Python易筋经-matplotlib

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。今天记录一下matplotlib，在数据可视化方面，你必须熟练shying它。

Matplotlib

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。
首先引入模块包：

import matplotlib.pyplot as plt

画一段正弦曲线

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(1,10,50)  #在指定的间隔内返回均匀间隔的数字。
plt.plot(x,np.sin(x)) #定义显示x轴，y轴数据
plt.show() #图显示

输出图形如下：

叠加绘制两个数据集

试试用上面的50个数字绘制正弦曲线和余弦曲线的叠加。

plt.plot(x,np.sin(x),x,np.cos(x))
plt.show()

输出图形如下：

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。

plt.plot(x,np.sin(x),'r-o',x,np.cos(x),'g--')
plt.show()

输出图形如下：

代码展示了两种不同的曲线样式：'r-o' 和 'g--'

处理文字

text()命令可以在任意的位置添加文字，xlabel(),ylabel(),title()分别是添加x轴，y轴标签和标题。

import matplotlib.pyplot as plt
import numpy as np
# Fixing random state for reproducibility
np.random.seed(19680801)
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)
# the histogram of the data
n, bins, patches = plt.hist(x, 50, normed=1, facecolor='b', alpha=0.75)
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

输出图形：

plt.title(r'$\sigma_i=15$')

前置的r是指定它后面的字符串是原始的字符串，然后用$包裹表示中间的是数学表达式，\表示转译具体的数学符号。

注释

annotate()方法提供了一个注释的方法。
annotate(string,xy,xytest,arrowprops)

ax = plt.subplot(111)
t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)
plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
arrowprops=dict(facecolor='red', shrink=0.05),
)
plt.ylim(-2,2)
plt.show()

输出图形：

默认的情况下，xy和xytext使用的坐标是数据的坐标，你也可以指定其他的坐标系统。

使用子图

在一个窗口绘制多张图，将上述的叠加的用不同曲线样式的例子用子图的方式改造：

plt.subplot(2,1,1)
plt.plot(x,np.sin(x),'r-o')
plt.subplot(2,1,2)
plt.plot(x,np.cos(x),'g--')
plt.show()

输出图形如下：

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 3×3 的方格上，活跃区域 4 在方格上的坐标为 (1, 1)。

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。
还以画正弦曲线为例：

plt.scatter(x,np.sin(x))
plt.show()

输出图形：

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。

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。

x = np.random.rand(1000)
y = np.random.rand(1000)
size = np.random.rand(1000)*50
colors = np.random.rand(1000)
plt.scatter(x,y,size,colors)
plt.colorbar()
plt.show()

输出图形：

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。

直方图

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。

z = np.random.rand(1000)
plt.hist(z,50)
plt.show()

输出图形：

添加标题、坐标轴标记和图例

数据仍然使用上述正弦曲线和余弦曲线叠加图的那个，现在把标签和纵横坐标标签以及图例加上：

plt.plot(x,np.sin(x),'r-o',label='Sin(x)') # 要显示图例，需定义lable参数
plt.plot(x,np.cos(x),'g-^',label='Cos(x)')
plt.legend() #图例
plt.xlabel('Xlabel') #x轴标签
plt.ylabel('Ylabel') #y轴标签
plt.title('my title') # 标题
plt.show()

输出图形：