每日一课 | Python数据可视化—Matplotlib初体验

怼烎@ 2023-01-19 14:58 158阅读 0赞

![4fbd52e75b513e86885ffbc12ebab9ee.png][]

大家好，我是营长，昨天营长分享了数据科学”的知识点：如何做好启动准备，不清楚的小伙伴可戳这????[每日一课|如何做好启动准备（小白必读）][Link 1]

本期营长接着为大家分享Python数据可视化相关内容

这期分享营长邀请的是齐伟（Python大学教材及畅销书作者）分享案列上手-Python数据可视化

作者寄语

努力面前，忘记背后，向着标杆直跑。

当遇到貌似无法克服的困难时，当怀疑自己是否能够学会时，当受到其他诱惑想放弃时，请来读一读这句话。

详细开篇词，可戳此链接：https://gitbook.cn/gitchat/column/5c6cd09e7fa9074fde9c8909/topic/5c6cd10f7fa9074fde9c890a

**04**

Matplotlib初体验

初次看到这个名字，是不是会想到另外一个著名的数学工具：Matlab（没想到也不要紧，毕竟 Matlab 是一个在数学及相关领域使用的专门工具）。

之所以要提及 Matlab，是因为它在与数学有关的应用方面颇有些神通，历史也很悠久。

但是，随着应用的要求越来越多，这个有点“古老”的工具，显得力不从心了，于是乎在数据分析、机器学习领域 Python 就异军突起。

随着 Python 的广泛应用，还要有很多的工具分别实现不同的应用。那么，在数据可视化层面，最早出现的就是 Matplotlib，因此，标题称其为“开山鼻祖”，丝毫不为过。

Matplotlib 的发明者是 John D. Hunter（一定要向大神献上敬意、崇拜和感谢）.

2003 年发布了 Matplotlib 的 0.1 版，一路发展而来，版本不断更迭、功能不断丰富。截止到写这段内容为止，官方网站（http://matplotlib.org/）上发布的最新版本是 3.02。

Matplotlib 的使用方法有点类似于 Matlab。同时，它提供了“面向对象的 API”，让经过严格程序开发训练的人用起来也相当顺手。并且，它继承了 Python 的优良传统和一贯作风，即免费、开源和跨平台。

随着技术的进步和时代的变迁，现在能够实现数据可视化的工具越来越多，它们都意欲向 Matplotlib 发起挑战。尽管如此，Matplotlib 的江湖地位依然稳固，并且有很多新生代工具也是依靠它而建立的，比如 Seaborn。因此，学习 Matplotlib，合算且有必要，更何况，Matplotlib 也在与时俱进。

**1.1 按部就班初体验**

好东西，就要有好体验。

先执行 Jupyter，新建一个页面，然后输入如下代码块：

%matplotlib inline

![04fba1442b9eac949f1a5b3af365445b.png][]

‍注意，在输入这一行的时候，“%”与后面的“matplotlib”之间不要有空格。

完成这一行输入之后，通过组合键 Shift + Return（Shift + Enter）执行此代码块——以后提到执行代码或程序，都是如此操作。

执行之后，若没有什么反应，这说明完全正确了。这行代码的作用是告诉 Jupyter，如果生成了图像，就嵌入到当前浏览器页面中；如果不写 inline，会在另外一个新的窗口显示所绘制的图像。

在 Matplotlib 中，真正用来绘图的，是其中一个名字为 pyplot 的子模块，它是一个类似 Matlab 的接口。因此，要用下面的方式引入。注意，引入这个模块之后，为了方便，通常重名为 plt。‍

import matplotlib.pyplot as plt

‍上述代码完成之后，不要执行，而是直接按下回车键，即可在当前代码输入框中继续向下输入。

还要引入在数据科学中常用的 NumPy。

import numpy as np

‍依然不执行代码块，接下来就要写一段程序，演示如何绘制一个函数的曲线。继续输入：

a = np.li
    
    nspace(0, 10, 100)
    b = np.exp(-a)
    plt.plot(a, b)

这部分代码输入完毕，然后执行。如果一切顺利，会得到如下图一样的结果；如果报错，首先检查拼写问题哦。

![3a175870b33e56e43b524963817de605.png][]

以上代码，是在 Jupyter 中绘图的方式。如果不在这个环境中，而是想把代码写成一个可执行的 Python 文件，还需要增加一点东西。

#coding: utf-8
    '''
    filename: ./chapter111.py
    '''
    
    import numpy as np
    import matplotlib.pyplot as plt
    
    a = np.linspace(0, 10, 100)
    b = np.exp(-a)
    plt.plot(a, b)
    
    plt.show()

上面的代码不是写到当前的 Jupyter 中，而是打开一个 IDE，然后把它写入其中，并保存为某名称的文件，比如这里将其命名为 chapter111.py。而后用如下命令执行：

$ python3 chapter111.py

‍执行此程序文件之后，注意观察，会出现一个新窗口，如下图所示。

‍

![5c7e411d94ad7fa091d29ec4e85edcad.png][]

‍这个图提供的功能也不少，可以试一试图示中下面一排功能按钮，体会它们的作用。

以上体验了两种开发环境中制图的方式，特别提醒的是，在 IDE 中写制图程序的时候，需要增加 plt.show()，告诉程序把最终的图示展现出来。通常一个程序就一条这个语句，不论在这个程序中有多少个图。

根据数据科学工作者的习惯，我们还是使用 Jupyter，下文都如此。

在上面的代码中，核心就是 plt.plot 函数，可以通过下面的方式查看这个函数的完整内容。

在 Jupyter 中输入：

plt.plot?

执行之后，可以看到关于此函数的完整内容。下面是摘录的一部分：Signature: plt.plot(\*args, scalex=True, scaley=True, data=None, \*\*kwargs)Docstring:Plot y versus x as lines and/or markers.

Call signatures::

plot([x], y, [fmt], data=None, **kwargs)
    plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)

‍The coordinates of the points or line nodes are given by x, y.

plt.plot 主要用于绘制曲线和点，需要提供 x 和 y 两个坐标轴的参数。至于这个函数的详细应用，后面会讲述。在这里，请掌握一种重要的学习方法：查看帮助文档。操作方式就如同上面所示。

以上绘图过程，其基本思路是承接了 Matlab 的思想，不是在现代编程语言中所倡导的“面向对象”的思想——但并不意味着这种方式不能使用。

那么，如果依据“面向对象”的思想，怎么使用 Matplotlib 作图呢？

先看来自 Matplotlib 官网上的一张图，这张图的内涵相当丰富。‍

![5893ec5861b03dfe493ad2768485c724.png][]

‍这张图，可以看做是一张 Matplotlib 的藏宝图，在以后的课程中，我们会对其中的各对象逐一剖析，内化为自己的知识。

如果将这张图或绘制这张图的过程看作对象，那么图中各元素就是“属性”，其呈现的结果就是“属性的值”，而制作某个元素就是用对象的“方法”实现了。

比如把图中的坐标系看做一个对象，那么在这个坐标系中绘制一条曲线（例如上图中蓝色的那条曲线），就是执行这个坐标系的一种绘图方法。而所绘制的图线的颜色，则是此曲线的属性（属性值是“蓝色”）。

下面就依照“面向对象”的过程，绘制图像。

（1）创建 Figure 对象，它类似于一张画布，可以在这张画布上绘制其他对象。

fig = plt.figure()

‍首先创建一个 Figure 对象，它就相当于一张画布。

创建 Figure 实例对象的方法还可以是：plt.Figure()。

**（2）创建坐标系**

如果要绘制某种曲线，坐标系是不可或缺的。依据面向对象的思想，所创建的 fig 实例对象，应该具有一种创建坐标系的方法。

这个推论完全正确。

继续在上面的代码块中写如下语句：

‍‍‍‍‍‍ax = fig.add_‍axes([0.1, 0.1, 0.8, 0.8])

add\_axes 就是 fig 实例对象中用来创建坐标系的方法，即由此创建了一个 axes 对象，用变量 ax 引用。

如果想知道 fig 实例对象中都有哪些方法？可以如此操作。

在一个代码块中先输入 fig.（注意那个英文句点），然后按下键盘上的 TAB 键，就会看到下图的效果，这里面的都是 fig 实例的属相和方法。因此，不用有意识地去记忆，使用这种方式查找方法和属性名称。‍‍‍‍‍‍

![e1a02e0ab3cfcf9460f45d0e32049fd4.png][]

‍再解释一下上面那一行代码。参数 \[0.1, 0.1, 0.8, 0.8\] 确定了这个坐标系的位置，其含义为 \[left, bottom, width, height\]，左右尺寸都是相对于画布（即 fig 对象）的百分比。例如，第一个 0.1，表示坐标系的左侧相对画布左侧距离为画布宽度的 10%；第四个 0.8，表示坐标系的高度为画布高度的 80%。

目前，代码块中有了上述两行代码了，执行后，就可以看到一张已经有坐标系的图了。‍

![a3836ae1bb42221ecacb1bf306a5f012.png][]

‍‍‍**（3）在坐标系内画曲线**

利用 fig.add\_axes() 创建了一个 Axes 对象，它跟 Figure 对象类似，都是“容器”，即 Axes 对象可以包含其他东西。

还是按照“面向对象”的思路，调用变量 ax 所引用的 axes 对象的方法（切换到 Jupyter）。

在前面的代码块里面，接着写入下面的语句：

a = np.linspace(0, 10, 100)
    b = np.exp(-a)
    ax.plot(a, b)

写好这段代码，就可以立刻执行了，看下效果，如下图所示。

![f4db7f6a2c9de1f3b6f0e9bcba67c37a.png][]

‍如此，就完成了制图，得到了函数曲线。

以上两个作图过程，可以理解为两种风格：

· 第一种是继承了 Matlab 的做法，称为“Matlab 风格”，主要是通过 plt 操作各种绘图相关的函数；

· 第二种以“面向对象”的编程思想为基础，通过对象的方法和属性完成作图。

两者所使用的方法和属性也都是相同的或类似的，下表分别列出了常用的几项。‍

<table> 
 <tbody> 
 <tr> 
 <td>plt 函数</td> 
 <td>ax 对象方法</td> 
 </tr> 
 <tr> 
 <td>plt.plot</td> 
 <td>ax.plot</td> 
 </tr> 
 <tr> 
 <td>plt.legend</td> 
 <td>ax.legend</td> 
 </tr> 
 <tr> 
 <td>plt.xlabel</td> 
 <td>ax.set_xlabel</td> 
 </tr> 
 <tr> 
 <td>plt.ylabel</td> 
 <td>ax.set_ylabel</td> 
 </tr> 
 <tr> 
 <td>plt.xlim</td> 
 <td>ax.set_xlim</td> 
 </tr> 
 <tr> 
 <td>plt.ylim</td> 
 <td>ax.set_ylim</td> 
 </tr> 
 <tr> 
 <td>plt.title</td> 
 <td>ax.set_title</td> 
 </tr> 
 </tbody> 
</table>

‍‍‍“面向对象”和“Matlab 风格”没有优劣之分，因此，后面会交叉使用，请不必厚此薄彼。

用 Matplotlib 除了能完成函数曲线图之外，还能做常规的统计图，比如直方图，它是统计学中常用的一种图形。

在新的代码块中输入如下代码：

from numpy.random import normal,rand
    fig = plt.figure()
    ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
    x = normal(size=200)
    ax.hist(x, bins=30)

然后执行，会看到下图效果：

![29bea90c9e74224bb4db7df3856207ca.png][]

‍因为所用的是随机数，所以，看到的直方图可能互不相同。

ax.hist 就是坐标系对象绘制直方图的方法。

当然，可以绘制的图还有很多种，后面我们会逐渐接触到。‍

**识别二维码**

**进入专栏交流群**

**寻找学习上的小伙伴**

![43899fce4a78c3d1ae2af6ed94799cdf.png][]

‍**总结**

本课是对 Matplot 的初步体验，特别介绍了两种制图方式。在初步接触中，几个函数（方法），并且重点强调要阅读帮助文档，这是一种重要学习方法。

**下期预告：重新认识坐标系**

以上内容均来自CSDN GitChat《Python数据可视化》，作者齐伟，Pthon大学教材及畅销书作者，识别二维码查看专栏更多详情。

**专栏限时特价**

**仅限5月6日-5月12日**

**仅需49元**

**识别二维码查看详情**

????????

![2814638ba49af66157efae48fdc3ecd9.png][]

**点击阅读原文**

[4fbd52e75b513e86885ffbc12ebab9ee.png]: /images/20221021/4c0e42f4532549469e01bace6b0dcf19.png
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzU5MjEwMTE2OQ%3D%3D&chksm=fe2669e2c951e0f4a22311d376f6db3f3077184ca4d9a122d89d068251c91b8ad8a6dabf372f&idx=2&mid=2247500732&scene=21&sn=f4dd1a2af7309c5501254f8aba7690fb#wechat_redirect
[04fba1442b9eac949f1a5b3af365445b.png]: /images/20221021/e9314384df964d39869e150495bb84be.png
[3a175870b33e56e43b524963817de605.png]: /images/20221021/a7abc7b1cc8a4b60b4357ac970deeb06.png
[5c7e411d94ad7fa091d29ec4e85edcad.png]: /images/20221021/0f60752ee4fa4a189ff6ee8930d3728e.png
[5893ec5861b03dfe493ad2768485c724.png]: /images/20221021/7306aaed6a3e461aaa9545aa63b2a8f5.png
[e1a02e0ab3cfcf9460f45d0e32049fd4.png]: /images/20221021/3967576724be46f3a38b8a366d746c2a.png
[a3836ae1bb42221ecacb1bf306a5f012.png]: /images/20221021/555593b61dfd4bec91746cdfde3c21e8.png
[f4db7f6a2c9de1f3b6f0e9bcba67c37a.png]: /images/20221021/8d5aa372c3d74acebd638a36f03b5f75.png
[29bea90c9e74224bb4db7df3856207ca.png]: /images/20221021/60880dbb836b474b8d5ab457982cc884.png
[43899fce4a78c3d1ae2af6ed94799cdf.png]: /images/20221021/d572f09c08034e68829fadebcc7a5773.png
[2814638ba49af66157efae48fdc3ecd9.png]: /images/20221021/91121ebce9924efea427940e3775e580.png