蓝色字体为单词，一些我自己认识的单词就不再罗列，比如font
灰色字体为函数的形参，形参在罗列的时候会省略部分默认值，阅读时可跳过灰色部分字体
棕色部分字体为我自己的疑惑，有待解答，如果你看到觉得easy，欢迎留言教教我
本章内容基于《Python编程 从入门到实践》，作者Eric Matthes
【数据可视化】
matplotlib是Python的一种绘图库，内含许多制作图表的工具
【15.2绘制简单的折线图】
plot /plɑ:t/ v.以图表画出、绘图
figure /ˈfigjər/ n.图形、图表，人物，数字
args→argumentsn.参数(与parameter相比，特指实参)
kwargs→KeyWordArguments n.关键字参数
pyplot模块包含许多生成图表的函数，我们绘制一个简单的折线图：
1 import matplotlib.pyplot as plt 2 squares = [1, 4, 9, 16, 25] 3 plt.plot(squares) 4 plt.show()
先从绘图库matplotlib中导入pyplot模块并命名为plt，定义一个数列squares
plt.plot([x] , y , [fmt] , **kwargs)
plt.plot([x] , y , [fmt] , [x2] , y2 , [fmt2] , ... , **kwargs)
#fmt为format的简写，传入该参数可设置表现数据的形式，如'r+'(红十字点)、'bo'(蓝色圆点)
plt.plot( )函数会尝试将接收到的数据绘制成有意义的图形，而plt.show( )打开matplotlib查看器并显示绘制的图形
观察得知，plt.plot( )将接收到的数据从0到4一一映射，并连线绘制成折线统计图
【15.2.1修改标签文字和线条粗细】
axis /ˈæksis / n.轴，轴心国(其复数形式为axes)
tick /tik/ v.打钩
param /.../ n.参数(与argument相比，特指形参)
matplotlib允许调整可视化的各个方面，我们对上图进行改善：
1 import matplotlib.pyplot as plt 2 3 squares = [1, 4, 9, 16, 25] 4 plt.plot(squares, linewidth = 5) 5 6 plt.title('Square Numbers', fontsize = 24) 7 plt.xlabel('Value', fontsize = 14) 8 plt.ylabel('Square of Value', fontsize) 9 10 plt.tick_params(axis = 'both', labelsize = 14) 11 12 plt.show()
我们在plt.show( )之前添加一些代码
①在plt.plot( )中添加参数linewidth，修改线条的粗细
②plt.title( )可以设置图表标题，通过fontsize参数调整字体大小
plt.title(label , **kwargs)
③plt.xlabel( )和plt.ylabel( )分别可设置x轴和y轴的标题，及大小
plt.xlabel(xlabel , **kwargs)plt.ylabel(ylabel , **kwargs)
④图表中x轴y轴的分度值被称为标签，plt.tick_params( )首先要求参数axis，axis的选项有3个：'x'、'y'和'both'，默认为'both'；通过确定参数axis指定对x轴或y轴做出修改；而修改则是通过指定参数labelsize的值
plt.tick_params(axis = 'both' , **kwargs)
【15.2.2校正图形】
对于plt.plot( )，正如你所见到的形参有([x] , y , [fmt] , **kwargs)，上面只传入了squares一个参数，Python默认赋值给形参中的y值
我们看的图形中的数据并没有被正确绘制，原因在于x轴从0开始；为改变这种默认行为，我们需同时提供x值和y值：
1 input_values = [1, 2, 3, 4, 5] 2 squares = [1, 4, 9, 16, 25] 3 plt.plot(input_values, squares, linewidth = 5)
【15.2.3绘制散点图】
scatter /ˈskætɚ/ v.散开、分散
有时候，我们需要绘制散点图，这时需要使用函数scatter( ) 与plot( )传入fmt参数何异？
plt.scatter(x , y , ... , **kwargs)
1 import matplotlib.pyplot as plt 2 plt.scatter(2, 4) 3 plt.show()
在打开的图形中你会发现点(2 , 4)位于表格的正中央，并被显示以一个蓝色的圆点
我们还可以通过修改scatter( )的参数来设置输出图形的样式
1 plt.scatter(2, 4, s = 200)
plt.scatter(x , y , s = None , ... , **kwargs)
s→size
scalar /ˈskeilɚ/ n.数量、标量 adj.梯状的，分等级的
实参s设置了绘制图形时使用的点的尺寸，你会看到一个更大的蓝点在图表中
1 plt.title('Squares Numbers', fontsize = 24) 2 plt.xlabel('Value', fontsize = 14) 3 plt.ylabel('Square of Value', fontsize = 14) 4 5 plt.tick_params(axis = 'both', which = 'major', labelsize = 14)
以上是对图表的完善，其中的which参数有{'major' , 'minor' , 'both'}选项，分别设置主刻度线、次刻度线以及同时设置
plt.tick_params(axis = 'both' , which = 'major' , ... , **kwargs)
【15.2.4使用scatter( )绘制一系列点】 还是搞不懂与plot( )传入fmt参数的不同？
较为简单，直接将上述的x、y值的类型从int(或str)更改为list即可：
1 x_values = [1, 2, 3, 4, 5] 2 y_values = [1, 4, 9, 16, 25] 3 plt.scatter(x_values, y_values, s = 200)
【15.2.5自动计算数据】
当要绘制的点很多的时候，手动输入点的数据的效率十分低下，因为可以让Python循环来代替：
1 x_values = list(range(1, 1001)) 2 y_values = [x*x for x in x_values] 3 plt.scatter(x_values, y_values, s = 40) 4 5 plt.axis([0, 2000, 0, 4000000])
让Python自动生成数列，再将数列绘制到图表上
plt.axis(*v, **kwargs)
函数axis( )接收一个可变参数(*v)，由于后面的**kwargs存在，所以可变参数的传入需以list或tuple的形式。axis( )接收的*v中包含4个参数，分别是用于设置绘制的图表x轴、y轴的显示范围，即分别为x轴和y轴的最小值和最大值
【15.2.6 - 15.2.8函数scatter( )参数】
【数据点的轮廓】
plt.scatter(x , y , edgecolors = None , ... , **kwargs)
书上设置参数为edgecolor，且写明“默认为蓝色点和黑色轮廓”
但在matplotlib官方文档中，参数名为edgecolors；且在篇头指明edgecolors = None，但在篇末又指明edgecolors = 'face'（轮廓与图形颜色一致）
经测试，参数名为edgecolor与edgecolors等效；默认不为黑色轮廓，应该为'face'
【自定义颜色】
plt.scatter(x , y , c = None , ... , **kwargs)
c→color
通过scatter( )绘制的点默认为蓝色，可传递参数c来更改
参数c可为表示特定颜色的字符串，如'red'，也可通过RGB来设置
注意，与普通的255*255*255位RGB不同，参数c应设置为3个0-1的小数值，分别表示红、绿和蓝的分量
1 plt.scatter(x_values, y_values, c = (0.9, 0.9, 0), s = 40)
经检验，值越接近1，颜色越深
【颜色映射】
map /mæp/ n.地图 v.绘制地图、勘查
颜色映射(colormap)是一系列颜色，从起始颜色渐变到结束颜色
颜色映射用于突出数据的规律，可以使用较浅的颜色来显示较小的值，用较深的颜色显示较大的值
plt.scatter(x , y , cmp = None , ... , **kwargs)
1 plt.scatter(x_values, y_values, s = 40, c = y_values, cmap = plt.cm.Blues)
我们将参数c设置为一个y值列表，即颜色映射的值取自列表y_values；随后传递cmap参数，其告诉pyplot使用哪个颜色进行映射
注意：映射时的参数c所含元素的数目必须与绘制的点的数目相同
传递cmap参数为plt.cm.Blues后，值较小的点将显示为浅蓝色，值较大的点将显示为深蓝色
'Blues'只是一种颜色映射，如果想了解所有的颜色映射，路径为：
访问http://matplotlib.org/ → 单击Example → 找到Color选项 → 'Colormap Reference'
【15.2.9自动保存图表】
我们通过plt.show( )来展示图表，而如果要让程序自动将图表保存到文件中，可替换为：
1 plt.savefig('scatter_squares.png', bbox_inches = 'tight')
plt.savefig(fname , bbox_inches = None)
fig→figure
fname→file name
bbox→bounding box(边界框)
通过savefig( )，第一个实参指定要保存图表的文件名；而关键字参数bbox_inches有{'None' , 'tight'}选项，如果指定'tight'，会将图表多余的空白区域裁剪掉，这样可以生成一个适中的图表
文件将储存到代码文件所在的目录中
【15.3随机漫步图】
从点(0 , 0)开始，随机地移动某个方向若干距离，记录移动后的点；再在该点上继续随机移动。将所有的点绘制到图表上，获得随机漫步图
【15.3.1创建RandomWalk类】
1 from random import choice 2 class RandomWalk(object): 3 def __init__(self , num_points = 5000): 4 self.num_points = num_points 5 self.x_values = [0] 6 self.y_values = [0] 7 8 def fill_walk(self): 9 while len(self.x_values) < self.num_points: 10 x_direction = choice([1 , -1]) 11 x_distance = choice([0 , 1 , 2 , 3 , 4]) 12 x_step = x_direction * x_distance 13 14 y_direction = choice([1 , -1]) 15 y_distance = choice([0 , 1 , 2 , 3 , 4]) 16 y_step = y_direction * y_distance 17 18 if x_step == 0 and y_step == 0: 19 continue 20 21 self.x_values.append(self.x_values[-1] + x_step) 22 self.y_values.append(self.y_values[-1] + y_step)
创建RandomWalk类要确立3个属性：漫步次数(num_points)、横坐标、纵坐标
我们使用x_values和y_values分别存储点的横坐标和纵坐标的值，并规定一开始从(0 , 0)点开始。通过choice( )分别为x和y选择方向(direction)、距离(distance)，明确下一个点要做出的漫步
if x_step == 0 and y_step == 0: continue代码行表明我们不接受原地漫步
最后通过x_step和y_step分别与上一个点相加，得出漫步后的点的坐标，并存储
至此，当创建实例rw并调用rw.fill_walk( )，实例rw就拥有了2个长度为5000的列表，列表中的值除(0 , 0)外完全随机
【15.3.2绘制随机漫步图】
既然rw可以拥有2个长度为5000的列表，那么绘制图表就十分简单了
1 from random_walk import RandomWalk 2 import matplotlib.pyplot as plt 3 4 rw = RandomWalk() 5 rw.fill_walk() 6 plt.scatter(rw.x_values, rw.y_values, s = 5) 7 plt.show()
运行代码，你将看到一副随机漫步图
【15.3.5设置样式】
【15.3.6点着色】
为了体现“漫步”这一动作，我们通过颜色映射来看看漫步的过程
1 point_numbers = list(range(rw.num_points)) 2 plt.scatter(rw.x_values, rw.y_values, s = 10, c = point_numbers, cmp = plt.cm.Blues)
point_numbers为一个包含0到4999的列表，其作用在参数c上，辅助cmp：首次绘制的点c值为1，最后一个绘制的点c值为4999。这样，首次绘制的点的颜色最浅，随着绘制点的增多，颜色越深，便可以大致观测“漫步”过程
【15.3.7起点和终点】
通过颜色映射呈现了各个点的先后顺序，我们还可以重点突出绘制的起点和终点
1 plt.scatter(rw.x_values, rw.y_values, s = 2, c = point_numbers, cmp = plt.cm.Blues) 2 plt.scatter(0, 0, s = 50, c = 'green') 3 plt.scatter(rw.x_values[-1], rw.y_values[-1], s = 50, c = 'red')
【15.3.8增加点数】
通过增加绘制的点数，构造一副漂亮的画
【15.3.9隐藏坐标轴】
1 plt.axes().get_xaxis().set_visible(False) 2 plt.axes().get_yaxis().set_visible(False)
plt.axes(arg = None , **kwargs)
使用函数plt.axes( )来将每条坐标轴的可见性都设置为False
△尝试对比plt.axis( )函数，你会发现plt.axis( )也有类似操作：plt.axis('off')，不同的是，使用plt.axes( )会保留边框线，而plt.axis( )仅呈现绘制的点
详情自行查阅Matplotlib官网
【使用plt.axes( )为什么会有警告：warnings.warn(message , mplDeprecation , stacklevel = 1？？】
【15.3.10调整窗口尺寸】
你会发现，绘制出来的图表始终是同样大小，无论里面的点数量多或少；当点多时，会显示密集，当点少时，会显示稀疏
当你拉动显示图表的窗口放大或缩小时，里面的图表也会相应作出改变
“图表适合窗口的大学时，更能有效地将数据中的规律呈现出来”，于是我们添加代码：
1 plt.figure(figsize = (10, 6))
plt.figure(figure = None , ... , **kwargs)
书籍中，仅仅是指出，给figure( )函数的参数figsize传递一个元组，用以指定绘图窗口的尺寸，单位为英寸
但是它没有强调位置！
经反复试验，有以下情况：
①plt.figure( )放在plt.scatter( )之前，成功指定绘图的窗口大小
②plt.figure( )放在plt.scatter( )之后，但在plt.show( )之前，竟然创建了两个窗口，一个是plt.figure( )创建的指定大小的窗口，但它是空白的；另一个是默认窗口，scatter( )绘制的图表在其中，相当于没有使用plt.figure( )指定窗口大小，还无端多了个无用的空白窗口
我的理解是，scatter( )执行过程中便已经在默认的窗口中完成了绘图，只需show( )即可；倘若之后再通过figure( )指定窗口大小，这时只会额外创建一个符号指定的窗口
③plt.figure( )放在plt.show( )之后，根本没用调用plt.figure( )代码行
△综上，建议在早期未调用相关函数之前就调用plt.figure( )
【15.3.11调整分辨率】
【DPI】(Dots Per Inch)每英寸点数，分辨率的度量单位
DPI在专业人士眼中一般只针对输出设备(如打印机)而言，而针对显示器的图像分辨率则用PPI(Pixels Per Inch)表示。但通常DPI即是指分辨率
pixel /pɪksəl/ n.显示器的像素
Python假定屏幕分辨率为80像素/英寸，因此若指定大小的图表尺寸不合适，可使用形参dpi向figure( )传递自己系统的分辨率：
plt.figure(dpi = 96 , figsize = (10 , 6))
DPI的含义为每英寸像素点，当传递的形参dpi过小，会出现图表显示过小的情况：
【我怎么觉得它更细致了？？】
'''''''
7402
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
