python数据可视化matplotlib（上）

python数据可视化matplotlib（上）

Matplotlib 是支持 Python 语言的开源绘图库，因为其支持丰富的绘图类型、简单的绘图方式以及完善的接口文档，深受 Python 工程师、科研学者、数据工程师等各类人士的喜欢。既然那么多人喜欢，那肯定挺好用的，那就开讲吧。

• 上篇：基本图像绘制
• 中篇：图像中内容的设置
• 下篇：实战案例加额外的知识

安装

如果你用的是anaconda，那就不用安装了，它本身就自带matplotlib的（许多数据分析的常用工具包都有，非常适合不做工程开发的数据分析小伙伴。）

pip install matplotlib

导入

%matplotlib inline 
from matplotlib import pyplot as plt

显示设置：

• 在notebook模式下 ：%matplotlib inline
• 在ipython模式下%pylab inline

画布

figure()

要画画先得有个画布，对吧。

#首先创建一个画布
plt.figure()
plt.show()
plt.figure(figsize=(18,4))
plt.show()
plt.figure(figsize=(16,1))
plt.show()

输出：

<Figure size 432x288 with 0 Axes>
<Figure size 1296x288 with 0 Axes>
<Figure size 1152x72 with 0 Axes>

对比发现，默认大小为 6：4，比例中1代表73个像素点。自由发挥，按需设置。
如果想要在一个画布中绘制多张图呢？

subplot()

想要一个2*2的画布，我们可以通过subplot(2,2,i)，i表示取得第i个位置。

plt.figure(figsize=(18,4))
plt.subplot(2,2,1)
plt.xticks(())#设置坐标轴的刻度和标签以及旋转角度，如果没有会显示出来坐标轴的刻度
plt.yticks(())#设置坐标轴的刻度和标签以及旋转角度，如果没有会显示出来坐标轴的刻度
plt.text(0.5,0.5,'subplot(2,2,1)',ha='center',va='center',size=20,alpha=5)#alpha参数表示显示字体的深度

plt.subplot(2,2,2)
plt.xticks(())
plt.yticks(())
plt.text(0.5,0.5,'subplot(2,2,2)',ha='center',va='center',size=20,alpha=.5)

plt.subplot(2,2,3)
plt.xticks(())
plt.yticks(())
plt.text(0.5,0.5,'subplot(2,2,3)',ha='center',va='center',size=20,alpha=.5)

plt.subplot(2,2,4)
plt.xticks(())
plt.yticks(())
plt.text(0.5,0.5,'subplot(2,2,4)',ha='center',va='center',size=20,alpha=.5)

plt.tight_layout()
plt.show()

效果：

这样是不是很用以就看出来，每个位置该怎么操作了。难道只有这种布局方式吗？当然不是啦，强大的matplotlib还支持通过”切片“来设置

%matplotlib inline
from matplotlib import pyplot as plt
import matplotlib.gridspec as gridspec

plt.figure(figsize=(18,4))
G = gridspec.GridSpec(3,3)
#通过这个gridspec对象来分配一张图的空间，并让子图通过索引的方式来获得显示区域

axes_i = plt.subplot(G[0,:])#取得第一行的所有列
plt.xticks(())
plt.yticks(())
plt.text(0.5,0.5,'Axes1',ha='center',va='center',size=20,alpha=.5)

axes_i = plt.subplot(G[1:,0])#第二行起到最后一行的第一列
plt.xticks(())
plt.yticks(())
plt.text(0.5,0.5,'Axes2',ha='center',va='center',size=20,alpha=.5)

axes_i = plt.subplot(G[1:,-1]))#第二行起到最后一行的最后一列
plt.xticks(())
plt.yticks(())
plt.text(0.5,0.5,'Axes3',ha='center',va='center',size=20,alpha=.5)

axes_i = plt.subplot(G[1,-2])#第二行的倒数第二列
plt.xticks(())
plt.yticks(())
plt.text(0.5,0.5,'Axes4',ha='center',va='center',size=20,alpha=.5)

axes_i = plt.subplot(G[-1,-2])#最后一行的倒数第二列
plt.xticks(())
plt.yticks(())
plt.text(0.5,0.5,'Axes5',ha='center',va='center',size=20,alpha=.5)

plt.tight_layout()
plt.show()

效果：

将一个划分分成一个n*n的画布，然后通过切片的方式来定义图片的位置，将想要画的图像放在指定的位置。

画布准备好了，那就画画其他的吧。

折线图plot()

折线图可以呈现数据的变化趋势。

前面，我们从 Matplotlib 中导入了 pyplot 绘图模块，并将其简称为 plt。pyplot 模块是 Matplotlib 最核心的模块，几乎所有样式的 2D 图形都是经过该模块绘制出来的.。至于为什么简称为plt，是约定俗成的，想与众不同就定义成自己想要的吧。

plt.plot() 是 pyplot 模块下面的直线绘制（折线图）方法类。(不过它也可以其他的图。)

plt.plot([2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16],
         [1, 2, 3, 2, 1, 2, 3, 4, 5, 6, 5, 4, 3, 2, 1])

plot要传入的第一个是*args。这里主要将需要画图的x、y坐标放到列表或者数组中传入即可（需要按照x，y的顺序传入）。

%matplotlib inline
form matplot import pyplot as plt
import numpy as np 

# 在 -2PI 和 2PI 之间等间距生成 1000 个值，也就是 X 坐标
X = np.linspace(-2*np.pi, 2*np.pi, 1000)
y1 = x**2# 计算 y 坐标
y2 = 2*X# 计算 y 坐标
plt.plot(X,y1,X,y2)# 向方法中 `*args` 输入 X，y 坐标

按照这种方式就可以将多个图像绘制在一起了。图像中的设置在中篇中介绍。

阶梯图step()

在绘制ROC曲线的时候可以用一用哦。

n = np.array([0, 1, 2, 3, 4, 5])
plt.figure()
plt.step(n, n**2)

柱形图bar()

柱形图可以描述数据量的多少；可以进行不同维度之间的数据对比等。
柱形图 matplotlib.pyplot.bar(*args, **kwargs)

plt.bar([1, 2, 3], [1, 2, 3])

直方图hist()

直方图能够让我们了解连续变量的分布及稳定性。

#概率分布直方图（均值：0，方差：1）
mean = 0
sigma = 1
x=mean+sigma*np.random.randn(10000)

plt.figure()
#第二个参数代表分组的数量
plt.hist(x,40,facecolor='yellowgreen',alpha=0.75)
plt.show()

plt.hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, normed=None, *, data=None, **kwargs)
最主要的是前两个参数，第一个是传入一个连续变量，第二个参数是一个分组变量，如果把组的数量定得越大，那么柱子就越细。

饼图pie()

饼图可以看出离散变量的分布情况、占比情况。

饼状图通过 matplotlib.pyplot.pie() 绘出。我们也可以进一步设置它的颜色、标签、阴影等各类样式。下面就绘出一个示例。

label = 'Cat', 'Dog', 'Cattle', 'Sheep', 'Horse'  # 各类别标签
color = 'r', 'g', 'r', 'g', 'y'  # 各类别颜色
size = [1, 2, 3, 4, 5]  # 各类别占比
# 绘制饼状图
plt.pie(size, colors=color,
        labels=label, shadow=True, autopct='%1.1f%%')
# 饼状图呈正圆
plt.axis('equal')

散点图scatter()

散点图能够展示点的分布情况。
散点图 matplotlib.pyplot.scatter(*args, **kwargs) 就是呈现在二维平面的一些点，这种图像的需求也是非常常见的。

# X,y 的坐标均有 numpy 在 0 到 1 中随机生成 1000 个值
X = np.random.ranf(600)
y = np.random.ranf(600)
# 向方法中 `*args` 输入 X，y 坐标
plt.scatter(X, y)

量场图 quiver()

这个了解一下，用的可能会比较少。
量场图 matplotlib.pyplot.quiver(*args, **kwargs) 就是由向量组成的图像，在气象学等方面被广泛应用。从图像的角度来看，量场图就是带方向的箭头符号。

X, y = np.mgrid[0:10, 0:10]
plt.quiver(X, y)

热力图/等高线图 meshgrid()

热力图 / 等高线图 matplotlib.pyplot.contourf(*args, **kwargs)

# 生成网格矩阵
x = np.linspace(-5, 5, 500)
y = np.linspace(-5, 5, 500)
X, Y = np.meshgrid(x, y)#构造一个网格
# 等高线计算公式
Z = (1 - X / 2 + X ** 3 + Y ** 5) * np.exp(-X ** 2 - Y ** 2)

plt.contourf(X, Y, Z)

x，y主要是确定一个网格坐标点，图上呈现什么样的颜色靠z的值来决定。

3D图

%matplotlib inline
from matplotlib import pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = Axes3D(fig)

x = np.arange(-4,4,0.25)
y = np.arange(-4,4,0.25)
X,Y = np.meshgrid(x,y)
R = np.sqrt(X**2+Y**2)
Z = np.sin(R)

ax.plot_surface(X,Y,Z, rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'))
plt.show()

rstride=1,cstride=1这两个参数是成对出现的，用于控制色块的大小，改打了方块会很大，然后很丑。（我就不试了，想看的自己运行一下，嘻嘻）。

保存图像

画完了当然得把他保存一下啦。

plt.savefig("photo.jpg")

写在最后

这里包含了大部分常用的基本图形，以及matplotlib的基本绘图方法。官方文档里有许多值得我们探索的东西，我这里只是把一些常用的内容记录下来，想要深入了解的官方文档你值得拥有。光看收获是不大的，自己动动手才能把知识记牢，才能探索出更好玩的东西。