865227 , 1.8087268 , 1.9309309 , 2.05313501, 2.17533911, 2.29754321, 2.41974731, 2.54195141, 2.66415551, 2.78635961]), <a list of 50 Patch objects>) In [40]: plt.show()
直方圖是 Matplotlib 中最簡單的圖形之一。你只需要給 hist() 函數傳入一個包含數據的數組。第二個參數代表數據容器的個數。數據容器代表不同的值的間隔，並用來包含我們的數據。數據容器越多，圖形上的數據條就越多。
最終你會得到類似下面的直方圖：
標題，標簽和圖例
當需要快速創建圖形時，你可能不需要為圖形添加標簽。但是當構建需要展示的圖形時，你就需要添加標題，標簽和圖例。
In [41]: x = np.linspace(0, 2*np.pi, 50) In [42]: plt.plot(x, np.sin(x), 'r-x', label='Sin(x)') Out[42]: [<matplotlib.lines.Line2D at 0x1dcde55db00>] In [43]: plt.plot(x, np.cos(x), 'g-^', label='Cos(x)') Out[43]: [<matplotlib.lines.Line2D at 0x1dcde282ac8>] In [44]: plt.legend() # 展示圖例 Out[44]: <matplotlib.legend.Legend at 0x1dcde282dd8> In [45]: plt.xlabel('Rads') # 給x軸添加標簽 Out[45]: Text(0.5,0,'Rads') In [46]: plt.ylabel('Amplitude') # 給y軸添加標簽 Out[46]: Text(0,0.5,'Amplitude') In [47]: plt.title('Sin and Cos Waves') # 添加圖形標題 Out[47]: Text(0.5,1,'Sin and Cos Waves') In [48]: plt.show()
為了給圖形添加圖例，我們需要在 plot() 函數中添加命名參數 'label' 並賦予該參數相應的標簽。然后調用 legend() 函數就會在我們的圖形中添加圖例。
接下來我們只需要調用函數 title()，xlabel() 和 ylabel() 就可以為圖形添加標題和標簽。
你會得到類似於下面這張擁有標題、標簽和圖例的圖形：
餅圖
餅圖陰影、分裂等屬性設置：
# labels參數設置每一塊的標簽； # labeldistance參數設置標簽距離圓心的距離（比例值） # autopct參數設置比例值小數保留位(%.3f%%)； # pctdistance參數設置比例值文字距離圓心的距離 # explode參數設置每一塊頂點距圓心的長度（比例值,列表）； # colors參數設置每一塊的顏色（列表）； # shadow參數為布爾值，設置是否繪制陰影 # startangle參數設置餅圖起始角度
餅圖適合展示各部分占總體的比例，條形圖適合比較各部分的大小
In [51]: x = [11, 22, 33, 44] In [52]: plt.pie(x, labels=['a', 'b', 'c', 'd']) Out[52]: ([<matplotlib.patches.Wedge at 0x1dcde8894a8>, <matplotlib.patches.Wedge at 0x1dcde8899b0>, <matplotlib.patches.Wedge at 0x1dcde889e80>, <matplotlib.patches.Wedge at 0x1dcde891390>], [Text(1.04616,0.339919,'a'), Text(0.339919,1.04616,'b'), Text(-1.04616,0.339919,'c'), Text(0.339919,-1.04616,'d')]) In [53]: plt.show()
最終你會得到類似下面的餅圖：