不論是數據挖掘還是數學建模，都免不了數據可視化的問題。對於 Python 來說，matplotlib 是最著名的繪圖庫，它主要用於二維繪圖，當然也可以進行簡單的三維繪圖。它不但提供了一整套和 Matlab 相似但更為豐富的命令，讓我們可以非常快捷地用 python 可視化數據。
matplotlib基礎
# 安裝 pip install matplotlib
兩種繪圖風格：
-
MATLAB風格：
基本函數是 plot，分別取 x，y 的值，然后取到坐標（x，y）后，對不同的連續點進行連線。
-
面向對象：
創建一個圖形 fig 和一個坐標 ax 。
fig：figure(plt.Figure) 是一個能容納各種坐標軸，圖形，文字和標簽的容器。
ax：axes(plt.Axes) 是一個帶有刻度和標簽的矩形，最終會包含各種可視化元素。
示例：
import matplotlib.pyplot as plt import numpy as np # 圖形顯示風格 plt.style.use('seaborn-whitegrid') # 創建fig和ax fig = plt.figure() ax = plt.axes() x = np.linspace(0,10,100) # 顯示sin函數圖形 plt.plot(x, np.sin(x)) # 顯示cos函數圖形 plt.plot(x, np.cos(x)) plt.show()
這就是利用面向對象的方式繪圖，在交互模式中可以看到，每畫一個圖就是產生一個對象，最后再顯示出來。
繪圖樣式
# 調整坐標軸上下限 plt.xlim([xmin, xmax]) plt.ylim([ymin, ymax]) plt.axis([xmin, xmax, ymin, ymax]) # 參數：tight：把圖形設置成緊湊模式，不留多余的部分 # equal：圖形顯示分辨率為1:1
線形圖
文字設置
圖形標題：plt.title
坐標軸標題：plt.xlabel, plt.ylabel
基礎圖例：plt.legend
注意：對中文不友好，需要額外方法，盡量使用英文
# 示例 import matplotlib.pyplot as plt import numpy as np x = np.linspace(1, 10, 100) plt.plot(x, np.sin(x)) plt.title('sin-function') plt.xlabel('x-value') plt.ylabel('y-label') plt.show()
圖例
通過legend可以設置圖例，同時通過參數的調整可以細膩的設置圖例的位置、形式等。參數主要包括：
-
loc：圖例的位置
-
frameon：是否帶邊框
-
framealpha：顏色透明
-
shadow：陰影
# 示例 import matplotlib.pyplot as plt import numpy as np x = np.linspace(1, 10, 100) fig, ax = plt.subplots() ax.plot(x, np.sin(x), color='red', label='sin-function') ax.plot(x, np.cos(x), color='blue', label='cos-function') ax.legend(loc='upper right', frameon=True, shadow=True, framealpha=0.2) # 設置圖例位置為右上，有邊框，有陰影，且透明度為0.2 plt.show()
顏色條
import matplotlib.pyplot as plt import numpy as np x = np.linspace(1, 10, 100) I = np.sin(x) * np.cos(x[:,np.newaxis]) plt.imshow(I) plt.colorbar() plt.show()
散點圖
散點圖基礎
散點圖主要以點為主，數據是不連續的數據，通過設置線的型號來完成。型號包括‘o’、‘+’、‘*’、‘1’、‘h’、‘D’等等，具體使用探索一下就好，用不到太多。
import matplotlib.pyplot as plt import numpy as np # 圖形顯示風格 plt.style.use('seaborn-whitegrid') x = np.linspace(0, 10, 30) y = np.sin(x) # 通過設置線型為點來完成散點圖的繪制 plt.plot(x, y, 'o', color='blue') plt.show()
如果設置線型為點線結合，那么將繪制出連續的線，對應點處為所設置的點型。
畫散點圖還可以使用scatter函數來畫，他有很多更細節的描述，用法與plot類似，對於數據量較大的可視化時，plot的效率更高一些。
誤差線
import matplotlib.pyplot as plt import numpy as np # 圖形顯示風格 plt.style.use('seaborn-whitegrid') x = np.linspace(0, 10, 30) dy = x * 0.5 y = np.sin(x) + dy plt.errorbar(x, y, yerr=dy, fmt='.k', ecolor='blue') plt.show()
連續誤差線表示的是連續量，可以使用 plt.plot 和 plt.fill_between 來畫出。
import matplotlib.pyplot as plt import numpy as np # 圖形顯示風格 plt.style.use('seaborn-whitegrid') x = np.linspace(0, 10, 30) ysin = np.sin(x) ycos = np.cos(x) plt.plot(x, ysin, color='red') plt.plot(x, ycos, color='blue') plt.fill_between(x, ysin, ycos, color='gray', alpha=0.2) plt.show()
等高線（密度）
-
plt.contour 等高線
-
plt.contourf 自帶填充顏色
-
plt.imshow 顯示圖形
等高線繪制方法：z = f（x，y），z表示高度。當只有一個顏色繪圖時，虛線表示負值，實線表示正值。meshgrid 可以將一維數據變成二維網格數據。
import matplotlib.pyplot as plt import numpy as np def f(x, y): return np.sin(x) ** 10 + np.cos(10 + y * x) * np.cos(x) x = np.linspace(0, 5, 50) y = np.linspace(0, 5, 40) # 得到網格點矩陣 x, y =np.meshgrid(x, y) # 計算z軸的值 z = f(x, y) # 繪制圖形 plt.contour(x, y, z, colors='green') # plt.contour(x, y, z, 50, cmap='RdGy') # 更改配色，值50等分，紅灰配色 plt.show()
plt.contourf(x, y, z, 50, cmap='RdGy') # 改為contourf，自動填充顏色，則變為連續的
直方圖
基本畫法：plt.hist 可以直接畫直方圖，參數主要包括：
-
bins：划分段（柱數）
-
color：顏色
-
alpha：透明度
-
histtype：圖類型
import matplotlib.pyplot as plt import numpy as np data = np.random.randn(1000) plt.hist(data, bins=30, alpha=0.3, histtype='stepfilled', color='blue', edgecolor='none') plt.show()
程序中 random.randn 與 random.rand 相比，randn表示隨機生成的數符合正態分布，因此畫出圖來是如上圖所示。
子圖
plt.subplot(2,1,1) # 子圖，（2,1,1）代表，創建2*1的畫布，並且定位於畫布1 ；等效於plt.subplot(211)，即去掉逗號
# subplots 可以同時創建多個子圖 figure,ax = plt.subplots(2, 3)
# 這是一個靈活創建子圖的方法，可以創建任意組合的圖形，不必一一對齊，以下為示例： grid = plt.GridSpec(2, 3, wspace=0.3, hspace=0.2) plt.subplot(grid[,:2]) plt.subplot(grid[1,1:3])
圖例配置
文字注釋
通過不同的坐標變換，可以把文字放在不同的位置：
-
ax.transData：以數據為基准
-
ax.transAxes：以軸為基准
import matplotlib.pyplot as plt import numpy as np fig, ax = plt.subplots() ax.axis = ([0, 1, 0, 1]) ax.text(0.5, 0.5, "Data:(0.5, 0.5)", transform=ax.transData) ax.text(0.5, 0.1, "Axes:(0.5, 0.1)", transform=ax.transAxes) plt.show()
箭頭注釋
-
plt.arrow：產生SVG向量圖形式的箭頭，會隨着分辨率改變而改變，不推薦
-
plt.annotate：可以創建文字和箭頭
import matplotlib.pyplot as plt import numpy as np fig, ax = plt.subplots() x = np.linspace(0, 20, 1000) ax.plot(x, np.cos(x)) ax.axis('equal') ax.annotate("max", xy=(6.28, 1), xytext=(10, 4), arrowprops=dict(facecolor='black', shrink=0.05)) ax.annotate('min', xy=(5 * np.pi, -1), xytext=(2, -6), arrowprops=dict(arrowstyle="->", connectionstyle='angle3, angleA=0, angleB=-90')) plt.show()
三維圖
基礎三維圖
matplotlib 中繪制三維圖用到 mplot3d 包。導入 mplot3d 包后，可以利用 projection 參數，控制繪制三維圖。
import numpy as np import matplotlib.pyplot as plt from mpl_toolkits import mplot3d fig = plt.figure() ax = plt.axes(projection='3d') plt.show()
三維圖中當然包含三個軸，x，y，z。畫線 ax.plot3D，畫點 ax.scatter3D。為了三維效果，它會自動將遠處的點顏色變淺。
import numpy as np import matplotlib.pyplot as plt from mpl_toolkits import mplot3d fig = plt.figure() ax = plt.axes(projection='3d') z = np.linspace(0, 15, 100) x = np.sin(z) y = np.cos(z) ax.plot3D(x, y, z, 'red') ax.scatter3D(x, y, z, 'blue') plt.show()
三維等高線
import numpy as np import matplotlib.pyplot as plt from mpl_toolkits import mplot3d fig = plt.figure() ax = plt.axes(projection='3d') def f(x, y): return np.sin(np.sqrt(x ** 2 + y ** 2)) x = np.linspace(-6, 6, 30) y = np.linspace(-6, 6, 30) X, Y =np.meshgrid(x, y) Z = f(X, Y) ax.contour3D(X, Y, Z, 50) plt.show()
圖形繪制出來后，可以通過 ax.view_init 來控制觀察的角度，便於理解。
-
俯仰角度：x-y 平面的旋轉角度
-
方位角度：沿着 z 軸順時針旋轉角度
pandas繪圖
上篇文章講述了 pandas 的基本用法，pandas 是數據分析中最重要的工具之一，這里補充一下 pandas 繪圖。
Series繪圖
# 這是一個小栗子 s1 = Series(np.random.randint(1000).cumsum()) # 創建series，cumsum()是指疊加求和，本位數是前幾項之和 s1.plot() # series有自己的plot函數，里面可以寫入想要的參數
DataFrame繪圖
df = DataFrame( np.random.randint(1,10,40).reshape(10,4), columns=['A','B','C','D'] ) df.plot() # dataframe也有自己的plot，按列畫出來，參數包含ax，選擇輸出的畫布 # 參數：stacked=True,表示一個堆疊的情況，同一個index下，columns一不同顏色疊在一起