Matplotlib 快速入门

Matplotlib 快速入门编程派微信号:codingpy看完此文如果觉得不错,不妨点击文末广告支持一下昨天公众号推出的免费赠书活动还在进行,首先感谢大家的积极参与!看了眼

大家好,欢迎来到IT知识分享网。

Matplotlib 快速入门

编程派微信号:codingpy

看完此文如果觉得不错,不妨点击文末广告支持一下

昨天公众号推出的免费赠书活动还在进行,首先感谢大家的积极参与!看了眼前五的朋友,比刚开始时的变化还是挺大的啊,昨天没看到的朋友不要错过了哦。

回到今天这篇文章,主题是 Python 库中大名鼎鼎的绘图图 Matplotlib 。当初我也是受了这个库的吸引,开始学习 Python 的。给大家看几张用 Matplotlib 生成的图:(首图也是用 Matplotlib 绘制的)

Matplotlib 快速入门

本文的原作者是 Jamal Moir,是 Python 科学计算系列的第一篇文章,或许有人已经翻译过了,但我觉得我们 Python 翻译组的译文质量还是不错的。希望对喜欢 Python 的各位朋友有帮助。

本文译者 linkmyth,校对 EarlGrey@编程派。linkmyth 是同济大学的在读硕士,主攻web开发、机器学习等方向。

以下是原文正文:

数据的处理、分析和可视化已经成为 Python 近年来最重要的应用之一。这种现象又进一步引出“大数据”分析等类似的话题,而大数据分析在人们所能预见的诸多领域内都有广泛应用,这其中就包含笔者个人感兴趣的机器学习。

Python 在处理数据、分析数据以及数据可视化方面拥有很多功能强大的工具,这也是 Python 在科学领域中能够迅速发展的一个主要原因。

在接下来的一系列文章中,我们将介绍 Python 科学计算中涉及的主要的库,并且学习如何使用它们处理数据以满足我们的需求。但是我们并非只是停留在快速写出模板代码来使用这些库的层面上,我们还会了解这些库背后的数学知识,以帮助我们更好地理解库的运行原理。

首先,我们将从一个功能非常强大的库 Matplotlib 开始介绍,在后面的文章中也会一直用到这个库。

什么是 Matplotlib?

简单来说,Matplotlib 是 Python 的一个绘图库。它包含了大量的工具,你可以使用这些工具创建各种图形,包括简单的散点图,正弦曲线,甚至是三维图形。Python 科学计算社区经常使用它完成数据可视化的工作。

你可以在他们的网站上了解到更多 Matplotlib 背后的设计思想,但是我强烈建议你先浏览一下他们的图库,体会一下这个库的各种神奇功能。

画一个简单的图形

首先我们要画一条在 [0, 2pi] 上的正弦曲线。读者应该会注意到我们在这里使用了 Numpy 库,但是即便你没有使用过这个库也不用担心,在后面的文章中我们也会介绍到 Numpy 库。

import matplotlib.pyplot as plt

import numpy as np

以上这些就是我们将要用到的导入模块。在我的上一篇文章(以及另一篇文章)中都提到过 from x import * 是一种糟糕的导入方式。我们不想在程序里重复书写 matplotlib.pyplotnumpy,这种书写方式过于冗长,因此我们采用了上面的折中写法。

# 简单的绘图

x = np.linspace(0, 2 * np.pi, 50)

plt.plot(x, np.sin(x))

# 如果没有第一个参数 x,图形的 x 坐标默认为数组的索引

plt.show() # 显示图形

上面的代码将画出一个简单的正弦曲线。np.linspace(0, 2 * np.pi, 50) 这段代码将会生成一个包含 50 个元素的数组,这 50 个元素均匀的分布在 [0, 2pi] 的区间上。

plot 命令以一种简洁优雅的方式创建了图形。提醒一下,如果没有第一个参数 x,图形的 x 轴坐标将不再是 0 到 2pi,而应该是数组的索引范围。

最后一行代码 `plt.show() 将图形显示出来,如果没有这行代码图像就不会显示。

运行代码后应该会类似得到下面的图形:

Matplotlib 快速入门

在一张图上绘制两个数据集

大多数时候读者可能更想在一张图上绘制多个数据集。用 Matplotlib 也可以轻松实现这一点。

x = np.linspace(0, 2 * np.pi, 50)

plt.plot(x, np.sin(x),

x, np.sin(2 * x))

plt.show()

上面的代码同时绘制了表示函数 sin(x) 和 sin(2x) 的图形。这段代码和前面绘制一个数据集的代码几乎完全相同,只有一点例外,这段代码在调用 plt.plot() 的时候多传入了一个数据集,并用逗号与第一个数据集分隔开。

最后你会得到类似于下面包含两条曲线的图形:

Matplotlib 快速入门

自定义图形的外观

当在同一个图形上展示多个数据集时,通过改变线条的外观来区分不同的数据集变得非常必要。

# 自定义曲线的外观

x = np.linspace(0, 2 * np.pi, 50)

plt.plot(x, np.sin(x), ‘r-o’,

x, np.cos(x), ‘g–‘)

plt.show()

上述代码展示了两种不同的曲线样式:'r-o''g--'。字母 ‘r’ 和 ‘g’ 代表线条的颜色,后面的符号代表线和点标记的类型。例如 '-o' 代表包含实心点标记的实线,'--' 代表虚线。其他的参数需要读者自己去尝试,这也是学习 Matplotlib 最好的方式。

颜色:

蓝色 – ‘b’

绿色 – ‘g’

红色 – ‘r’

青色 – ‘c’

品红 – ‘m’

黄色 – ‘y’

黑色 – ‘k’(’b’代表蓝色,所以这里用黑色的最后一个字母)

白色 – ‘w’

线:

直线 – ‘-‘

虚线 – ‘—‘

点线 – ‘:’

点划线 – ‘-.’

常用点标记

点 – ‘.’

像素 – ‘,’

圆 – ‘o’

方形 – ‘s’

三角形 – ‘^’

更多点标记样式点击这里

最后你会得到类似下面的图形:

Matplotlib 快速入门

使用子图

使用子图可以在一个窗口绘制多张图。

# 使用子图

x = np.linspace(0, 2 * np.pi, 50)

plt.subplot(2, 1, 1) # (行,列,活跃区)

plt.plot(x, np.sin(x), ‘r’)

plt.subplot(2, 1, 2)

plt.plot(x, np.cos(x), ‘g’)

plt.show()

使用子图只需要一个额外的步骤,就可以像前面的例子一样绘制数据集。即在调用 plot() 函数之前需要先调用 subplot() 函数。该函数的第一个参数代表子图的总行数,第二个参数代表子图的总列数,第三个参数代表活跃区域。

活跃区域代表当前子图所在绘图区域,绘图区域是按从左至右,从上至下的顺序编号。例如在 4×4 的方格上,活跃区域 6 在方格上的坐标为 (2, 2)。

最终你会得到类似下面的图形:

Matplotlib 快速入门

简单的散点图

散点图是一堆离散点的集合。用 Matplotlib 画散点图也同样非常简单。

# 简单的散点图

x = np.linspace(0, 2 * np.pi, 50)

y = np.sin(x)

plt.scatter(x,y)

plt.show()

正如上面代码所示,你只需要调用 scatter() 函数并传入两个分别代表 x 坐标和 y 坐标的数组。注意,我们通过 plot 命令并将线的样式设置为 'bo' 也可以实现同样的效果。

最后你会得到类似下面的无线图形:

Matplotlib 快速入门

彩色映射散点图

另一种你可能用到的图形是彩色映射散点图。这里我们会根据数据的大小给每个点赋予不同的颜色和大小,并在图中添加一个颜色栏。

# 彩色映射散点图

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()

上面的代码大量的用到了 np.random.rand(1000),原因是我们绘图的数据都是随机产生的。

同前面一样我们用到了 scatter() 函数,但是这次我们传入了另外的两个参数,分别为所绘点的大小和颜色。通过这种方式使得图上点的大小和颜色根据数据的大小产生变化。

然后我们用 colorbar() 函数添加了一个颜色栏。

最后你会得到类似于下面的彩色散点图:

Matplotlib 快速入门

直方图

直方图是另一种常见的图形,也可以通过几行代码创建出来。

# 直方图

x = np.random.randn(1000)

plt.hist(x, 50)

plt.show()

直方图是 Matplotlib 中最简单的图形之一。你只需要给 hist() 函数传入一个包含数据的数组。第二个参数代表数据容器的个数。数据容器代表不同的值的间隔,并用来包含我们的数据。数据容器越多,图形上的数据条就越多。

最终你会得到类似下面的直方图:

Matplotlib 快速入门

标题,标签和图例

当需要快速创建图形时,你可能不需要为图形添加标签。但是当构建需要展示的图形时,你就需要添加标题,标签和图例。

# 添加标题,坐标轴标记和图例

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() # 展示图例

plt.xlabel(‘Rads’) # 给 x 轴添加标签

plt.ylabel(‘Amplitude’) # 给 y 轴添加标签

plt.title(‘Sin and Cos Waves’) # 添加图形标题

plt.show()

为了给图形添加图例,我们需要在 plot() 函数中添加命名参数 'label' 并赋予该参数相应的标签。然后调用 legend() 函数就会在我们的图形中添加图例。

接下来我们只需要调用函数 title()xlabel()ylabel() 就可以为图形添加标题和标签。

你会得到类似于下面这张拥有标题、标签和图例的图形:

Matplotlib 快速入门

以上内容应该足够帮助读者开始使用 Matplotlib 和 Python 实现数据可视化,但是这些内容并不全面。我强烈建议读者亲自尝试使用这个工具,笔者也是通过这种方式掌握了这个工具。画一些图形,改变样式并使用子图功能,然后你就会很快掌握 Matplotlib 的使用方式。

这是一篇是关于如何使用 Matplotlib 和 Python 完成数据可视化的文章,也是 Python 科学计算系列文章中的第一篇。我希望读者能从中有所收获,并且对 Matplotlib 库更加熟悉。

不要忘记分享和关注

请记得分享这篇文章让更多的人看到它!另外,记得订阅这个博客的邮件列表,关注我的Twitter并在Google+上添加我,这样你就不会错过任何有价值的文章!

我会阅读所有的评论,所以无论你有什么想要说的,或者是想要分享的,甚至是问题之类的,都可以在下面留言。

欢迎转发至朋友圈。如无特殊注明,本公号所发文章均为原创或编译,如需转载,请联系「编程派」获得授权。

加群交流 Python 技术问题,请先阅读群规(点击蓝色字体),然后加编程派主页君为好友并说明愿意遵守群规。

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/48600.html

(0)

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注微信