歡迎光臨
每天分享高質量文章

快速入門 Matplotlib

來源:編程派   鏈接:

http://codingpy.com/article/a-quick-intro-to-matplotlib/

 

本文的原作者是 Jamal Moir,是 Python 科學計算系列的第一篇文章。

本文譯者 linkmyth,校對 EarlGrey@編程派。linkmyth 是同濟大學的在讀碩士,主攻web開發、機器學習等方向。

 

以下是原文正文:


 

資料的處理、分析和可視化已經成為 Python 近年來最重要的應用之一。這種現象又進一步引出“大資料”分析等類似的話題,而大資料分析在人們所能預見的諸多領域內都有廣泛應用,這其中就包含筆者個人感興趣的機器學習。

Python 在處理資料、分析資料以及資料可視化方面擁有很多功能強大的工具,這也是 Python 在科學領域中能夠迅速發展的一個主要原因。

在接下來的一系列文章中,我們將介紹 Python 科學計算中涉及的主要的庫,並且學習如何使用它們處理資料以滿足我們的需求。但是我們並非只是停留在快速寫出模板代碼來使用這些庫的層面上,我們還會瞭解這些庫背後的數學知識,以幫助我們更好地理解庫的運行原理。

首先,我們將從一個功能非常強大的庫 Matplotlib 開始介紹,在後面的文章中也會一直用到這個庫。

什麼是 Matplotlib?

簡單來說,Matplotlib 是 Python 的一個繪圖庫。它包含了大量的工具,你可以使用這些工具創建各種圖形,包括簡單的散點圖,正弦曲線,甚至是三維圖形。Python 科學計算社區經常使用它完成資料可視化的工作。

你可以在他們的網站上瞭解到更多 Matplotlib 背後的設計思想,但是我強烈建議你先瀏覽一下他們的圖庫,體會一下這個庫的各種神奇功能。

畫一個簡單的圖形

首先我們要畫一條在 [0, 2pi] 上的正弦曲線。讀者應該會註意到我們在這裡使用了 Numpy 庫,但是即便你沒有使用過這個庫也不用擔心,在後面的文章中我們也會介紹到 Numpy 庫。

import matplotlib.pyplot as plt
import numpy as np

以上這些就是我們將要用到的匯入模塊。在我的上一篇文章(以及另一篇文章)中都提到過 from x import * 是一種糟糕的匯入方式。我們不想在程式里重覆書寫 matplotlib.pyplotnumpy,這種書寫方式過於冗長,因此我們採用了上面的折中寫法。

# 簡單的繪圖
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x)) # 如果沒有第一個引數 x,圖形的 x 坐標預設為陣列的索引
plt.show() # 顯示圖形

上面的代碼將畫出一個簡單的正弦曲線。np.linspace(0, 2 * np.pi, 50) 這段代碼將會生成一個包含 50 個元素的陣列,這 50 個元素均勻的分佈在 [0, 2pi] 的區間上。

plot 命令以一種簡潔優雅的方式創建了圖形。提醒一下,如果沒有第一個引數 x,圖形的 x 軸坐標將不再是 0 到 2pi,而應該是陣列的索引範圍。

最後一行代碼 plt.show() 將圖形顯示出來,如果沒有這行代碼圖像就不會顯示。

運行代碼後應該會類似得到下麵的圖形:

在一張圖上繪製兩個資料集

大多數時候讀者可能更想在一張圖上繪製多個資料集。用 Matplotlib 也可以輕鬆實現這一點。

x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x),
x, np.sin(2 * x))
plt.show()

上面的代碼同時繪製了表示函式 sin(x) 和 sin(2x) 的圖形。這段代碼和前面繪製一個資料集的代碼幾乎完全相同,只有一點例外,這段代碼在呼叫 plt.plot() 的時候多傳入了一個資料集,並用逗號與第一個資料集分隔開。

最後你會得到類似於下麵包含兩條曲線的圖形:

自定義圖形的外觀

當在同一個圖形上展示多個資料集時,通過改變線條的外觀來區分不同的資料集變得非常必要。

# 自定義曲線的外觀
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x), 'r-o',
x, np.cos(x), 'g--')
plt.show()

上述代碼展示了兩種不同的曲線樣式:'r-o''g--'。字母 ‘r’ 和 ‘g’ 代表線條的顏色,後面的符號代表線和點標記的型別。例如 '-o' 代表包含實心點標記的實線,'--' 代表虛線。其他的引數需要讀者自己去嘗試,這也是學習 Matplotlib 最好的方式。

顏色:
藍色 – ‘b’
綠色 – ‘g’
紅色 – ‘r’
青色 – ‘c’
品紅 – ‘m’
黃色 – ‘y’
黑色 – ‘k’(’b’代表藍色,所以這裡用黑色的最後一個字母)
白色 – ‘w’

線:
直線 – ‘-‘
虛線 – ‘—‘
點線 – ‘:’
點劃線 – ‘-.’

常用點標記
點 – ‘.’
像素 – ‘,’
圓 – ‘o’
方形 – ‘s’
三角形 – ‘^’
更多點標記樣式點擊
這裡

最後你會得到類似下麵的圖形:

使用子圖

使用子圖可以在一個視窗繪製多張圖。

# 使用子圖
x = np.linspace(0, 2 * np.pi, 50)
plt.subplot(2, 1, 1) # (行,列,活躍區)
plt.plot(x, np.sin(x), 'r')
plt.subplot(2, 1, 2)
plt.plot(x, np.cos(x), 'g')
plt.show()

使用子圖只需要一個額外的步驟,就可以像前面的例子一樣繪製資料集。即在呼叫 plot() 函式之前需要先呼叫 subplot() 函式。該函式的第一個引數代表子圖的總行數,第二個引數代表子圖的總列數,第三個引數代表活躍區域。

活躍區域代表當前子圖所在繪圖區域,繪圖區域是按從左至右,從上至下的順序編號。例如在 4×4 的方格上,活躍區域 6 在方格上的坐標為 (2, 2)。

最終你會得到類似下麵的圖形:

簡單的散點圖

散點圖是一堆離散點的集合。用 Matplotlib 畫散點圖也同樣非常簡單。

# 簡單的散點圖
x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)
plt.scatter(x,y)
plt.show()

正如上面代碼所示,你只需要呼叫 scatter() 函式並傳入兩個分別代表 x 坐標和 y 坐標的陣列。註意,我們通過 plot 命令並將線的樣式設置為 'bo' 也可以實現同樣的效果。

最後你會得到類似下麵的無線圖形:

彩色映射散點圖

另一種你可能用到的圖形是彩色映射散點圖。這裡我們會根據資料的大小給每個點賦予不同的顏色和大小,併在圖中添加一個顏色欄。

# 彩色映射散點圖
x = np.random.rand(1000)
y = np.random.rand(1000)
size = np.random.rand(1000) * 50
colour = np.random.rand(1000)
plt.scatter(x, y, size, colour)
plt.colorbar()
plt.show()

上面的代碼大量的用到了 np.random.rand(1000),原因是我們繪圖的資料都是隨機產生的。

同前面一樣我們用到了 scatter() 函式,但是這次我們傳入了另外的兩個引數,分別為所繪點的大小和顏色。通過這種方式使得圖上點的大小和顏色根據資料的大小產生變化。

然後我們用 colorbar() 函式添加了一個顏色欄。

最後你會得到類似於下麵的彩色散點圖:

直方圖

直方圖是另一種常見的圖形,也可以通過幾行代碼創建出來。

# 直方圖
x = np.random.randn(1000)
plt.hist(x, 50)
plt.show()

直方圖是 Matplotlib 中最簡單的圖形之一。你只需要給 hist() 函式傳入一個包含資料的陣列。第二個引數代表資料容器的個數。資料容器代表不同的值的間隔,並用來包含我們的資料。資料容器越多,圖形上的資料條就越多。

最終你會得到類似下麵的直方圖:

標題,標簽和圖例

當需要快速創建圖形時,你可能不需要為圖形添加標簽。但是當構建需要展示的圖形時,你就需要添加標題,標簽和圖例。

# 添加標題,坐標軸標記和圖例
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x), 'r-x', label='Sin(x)')
plt.plot(x, np.cos(x), 'g-^', label='Cos(x)')
plt.legend() # 展示圖例
plt.xlabel('Rads') # 給 x 軸添加標簽
plt.ylabel('Amplitude') # 給 y 軸添加標簽
plt.title('Sin and Cos Waves') # 添加圖形標題
plt.show()

為了給圖形添加圖例,我們需要在 plot() 函式中添加命名引數 'label' 並賦予該引數相應的標簽。然後呼叫 legend() 函式就會在我們的圖形中添加圖例。

接下來我們只需要呼叫函式 title()xlabel()ylabel() 就可以為圖形添加標題和標簽。

你會得到類似於下麵這張擁有標題、標簽和圖例的圖形:

以上內容應該足夠幫助讀者開始使用 Matplotlib 和 Python 實現資料可視化,但是這些內容並不全面。我強烈建議讀者親自嘗試使用這個工具,筆者也是通過這種方式掌握了這個工具。畫一些圖形,改變樣式並使用子圖功能,然後你就會很快掌握 Matplotlib 的使用方式。

這是一篇是關於如何使用 Matplotlib 和 Python 完成資料可視化的文章,也是 Python 科學計算系列文章中的第一篇。我希望讀者能從中有所收穫,並且對 Matplotlib 庫更加熟悉。

不要忘記分享和關註

請記得分享這篇文章讓更多的人看到它!另外,記得訂閱這個博客的郵件串列,關註我的Twitter併在Google+上添加我,這樣你就不會錯過任何有價值的文章!

我會閱讀所有的評論,所以無論你有什麼想要說的,或者是想要分享的,甚至是問題之類的,都可以在下麵留言。

赞(0)

分享創造快樂