快速入门Matplotlib

拼搏现实的明天。 2022-09-28 11:39 195阅读 0赞

以下是原文正文：

--------------------

数据的处理、分析和可视化已经成为 Python 近年来最重要的应用之一。这种现象又进一步引出“大数据”分析等类似的话题，而大数据分析在人们所能预见的诸多领域内都有广泛应用，这其中就包含笔者个人感兴趣的机器学习。

Python 在处理数据、分析数据以及数据可视化方面拥有很多功能强大的工具，这也是 Python 在科学领域中能够迅速发展的一个主要原因。

在接下来的一系列文章中，我们将介绍 Python 科学计算中涉及的主要的库，并且学习如何使用它们处理数据以满足我们的需求。但是我们并非只是停留在快速写出模板代码来使用这些库的层面上，我们还会了解这些库背后的数学知识，以帮助我们更好地理解库的运行原理。

首先，我们将从一个功能非常强大的库 Matplotlib 开始介绍，在后面的文章中也会一直用到这个库。

## 什么是 Matplotlib? ##

简单来说，Matplotlib 是 Python 的一个绘图库。它包含了大量的工具，你可以使用这些工具创建各种图形，包括简单的散点图，正弦曲线，甚至是三维图形。Python 科学计算社区经常使用它完成数据可视化的工作。

你可以在他们的[网站][Link 1]上了解到更多 Matplotlib 背后的设计思想，但是我强烈建议你先浏览一下他们的[图库][Link 2]，体会一下这个库的各种神奇功能。

## 画一个简单的图形 ##

首先我们要画一条在 \[0, 2pi\] 上的正弦曲线。读者应该会注意到我们在这里使用了 Numpy 库，但是即便你没有使用过这个库也不用担心，在后面的文章中我们也会介绍到 Numpy 库。

import matplotlib.pyplot as plt
    import numpy as np

以上这些就是我们将要用到的导入模块。在我的上一篇[文章][Link 3](以及[另一篇文章][Link 4])中都提到过 `from x import *` 是一种糟糕的导入方式。我们不想在程序里重复书写 `matplotlib.pyplot` 和 `numpy`，这种书写方式过于冗长，因此我们采用了上面的折中写法。

# 简单的绘图
    x = np.linspace(0, 2 * np.pi, 50)
    plt.plot(x, np.sin(x)) # 如果没有第一个参数 x，图形的 x 坐标默认为数组的索引
    plt.show() # 显示图形

上面的代码将画出一个简单的正弦曲线。`np.linspace(0, 2 * np.pi, 50)` 这段代码将会生成一个包含 50 个元素的数组，这 50 个元素均匀的分布在 \[0, 2pi\] 的区间上。

`plot` 命令以一种简洁优雅的方式创建了图形。提醒一下，如果没有第一个参数 x，图形的 x 轴坐标将不再是 0 到 2pi，而应该是数组的索引范围。

最后一行代码 `` `plt.show()`` 将图形显示出来，如果没有这行代码图像就不会显示。

运行代码后应该会类似得到下面的图形：

![正弦曲线][basic_plotting-1.png]

## 在一张图上绘制两个数据集 ##

大多数时候读者可能更想在一张图上绘制多个数据集。用 Matplotlib 也可以轻松实现这一点。

x = np.linspace(0, 2 * np.pi, 50)
    plt.plot(x, np.sin(x),
            x, np.sin(2 * x))
    plt.show()

上面的代码同时绘制了表示函数 sin(x) 和 sin(2x) 的图形。这段代码和前面绘制一个数据集的代码几乎完全相同，只有一点例外，这段代码在调用 `plt.plot()` 的时候多传入了一个数据集，并用逗号与第一个数据集分隔开。

最后你会得到类似于下面包含两条曲线的图形：

![两条正弦曲线][plotting_two_datasets-1.png]

## 自定义图形的外观 ##

当在同一个图形上展示多个数据集时，通过改变线条的外观来区分不同的数据集变得非常必要。

# 自定义曲线的外观
    x = np.linspace(0, 2 * np.pi, 50)
    plt.plot(x, np.sin(x), 'r-o',
            x, np.cos(x), 'g--')
    plt.show()

上述代码展示了两种不同的曲线样式：`'r-o'` 和 `'g--'`。字母 'r' 和 'g' 代表线条的颜色，后面的符号代表线和点标记的类型。例如 `'-o'` 代表包含实心点标记的实线，`'--'` 代表虚线。其他的参数需要读者自己去尝试，这也是学习 Matplotlib 最好的方式。

> 颜色： 蓝色 - 'b' 绿色 - 'g' 红色 - 'r' 青色 - 'c' 品红 - 'm' 黄色 - 'y' 黑色 - 'k'（'b'代表蓝色，所以这里用黑色的最后一个字母） 白色 - 'w'
> 
>  
> 
> 线： 直线 - '-' 虚线 - '--' 点线 - ':' 点划线 - '-.'
> 
>  
> 
> 常用点标记 点 - '.' 像素 - ',' 圆 - 'o' 方形 - 's' 三角形 - '^' 更多点标记样式点击[这里][Link 5]

最后你会得到类似下面的图形：

![图形][line_customisation-1.png]

## 使用子图 ##

使用子图可以在一个窗口绘制多张图。

# 使用子图
    x = np.linspace(0, 2 * np.pi, 50)
    plt.subplot(2, 1, 1) # （行，列，活跃区）
    plt.plot(x, np.sin(x), 'r')
    plt.subplot(2, 1, 2)
    plt.plot(x, np.cos(x), 'g')
    plt.show()

使用子图只需要一个额外的步骤，就可以像前面的例子一样绘制数据集。即在调用 `plot()` 函数之前需要先调用 `subplot()` 函数。该函数的第一个参数代表子图的总行数，第二个参数代表子图的总列数，第三个参数代表活跃区域。

活跃区域代表当前子图所在绘图区域，绘图区域是按从左至右，从上至下的顺序编号。例如在 4×4 的方格上，活跃区域 6 在方格上的坐标为 (2, 2)。

最终你会得到类似下面的图形：

![子图][subplot-1.png]

## 简单的散点图 ##

散点图是一堆离散点的集合。用 Matplotlib 画散点图也同样非常简单。

# 简单的散点图
    x = np.linspace(0, 2 * np.pi, 50)
    y = np.sin(x)
    plt.scatter(x,y)
    plt.show()

正如上面代码所示，你只需要调用 `scatter()` 函数并传入两个分别代表 x 坐标和 y 坐标的数组。注意，我们通过 `plot` 命令并将线的样式设置为 `'bo'` 也可以实现同样的效果。

最后你会得到类似下面的无线图形：

![散点图][scatter_plot-1.png]

## 彩色映射散点图 ##

另一种你可能用到的图形是彩色映射散点图。这里我们会根据数据的大小给每个点赋予不同的颜色和大小，并在图中添加一个颜色栏。

# 彩色映射散点图
    x = np.random.rand(1000)
    y = np.random.rand(1000)
    size = np.random.rand(1000) * 50
    colour = np.random.rand(1000)
    plt.scatter(x, y, size, colour)
    plt.colorbar()
    plt.show()

上面的代码大量的用到了 `np.random.rand(1000)`，原因是我们绘图的数据都是随机产生的。

同前面一样我们用到了 `scatter()` 函数，但是这次我们传入了另外的两个参数，分别为所绘点的大小和颜色。通过这种方式使得图上点的大小和颜色根据数据的大小产生变化。

然后我们用 `colorbar()` 函数添加了一个颜色栏。

最后你会得到类似于下面的彩色散点图：

![彩色散点图][colormap_scatter-1.png]

## 直方图 ##

直方图是另一种常见的图形，也可以通过几行代码创建出来。

# 直方图
    x = np.random.randn(1000)
    plt.hist(x, 50，color='purple',histtype="bar",rwidth=0.5)#rwidth 可以调控柱状图之间的间距。
    plt.show()

直方图是 Matplotlib 中最简单的图形之一。你只需要给 `hist()` 函数传入一个包含数据的数组。第二个参数代表数据容器的个数。数据容器代表不同的值的间隔，并用来包含我们的数据。数据容器越多，图形上的数据条就越多。

最终你会得到类似下面的直方图：

![Center][]

## 标题，标签和图例 ##

当需要快速创建图形时，你可能不需要为图形添加标签。但是当构建需要展示的图形时，你就需要添加标题，标签和图例。

# 添加标题，坐标轴标记和图例
    x = np.linspace(0, 2 * np.pi, 50)
    plt.plot(x, np.sin(x), 'r-x', label='Sin(x)')
    plt.plot(x, np.cos(x), 'g-^', label='Cos(x)')
    plt.legend() # 展示图例
    plt.xlabel('Rads') # 给 x 轴添加标签
    plt.ylabel('Amplitude') # 给 y 轴添加标签
    plt.title('Sin and Cos Waves') # 添加图形标题
    plt.show()

为了给图形添加图例，我们需要在 `plot()` 函数中添加命名参数 `'label'` 并赋予该参数相应的标签。然后调用 `legend()` 函数就会在我们的图形中添加图例。

接下来我们只需要调用函数 `title()`，`xlabel()` 和 `ylabel()` 就可以为图形添加标题和标签。

你会得到类似于下面这张拥有标题、标签和图例的图形：

![标题][labeling-1.png]

以上内容应该足够帮助读者开始使用 Matplotlib 和 Python 实现数据可视化，但是这些内容并不全面。我强烈建议读者亲自尝试使用这个工具，笔者也是通过这种方式掌握了这个工具。画一些图形，改变样式并使用子图功能，然后你就会很快掌握 Matplotlib 的使用方式。

这是一篇是关于如何使用 Matplotlib 和 Python 完成数据可视化的文章，也是 Python 科学计算系列文章中的第一篇。我希望读者能从中有所收获，并且对 Matplotlib 库更加熟悉。

[Link 1]: http://matplotlib.org/
[Link 2]: http://matplotlib.org/gallery.html
[Link 3]: http://www.datadependence.com/2016/02/pythonic-idioms-others/
[Link 4]: http://www.datadependence.com/2016/04/how-to-build-gui-in-python-3/
[basic_plotting-1.png]: /images/20220708/39b57b0dac054c43bb239cec68191462.png
[plotting_two_datasets-1.png]: /images/20220708/e9d2f2b357324e3c936a85f3d80c3b18.png
[Link 5]: http://matplotlib.org/api/markers_api.html
[line_customisation-1.png]: /images/20220708/0bc02bf648164e9492a391e860503046.png
[subplot-1.png]: /images/20220708/e94133e74dc2494f9249fe6cf8ce9214.png
[scatter_plot-1.png]: /images/20220708/ac7962bb301846bc9c729b343de42058.png
[colormap_scatter-1.png]: /images/20220708/ff746d7005b442688151d50058bf8a82.png
[Center]: /images/20220708/3d5ffecdfe8b41768952de65313196e9.png
[labeling-1.png]: /images/20220708/99cdbc5eba9a4098b8435d4326cf4f61.png