運(yùn)行環(huán)境

由于這是一個(gè)Python語(yǔ)言的軟件包，因此需要你的機(jī)器上首先安裝好Python語(yǔ)言的環(huán)境。關(guān)于這一點(diǎn)，請(qǐng)自行在網(wǎng)絡(luò)上搜索獲取方法。

關(guān)于如何安裝Matplotlib請(qǐng)參見(jiàn)這里：Matplotlib Installing。

筆者推薦大家通過(guò)pip的方式進(jìn)行安裝，具體方法如下：

sudo pip3 install matplotlib

本文中的源碼和測(cè)試數(shù)據(jù)可以在這里獲?。?a rel="external nofollow" >matplotlib_tutorial

本文的代碼示例會(huì)用到另外一個(gè)Python庫(kù)：NumPy。建議讀者先對(duì)NumPy有一定的熟悉，我之前也寫(xiě)過(guò)一個(gè)NumPy的基礎(chǔ)教程，參見(jiàn)這里：Python 機(jī)器學(xué)習(xí)庫(kù) NumPy 教程。

本文的代碼在如下環(huán)境中測(cè)試：

• Apple OS X 10.13
• Python 3.6.3 matplotlib 2.1.1
• numpy 1.13.3

介紹

Matplotlib適用于各種環(huán)境，包括：

• Python腳本
• IPython shell Jupyter notebook
• Web應(yīng)用服務(wù)器
• 用戶(hù)圖形界面工具包

使用Matplotlib，能夠的輕易生成各種類(lèi)型的圖像，例如：直方圖，波譜圖，條形圖，散點(diǎn)圖等。并且，可以非常輕松的實(shí)現(xiàn)定制。

入門(mén)代碼示例

下面我們先看一個(gè)最簡(jiǎn)單的代碼示例，讓我們感受一下Matplotlib是什么樣的：

# test.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.plot(data)
plt.show()

這段代碼的主體邏輯只有三行，但是它卻繪制出了一個(gè)非常直觀的線(xiàn)性圖，如下所示：

對(duì)照著這個(gè)線(xiàn)形圖，我們來(lái)講解一下三行代碼的邏輯：

• 通過(guò)np.arange(100, 201)生成一個(gè)[100, 200]之間的整數(shù)數(shù)組，它的值是：[100, 101, 102, … , 200]
• 通過(guò)matplotlib.pyplot將其繪制出來(lái)。很顯然，繪制出來(lái)的值對(duì)應(yīng)了圖中的縱坐標(biāo)（y軸）。而matplotlib本身為我們?cè)O(shè)置了圖形的橫坐標(biāo)（x軸）：[0, 100]，因?yàn)槲覀儎偤糜?00個(gè)數(shù)值
• 通過(guò)plt.show()將這個(gè)圖形顯示出來(lái)

這段代碼非常的簡(jiǎn)單，運(yùn)行起來(lái)也是一樣。如果你已經(jīng)有了本文的運(yùn)行環(huán)境，將上面的代碼保存到一個(gè)文本文件中（或者通過(guò)Github獲取本文的源碼），然后通過(guò)下面的命令就可以在你自己的電腦上看到上面的圖形了:

python3 test.py

注1：后面的教程中，我們會(huì)逐步講解如何定制圖中的每一個(gè)細(xì)節(jié)。例如：坐標(biāo)軸，圖形，著色，線(xiàn)條樣式，等等。

注2：如果沒(méi)有必要，下文的截圖會(huì)去掉圖形外側(cè)的邊框，只保留圖形主體。

一次繪制多個(gè)圖形

有些時(shí)候，我們可能希望一次繪制多個(gè)圖形，例如：兩組數(shù)據(jù)的對(duì)比，或者一組數(shù)據(jù)的不同展示方式等。

可以通過(guò)下面的方法創(chuàng)建多個(gè)圖形：

多個(gè)figure

可以簡(jiǎn)單的理解為一個(gè)figure就是一個(gè)圖形窗口。matplotlib.pyplot會(huì)有一個(gè)默認(rèn)的figure，我們也可以通過(guò)plt.figure()創(chuàng)建更多個(gè)。如下面的代碼所示：

# figure.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.plot(data)
data2 = np.arange(200, 301)
plt.figure()
plt.plot(data2)
plt.show()

這段代碼繪制了兩個(gè)窗口的圖形，它們各自是一個(gè)不同區(qū)間的線(xiàn)形圖，如下所示：

注：初始狀態(tài)這兩個(gè)窗口是完全重合的。

多個(gè)subplot

有些情況下，我們是希望在同一個(gè)窗口顯示多個(gè)圖形。此時(shí)就這可以用多個(gè)subplot。下面是一段代碼示例：

# subplot.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.subplot(2, 1, 1)
plt.plot(data)
data2 = np.arange(200, 301)
plt.subplot(2, 1, 2)
plt.plot(data2)
plt.show()

這段代碼中，除了subplot函數(shù)之外都是我們熟悉的內(nèi)容。subplot函數(shù)的前兩個(gè)參數(shù)指定了subplot數(shù)量，即：它們是以矩陣的形式來(lái)分割當(dāng)前圖形，兩個(gè)整數(shù)分別指定了矩陣的行數(shù)和列數(shù)。而第三個(gè)參數(shù)是指矩陣中的索引。

因此，下面這行代碼指的是：2行1列subplot中的第1個(gè)subplot。

plt.subplot(2, 1, 1)

下面這行代碼指的是：2行1列subplot中的第2個(gè)subplot。

plt.subplot(2, 1, 2)

所以這段代碼的結(jié)果是這個(gè)樣子：

subplot函數(shù)的參數(shù)不僅僅支持上面這種形式，還可以將三個(gè)整數(shù)（10之內(nèi)的）合并一個(gè)整數(shù)。例如：2, 1, 1可以寫(xiě)成211，2, 1, 2可以寫(xiě)成212。

因此，下面這段代碼的結(jié)果是一樣的：

import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.subplot(211)
plt.plot(data)
data2 = np.arange(200, 301)
plt.subplot(212)
plt.plot(data2)
plt.show()

subplot函數(shù)的詳細(xì)說(shuō)明參見(jiàn)這里：matplotlib.pyplot.subplot

常用圖形示例

Matplotlib可以生成非常多的圖形式樣，多到令人驚嘆的地步。大家可以在這里：Matplotlib Gallery 感受一下。

本文作為第一次的入門(mén)教程，我們先來(lái)看看最常用的一些圖形的繪制。

線(xiàn)性圖

前面的例子中，線(xiàn)性圖的橫軸的點(diǎn)都是自動(dòng)生成的，而我們很可能希望主動(dòng)設(shè)置它。另外，線(xiàn)條我們可能也希望對(duì)其進(jìn)行定制?？匆幌孪旅孢@個(gè)例子：

# plot.py
import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [3, 6, 9], '-r')
plt.plot([1, 2, 3], [2, 4, 9], ':g')
plt.show()

這段代碼可以讓我們得到這樣的圖形：

這段代碼說(shuō)明如下：

plot函數(shù)的第一個(gè)數(shù)組是橫軸的值，第二個(gè)數(shù)組是縱軸的值，所以它們一個(gè)是直線(xiàn)，一個(gè)是折線(xiàn)； 最后一個(gè)參數(shù)是由兩個(gè)字符構(gòu)成的，分別是線(xiàn)條的樣式和顏色。前者是紅色的直線(xiàn)，后者是綠色的點(diǎn)線(xiàn)。關(guān)于樣式和顏色的說(shuō)明請(qǐng)參見(jiàn)plot函數(shù)的API Doc：matplotlib.pyplot.plot

散點(diǎn)圖

scatter函數(shù)用來(lái)繪制散點(diǎn)圖。同樣，這個(gè)函數(shù)也需要兩組配對(duì)的數(shù)據(jù)指定x和y軸的坐標(biāo)。下面是一段代碼示例：

# scatter.py
import matplotlib.pyplot as plt
import numpy as np
N = 20
plt.scatter(np.random.rand(N) * 100,
   np.random.rand(N) * 100,
   c='r', s=100, alpha=0.5)
plt.scatter(np.random.rand(N) * 100,
   np.random.rand(N) * 100,
   c='g', s=200, alpha=0.5)
plt.scatter(np.random.rand(N) * 100,
   np.random.rand(N) * 100,
   c='b', s=300, alpha=0.5)
plt.show()

這段代碼說(shuō)明如下：

這幅圖包含了三組數(shù)據(jù)，每組數(shù)據(jù)都包含了20個(gè)隨機(jī)坐標(biāo)的位置 參數(shù)c表示點(diǎn)的顏色，s是點(diǎn)的大小，alpha是透明度

這段代碼繪制的圖形如下所示：

scatter函數(shù)的詳細(xì)說(shuō)明參見(jiàn)這里：matplotlib.pyplot.scatter

餅狀圖

pie函數(shù)用來(lái)繪制餅狀圖。餅狀圖通常用來(lái)表達(dá)集合中各個(gè)部分的百分比。

# pie.py
import matplotlib.pyplot as plt
import numpy as np
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
data = np.random.rand(7) * 100
plt.pie(data, labels=labels, autopct='%1.1f%%')
plt.axis('equal')
plt.legend()
plt.show()

這段代碼說(shuō)明如下：

data是一組包含7個(gè)數(shù)據(jù)的隨機(jī)數(shù)值 圖中的標(biāo)簽通過(guò)labels來(lái)指定 autopct指定了數(shù)值的精度格式 plt.axis('equal')設(shè)置了坐標(biāo)軸大小一致 plt.legend()指明要繪制圖例（見(jiàn)下圖的右上角）

這段代碼輸出的圖形如下所示：

pie函數(shù)的詳細(xì)說(shuō)明參見(jiàn)這里：matplotlib.pyplot.pie

條形圖

bar函數(shù)用來(lái)繪制條形圖。條形圖常常用來(lái)描述一組數(shù)據(jù)的對(duì)比情況，例如：一周七天，每天的城市車(chē)流量。

下面是一個(gè)代碼示例：

# bar.py
import matplotlib.pyplot as plt
import numpy as np
N = 7
x = np.arange(N)
data = np.random.randint(low=0, high=100, size=N)
colors = np.random.rand(N * 3).reshape(N, -1)
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
plt.title("Weekday Data")
plt.bar(x, data, alpha=0.8, color=colors, tick_label=labels)
plt.show()

這段代碼說(shuō)明如下：

這幅圖展示了一組包含7個(gè)隨機(jī)數(shù)值的結(jié)果，每個(gè)數(shù)值是[0, 100]的隨機(jī)數(shù) 它們的顏色也是通過(guò)隨機(jī)數(shù)生成的。np.random.rand(N * 3).reshape(N, -1)表示先生成21（N x 3）個(gè)隨機(jī)數(shù)，然后將它們組裝成7行，那么每行就是三個(gè)數(shù)，這對(duì)應(yīng)了顏色的三個(gè)組成部分。如果不理解這行代碼，請(qǐng)先學(xué)習(xí)一下Python 機(jī)器學(xué)習(xí)庫(kù) NumPy 教程 title指定了圖形的標(biāo)題，labels指定了標(biāo)簽，alpha是透明度

這段代碼輸出的圖形如下所示：

bar函數(shù)的詳細(xì)說(shuō)明參見(jiàn)這里：matplotlib.pyplot.bar

直方圖

hist函數(shù)用來(lái)繪制直方圖。直方圖看起來(lái)是條形圖有些類(lèi)似。但它們的含義是不一樣的，直方圖描述了數(shù)據(jù)中某個(gè)范圍內(nèi)數(shù)據(jù)出現(xiàn)的頻度。這么說(shuō)有些抽象，我們通過(guò)一個(gè)代碼示例來(lái)描述就好理解了：

# hist.py
import matplotlib.pyplot as plt
import numpy as np
data = [np.random.randint(0, n, n) for n in [3000, 4000, 5000]]
labels = ['3K', '4K', '5K']
bins = [0, 100, 500, 1000, 2000, 3000, 4000, 5000]
plt.hist(data, bins=bins, label=labels)
plt.legend()
plt.show()

上面這段代碼中，[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含了三個(gè)數(shù)組的數(shù)組，這其中：

第一個(gè)數(shù)組包含了3000個(gè)隨機(jī)數(shù)，這些隨機(jī)數(shù)的范圍是 [0, 3000) 第二個(gè)數(shù)組包含了4000個(gè)隨機(jī)數(shù)，這些隨機(jī)數(shù)的范圍是 [0, 4000) 第三個(gè)數(shù)組包含了5000個(gè)隨機(jī)數(shù)，這些隨機(jī)數(shù)的范圍是 [0, 5000)

bins數(shù)組用來(lái)指定我們顯示的直方圖的邊界，即：[0, 100) 會(huì)有一個(gè)數(shù)據(jù)點(diǎn)，[100, 500)會(huì)有一個(gè)數(shù)據(jù)點(diǎn)，以此類(lèi)推。所以最終結(jié)果一共會(huì)顯示7個(gè)數(shù)據(jù)點(diǎn)。同樣的，我們指定了標(biāo)簽和圖例。

這段代碼的輸出如下圖所示：

在這幅圖中，我們看到，三組數(shù)據(jù)在3000以下都有數(shù)據(jù)，并且頻度是差不多的。但藍(lán)色條只有3000以下的數(shù)據(jù)，橙色條只有4000以下的數(shù)據(jù)。這與我們的隨機(jī)數(shù)組數(shù)據(jù)剛好吻合。

hist函數(shù)的詳細(xì)說(shuō)明參見(jiàn)這里：matplotlib.pyplot.hist

結(jié)束語(yǔ)

通過(guò)本文，我們已經(jīng)知道了Matplotlib的大致使用方法和幾種最基本的圖形的繪制方式。

需要說(shuō)明的是，由于是入門(mén)教程，因此本文中我們只給出了這些函數(shù)和圖形最基本的使用方法。但實(shí)際上，它們的功能遠(yuǎn)不止這么簡(jiǎn)單。因此本文中我們貼出了這些函數(shù)的API地址以便讀者進(jìn)一步的研究。

最新評(píng)論