matplotlib绘制混淆矩阵_03-Matplotlib绘图逻辑框架之基础架构

约定

我们导入matplotlib时，推荐使用：

import matplotlib as mpl

因此，简洁起见，在后面我们将经常使用 mpl 代表 matplotlib。

还将用：

• figure ，表示matplotlib绘制的图形；
• Image，表示位图图像，或栅格图像，保存方式为点阵存储，也称为点阵图像；
• Graphic，表示矢量图形，用数学方法描述的图形。

有一部分初学者，因为对位图、矢量图、分辨率、DPI、PPI、图像尺寸、坐标等概念的不清晰，也造成了学习、使用mpl的一些困扰。

将会专门以一篇文章，用草根的语言讨论一下这些基本概念，理清这些概念对理解matplotlib框架非常有好处。

Matplotlib基础架构

Matplotlib是基于Pythony语言，旨在为Python提供一个数据绘图包的开源项目，它以Python的一个库包的形式分发、安装、调用。

mpl是Python的一个包，记住：Python包就是一个定义了__init__.py文件的文件夹而已，包中的各个模块都会保存在这个文件夹中。

matplotlib 实际上就是提供了 3 种API，用于不同的绘图场景。

• The pyplot API
• The object-oriented API
• The pylab API (已弃用)

mpl需要其它包的支持，主要有：

• numpy，用于提供绘图数据，你要用于绘图的数据都应转换化numpy 的 ndarray，才传递给mpl;。事实上，一幅图像也可以保存为一个ndarray(将专门介绍)。
• backend，后端，简单地说就是将mpl代码转换为图形的后台算法，如mpl中最常用的FigureCanvasAgg，将专文讨论backend。

函数式绘图 pyplot API

matplotlib是受MATLAB的启发构建的，MATLAB语言是面向过程的，利用函数的调用，MATLAB中可以轻松的利用一行命令来绘制直线，然后再用一系列的函数调整结果。

matplotlib通过matplotlib.pyplot模块，完全仿照MATLAB的函数形式，提供了一套绘图接口。这套函数接口方便MATLAB用户过度到matplotlib包。

Python中的函数式编程是通过封装对象实现的。matplotlib中的函数式调用其实也是如此。matplotlib本质上还是构建对象来构建图像。只不过pyplot函数将构建对象的过程封装在函数中，从而让我们觉得很方便。

pyplot函数式绘图创造了一个仿真MATLAB的工作环境，并有许多成形的绘图函数，如果只是作为Matplotlib的一般用户，pyplot可以满足大部分的需求。

但利用函数式绘图会有以下缺点：

1. 增加了一层“函数”调用，降低了效率。
2. 隶属关系被函数掩盖。整个matplotlib包是由一系列有组织有隶属关系的对象构成的。函数掩盖了原有的隶属关系，将事情变得复杂、模糊。
3. 细节被函数掩盖。pyplot并不能完全复制对象体系的所有功能，图像的许多细节调整最终还要回到对象。
4. 每件事情都可以有至少两种方式完成，用户很容易混淆。
5. 封装，掩盖了真相，蒙蔽了很多初学者的双眼，让他们迷失在mpl世界的边缘，始终不能达到自由操控mpl的境界。

第4、5组成了一个陷阱，它就是困住很多初学者的那个最大的坑。

再看下面的函数绘图的示例：

import matplotlib.pyplot as pltplt.plot([1, 2, 3, 4])plt.show()

对于初学者来说，它很简单，也很容易模仿，但很多人不知道，函数封装的一些东西在后台做了些什么，因此长时间只能照猫画虎。

面向对象(OO, object-oriented)绘图

我们改用面向对象(OO, object-oriented)绘图方式绘制上面的直线图。

from matplotlib.figure import Figurefrom matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvasfig = Figure()canvas = FigureCanvas(fig)ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])line, = ax.plot([1, 2, 3, 4])s, (width, height) = canvas.print_to_buffer() from PIL import Image im = Image.frombytes("RGBA