Datawhale可视化 Task01Matplotlib初相识

一、认识matplotlib

Matplotlib是一个Python 2D绘图库，能够以多种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形，用来绘制各种静态，动态，交互式的图表。

Matplotlib可用于Python脚本，Python和IPython Shell、Jupyter notebook，Web应用程序服务器和各种图形用户界面工具包等。

Matplotlib是Python数据可视化库中的泰斗，它已经成为python中公认的数据可视化工具，我们所熟知的pandas和seaborn的绘图接口其实也是基于matplotlib所作的高级封装。

为了对matplotlib有更好的理解，让我们从一些最基本的概念开始认识它，再逐渐过渡到一些高级技巧中。

二、一个最简单的绘图例子

Matplotlib的图像是画在figure（如windows，jupyter窗体）上的，每一个figure又包含了一个或多个axes（一个可以指定坐标系的子区域）。最简单的创建figure以及axes的方式是通过pyplot.subplots命令，创建axes以后，可以使用Axes.plot绘制最简易的折线图。

import matplotlib.pyplot as plt
import numpy as np

fig,ax = plt.subplots()
ax.plot([1,2,3,4],[1,4,2,3])

和MATLAB命令类似，你还可以通过一种更简单的方式绘制图像，matplotlib.pyplot方法能够直接在当前axes上绘制图像，如果用户未指定axes，matplotlib会帮你自动创建一个。所以上面的例子也可以简化为以下这一行代码:

plt.plot([1, 2, 3, 4], [1, 4, 2, 3])  

三、Figure的组成

现在我们来深入看一下figure的组成。通过一张figure解剖图，我们可以看到一个完整的matplotlib图像通常会包括以下四个层级，这些层级也被称为容器（container），下一节会详细介绍。在matplotlib的世界中，我们将通过各种命令方法来操纵图像中的每一个部分，从而达到数据可视化的最终效果，一副完整的图像实际上是各类子元素的集合。

• Figure：顶层级，用来容纳所有绘图元素
• Axes： matplotlib宇宙的核心，容纳了大量元素用来构造一幅幅子图，一个figure可以由一个或多个子图组成
• Axis：axes的下属层级，用于处理所有和坐标轴，网格有关的元素
• Tick：axis的下属层级，用来处理所有和刻度有关的元素
  
  这里关于subplot和axes，开始的时候有挺大的疑惑，后来查了一些资料，对上面的层级有了一些理解。
  figure就相当于一个桌面，也可以理解成window桌面。
  Axes和subplot都可以理解成桌面上的图标，两者的区别是subplot是安排成网格的排列形式，Axes就非常灵活，可以设定原点和坐标轴的长度随便排列，甚至可以重叠。所以subplot相当于是标准化后的Axes

四、两种绘图接口

matplotlib提供了两种最常用的绘图接口

• 显式创建figure和axes，在上面调用绘图方法，也被称为OO模式（object-oriented style)
• 依赖pyplot自动创建figure和axes，并绘图

使用第一种绘图接口，是这样的：

x = np.linspace(0, 2, 100)

fig, ax = plt.subplots()  
ax.plot(x, x, label='linear')  
ax.plot(x, x**2, label='quadratic')  
ax.plot(x, x**3, label='cubic')  
ax.set_xlabel('x label') 
ax.set_ylabel('y label') 
ax.set_title("Simple Plot")  
ax.legend() 

而如果采用第二种绘图接口，绘制同样的图，代码是这样的：

x = np.linspace(0, 2, 100)

plt.plot(x, x, label='linear') 
plt.plot(x, x**2, label='quadratic')  
plt.plot(x, x**3, label='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()

subplots与subplot的区别：
subplots同时创建画布和子图，返回figure和Axes，可以设置nrows和ncolumns等属性，然后用ax来安排子图
例如：

x = np.linspace(0, 2*np.pi, 400)
y = np.sin(x**2)

fig, axs = plt.subplots(2, 2, subplot_kw=dict(polar=True)) #用极坐标系
axs[0, 0].plot(x, y)
axs[1, 1].scatter(x, y)

subplot需要对每一张子图单独设定，好处是可以用于遍历。
例如：

x = np.linspace(0, 2*np.pi, 400)
y = np.sin(x**2)

fig = plt.figure()
ax1 = plt.subplot(221, projection="polar")
ax1.plot(x,y)
ax2 = plt.subplot(224, projection="polar")
ax2.scatter(x,y)
plt.show()

最后，两种绘图接口的区别，其实是函数式编程和对象式编程的区别。
plot()画图的好处是简洁，就算没搞明白子图和画板的结构也能把图画出来，但是如果要画多张图片的时候就会非常混乱。
.plot()的方法虽然会显得繁琐一点，但是逻辑更加紧密，表达也更明确，从画板到子图一步一步得生成