利用Matplotlib实现数据可视化（一）
 
 
 
本文首发于微信公众号《Python希望社》，点击这里即可查看原文，欢迎关注，定时持续更新python学习干货。
 
 
  无论你是编程小白，还是代码高手，大家都应该深有体会，可视化是我们分析数据，做论文报告中不可或缺的一部分。的确，在今天这个时代，大数据与我们的生活息息相关，如何将复杂的数据简洁、明朗的展示在读者面前就显得尤为重要，我们的文章往往最吸引读者的地方也就在于精美的作图。为此，我们推出了python作图系列推文《利用Matplotlib实现数据可视化》。
 
  今天就带大家先来了解一下Matplotlib这个库以及怎么利用Matplotlib作一些简单的图。
 
关于Matplotlib
 
  Matplotlib是一个 Python 的 2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。
 
使用Matplotlib做一些简单的图
 
  我们日常学习中需要用到的一些基础的图形都可以运用Matplotlib绘图实现，话不多说，接下来就让我们来看几个案例。
 
 
  上图是我最近做的一个数据分析比赛的图，它描述了某天某城市的疫情传播风险区域。利用坐标（原点位置），半径等参数，即可绘制。下面给大家贴上代码。
 
from pylab import *#调用pylab模块
mpl.rcParams['font.sans-serif'] = ['Microsoft YaHei']
# 输入中文需要用到以上这两行代码
import matplotlib.pyplot as plt#调用Matplotlib.pyplot模块
fig = plt.figure()
ax = fig.add_subplot(111)
#这些是作为单个整数编码的子绘图网格参数。例如，“111”表示“1×1网格，第一子图”，“234”表示“2×3网格，第四子图”。
a1 = Circle(xy=(-4.87, -5.57), radius=1, alpha=0.5, color='red')
a2 = Circle(xy=(-2.53, -0.48), radius=1, alpha=0.5, color='red')
a3 = Circle(xy=(-4.50, -1.16), radius=1, alpha=0.5, color='red')
a4 = Circle(xy=(-5.01, -1.69), radius=1, alpha=0.5, color='red')
#作一个圆，第一个参数为圆心坐标，第二个为半径，第三个为透明度（0-1），第四个表示颜色
ax.add_patch(a1)#将图形添加到图中
ax.add_patch(a2)
ax.add_patch(a3)
ax.add_patch(a4)
plt.axis('scaled')
plt.axis('equal')#x轴与y轴有相同长度
plt.title('疫情传播风险区域')#标题
plt.text(-9.8, -7.5, "单位:千米")#注释，可以放在任何位置
plt.show()
 
  除了画圆，我们还可以如法炮制，绘制一些其他的图形：
 
 
Tips
 
  细心的小伙伴可能已经发现了我们在上述案例中用到了两个模块：pylab和matplotlib.pyplot，这里简单的介绍一下这两个模块。
 
Pyplot：“方便快速绘图matplotlib通过pyplot模块提供了一套和MATLAB类似的绘图API，将众多绘图对象所构成的复杂结构隐藏在这套API内部。”
 
pylab：“matplotlib还提供了一个名为pylab的模块，其中包括了许多NumPy和pyplot模块中常用的函数，方便用户快速进行计算和绘图，十分适合在IPython交互式环境中使用。”
 
  这里顺带提一下Numpy这个库，Numpy（Numeric Python）是一个模仿matlab的对python数值运算进行的扩展，提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。而很多情况下matplot需要配合numpy包一起使用。
 
作用：pylab = pyplot+大部分numpy。也就是说pylab只是提供了一个方便的导入常用包的接口。
 
详情见官方介绍：链接: https://matplotlib.org/faq/usage_faq.html#matplotlib-pyplot-and-pylab-how-are-they-related.
 
接下来是一些比较实用的作图案例：
 
（一）柱状图
 
 
代码如下：
 
from pylab import *
mpl.rcParams['font.sans-serif'] = ['Microsoft YaHei']
x1 = np.arange(2004, 2017)
y1 = [700, 800, 950, 1100, 1070, 1000, 1050, 900, 950, 900, 1000, 960, 980]
y1 = np.array(y1)
plt.figure(1)
plt.bar(x1, y1, 0.6, color="coral")
plt.title("商品销量与时间的关系")
plt.xlabel(u"年份")
plt.ylabel(u"销量")
plt.text(2001.5, 1100, "单位:个")
plt.show()
 
（二）折线图
 
 
代码如下：
 
from pylab import *
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
x1 = np.arange(2004, 2017)
x2 = np.arange(2004, 2017)
y1 = [700, 800, 950, 1100, 1070, 1000, 1050, 900, 950, 900, 1000, 960, 980]
y2 = [500, 600, 650, 600, 670, 700, 750, 800, 650, 500, 700, 760, 680]
y1 = np.array(y1)
y2 = np.array(y2)
plt.figure(1)
plt.plot(x1, y1, label='商品1销量', c='r')
plt.scatter(x1, y1, c='r')
plt.plot(x2, y2, label='商品2销量', c='g')
plt.scatter(x2, y2, c='g')
plt.title("商品销量与时间的关系")
plt.xlabel(u"年份")
plt.ylabel(u"销量")
plt.legend()
plt.xticks(range(2004, 2018, 2))
plt.text(2002, 1150, "单位:个")
plt.show()
 
（三）饼图
 
 
代码如下：
 
from pylab import *
mpl.rcParams['font.sans-serif'] = ['Microsoft YaHei']
def plot_pie(x, y):
    colors = 'yellowgreen', 'gold', 'lightskyblue', 'lightcoral', 'red', 'orange', 'blue', 'yellow', 'green',
    explode = 0, 0, 0, 0, 0, 0, 0, 0, 0,
    plt.pie(y, explode=explode, labels=x, colors=colors, autopct='%1.1f%%', shadow=False, startangle=50)
    plt.axis('equal')
    plt.show()
if __name__ == '__main__':
    result = [5863., 882., 2000., 4470., 1200., 3251., 2480., 2295., 4712]
    x = '可口可乐', '毛巾', '牙刷', '食用油', '篮球', '火腿肠', '方便面', '酸奶', '其余'
    plot_pie(x, result)
 
  上面的几个例子都是用我们自己得到的数据进行输入作图，下面为大家展示一下利用函数表达式作图。
 
（四）简单的函数图像
 

 
 
代码如下：
 
python
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-1,1,50)
y1 = x ** 2
y2 = x
plt.figure()
plt.plot(x,y1)
plt.figure()
plt.plot(x,y2)
plt.show()
plot as plt
import numpy as np
x = np.linspace(-1,1,50)
y1 = x ** 2
y2 = x
plt.figure()
plt.plot(x,y1)
plt.figure()
plt.plot(x,y2)
plt.show()
 
  以上就是利用Matplotlib绘制的一些最简单也是最常见的图，怎么样，你是否已经开始感受到它的魅力了呢？那么就请期待我们在此系列推文的后续为大家推出更多更精美的绘图吧！

matplotlib- 数据可视化
 
1. 安装
 
step1:安装matplotlib
 
pip install matplotlib
 
 
 
Note: you may need to restart the kernel to use updated packages.
 
 
step2:更新(有待确定）
 
conda upgrade notebook
conda upgrade jupyter
 
`
 step3:测试
 
import matplotlib
 
若无错误提示，即认为安装正确
 
2. 图标的制作
 
 2.1折线图
 
import matplotlib.pyplot as plt  #导入pyplot模块
square = [ 1, 4, 9, 16, 25 ]     #平方函数
plt.plot (square)                #plot（）画图
plt.show()                       #plt.show（）图片查看
 
 
 
 
 
修改标签和线条加粗
 
 plt.plot(squares, linewidth = 5)    #改变线条粗读

 
plt.title('square numbers' , fontsize = 24)     #设置标题
plt. xlabel('value', fontsize = 14)             #设置x轴
plt.ylabel('square of value' , fontsize = 14)   #设置y轴
 
plt.tick_params(axis = 'both', labelsize =14)   #设置刻度大小
 
 
x = 0 对应y = 0(起始错误点）
x = 4 对应y = 25(错误点）
 
 2.2散点图
 操作：提供一些输入，输出值。
 目的：用于矫正以上错误点
 
import matplotlib.pyplot as plt
input_values = [1, 2, 3, 4, 5 ]
squares = [1, 4, 9, 16, 25 ]
plt.plot (input_values, squares, linewidth = 5 )
 
 
 2.3 scatter（ ）绘制散点图
 
import matplotlib.pyplot as plt
plt.scatter( 2,4)                #直接传递一对x,y 坐标值
plt.show()
 
 
设置输出样式
 
plt .scatter (2, 4, s=200)     # 设置s点尺寸  
 
！！！ 此处s=200无空格
 
plt.title('square numbers' , fontsize = 24)     #设置标题
plt. xlabel('value', fontsize = 14)             #设置x轴
plt.ylabel('square of value' , fontsize = 14)   #设置y轴
 
plt.tick_params(axis = 'both', which = 'major', labelsize =14)   #设置刻度大小
 

 Q: which = 'major’是什么意思
 
绘制一系列点
 
import  matplotlib.pyplot as plt
x_values =[ 1, 2, 3, 4, 5]
y_values= [1,4, 9, 16, 25]
plt.scatter(x_values, y_values, s=200)
 
 
 2.4自动计算数据---->画图
 利用python的循环
 
x_values = list (range (1,1001))        #创建x的列表
y_values = [x ** 2 for x in x_values]    

 # 计算x**2，遍历x值（for x in x_values）

plt.scatter(x_values, y_values, s=40)
plt.axis( [0, 1100, 0, 1100000] )         #设置坐标轴取值范围
 
 
 2.5 删除数据点的轮廓
 
散点的默认颜色：蓝色点，黑色轮廓
 
plt.scatter
(x_values, y_values,  edgecolor='none', s=200)    
 #只显示蓝色实心点
 

 ！！！2.0.0版本中edgecolor 默认为蓝色
 
 2.6 自定义颜色
使用颜色名称
 
plt.scatter
(x_values, y_values, c='red', edgecolor='none', s=40)    
# 轮廓线改为红色  ，将参数传递给c
 
 
使用 RGB颜色模式
 red，green，blue，：对应三个0～1的数值，再将其传递给c
 
import matplotlib.pyplot as plt
x_values = list (range (1,1001))        #创建x的列表
y_values = [x **2 for x in x_values]    
#计算2*x，遍历x值（for x in x_values）

plt.scatter(x_values, y_values, c=(0,0,0.8), s=40)
plt.axis( [0, 1100, 0, 1100000] )  
 

 Q: ‘c’ argument looks like a single numeric RGB or RGBA sequence, which should be avoided as value-mapping will have precedence in case its length matches with ‘x’ & ‘y’. Please use a 2-D array with a single row if you really want to specify the same RGB or RGBA value for all points.
 如何解决？
 
 2.7 使用颜色映射（colormap）
 颜色渐变：颜色浅表示较小的值，颜色深表示较大的值
 
import matplotlib.pyplot as plt
x_values = list (range(1, 1001))
y_values = [2**x for x in x_values]            # 2**x
plt.scatter(x_values, y_values,c=y_values, 
cmap=plt.cm.Blues,edgecolor='none',s=40) #使用plt.cm. 颜色()
 
! ! ! Blue首字母一定大写，才会符合 plt.cm()
 
 
import matplotlib.pyplot as plt
x_values = list (range (1,1001))        #创建x的列表
y_values = [x **2 for x in x_values]           # x**2
#计算2*x，遍历x值（for x in x_values）

plt.scatter(x_values, y_values, c=y_values, 
cmap=plt.cm.Blues, edgecolor='none' , s=40)
 

 Q: x2 和 2x 为什么出来的图不一样？
 
更多颜色映射
 步骤：单击example，在向下拉点击color example，再单击colormaps_reference
 
 2.8 自动保存图标
 
plt.savefig('square_plot.png',    # 文件名
 bbox_inches= 'tight')            #裁剪多余边框

在学习完了《Python编程：从入门到实践》的第一个项目“外星人入侵”后，我来到了第二个项目：“数据可视化”，而这个项目我将在Mac OS X系统中用Sublime Text来完成。
 
1.1 安装matplotlib：
 
Apple的标准Python安装自带了matplotlib。要检查系统是否安装了matplotlib，可打开一个终端会话并尝试导入matplotlib，如下图所示：
 

 如果没有出现任何错误消息，就说明系统已经安装了matplotlib。
 
 
1.2 绘制简单的散点图：
 
下面来使用matplotlib绘制一个简单的折线图，再对其进行定制，以实现信息更丰富的数据可视化。我们将使用平方数序列1、4、9、16和25来绘制这个图表。 只需向matplotlib提供如下数字，matplotlib就能完成其他的工作：
 
import matplotlib.pyplot as plt

squares = [1, 4, 9, 16, 25]
plt.plot(squares)
plt.show()
 
我们首先导入了模块pyplot ，并给它指定了别名"plt" ，以免反复输入。模块pyplot 包含很多用于生成图表的函数。 我们创建了一个列表，在其中存储了前述平方数，再将这个列表传递给函数plot() ，这个函数尝试根据这些数字绘制出有意义的图形。plt.show() 打开matplotlib查看器，并显示绘制的图形，如下图所示。查看器让你能够缩放和导航图形，另外，单击磁盘图标可将图形保存起来：
 

 上图所示的图形表明数字是越来越大的，但标签文字太小，线条太细。但matplotlib能够调整可视化的各个方面。下面通过一些定制来改善这个图形的可读性，如下所示：
 
# -*- coding:utf-8 -*-

import matplotlib.pyplot as plt

squares = [1, 4, 9, 16, 25]
plt.plot(squares, linewidth=5)

#设置图表标题，并给坐标轴加上标签及字体大小
plt.title('Square number',fontsize = 25)
plt.xlabel('Value',fontsize = 25)
plt.ylabel('Square of value',fontsize = 15)

#设置刻度标记的大小
plt.tick_params(axis='both',labelsize = 15)

plt.show()
 
参数linewidth （见第5行）决定了plot() 绘制的线条的粗细。
 
函数title() （见第8行）给图表指定标题。
 
在上述代码中，出现了多次的参数fontsize 指定了图表中文字的大小。
 
函数xlabel() 和ylabel() 让你能够为每条轴设置标题（见第9-10行）。
 
而函数tick_params() 设置刻度的样式（见第13行），其中指定的实参将影响x轴和y轴上的刻度 （axes='both' ），并将刻度标记的字号设置为14（labelsize=15 ）。
 
最终的图表如下图所示：
 

 图形更容易阅读后，我们发现这张图没有正确地绘制数据。下面来修复这个问题。 当向plot() 提供一系列数字时，它假设第一个数据点对应的 x 坐标值为0，但实际上我们的第一个点对应的 x 值为1。为改变这种默认行为，我们可以如下图所示给plot() 同时提供输入值和输出值：
 

 现在plot() 将正确地绘制数据，因为我们同时提供了输入值和输出值，它无需对输出值的生成方式作出假设。最终的图形是正确的，如下图所示：
 
 
 
1.3 使用scatter（）绘制散点图并设置其样式：
 
有时候，需要绘制散点图并设置各个数据点的样式。要绘制单个点，可使用函数scatter() ，并向它传递一对 x 和 y 坐标，它将在指定位置绘制一个点：
 
 
在第4行处，我们调用了scatter() ，并使用实参s 设置了绘制图形时使用的点的尺寸。如果此时运行scatter_squares.py，将在图表中央看到一个点，如下图所示：
 

 要绘制一系列的点，可向scatter() 传递两个分别包含 x 值和 y 值的列表，如下所示：
 

 列表x_values 包含要计算其平方值的数字，而列表y_values 包含前述每个数字的平方值。将这些列表传递给scatter()。最终的结果如图所示:
 

 此外，我们可以不必手工计算包含点坐标的列表，而让Python循环来替我们完成这种计算。下面是让程序自动绘制1000个点的代码：
 

 我们首先创建了一个包含 x 值的列表，其中包含数字1~1001（见第5行）。接下来是一个生成 y 值的列表解析，它遍历 x 值（for x in x_values ），计算其平方值（x**2 ）， 并将结果存储到列表y_values 中。
 
然后，将输入列表和输出列表传递给scatter() （见第7行）。 由于这个数据集较大，需要将点设置得较小，并使用函数axis() 指定了每个坐标轴的取值范围（见第15行）。函数axis() 要求提供四个值：x 和 y 坐标轴的最小值和最大值。在这里，我们将 x 坐标轴的取值范围设置为1~1001，并将 y 坐标轴的取值范围设置为1~1000000。结果如图所示：
 
 

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。
 
一、简单的例子
 
import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots()  # 创建一个包含一个axes的figure
ax.plot([1, 2, 3, 4], [1, 4, 2, 3]);  # 绘制图像
 
 
和MATLAB命令类似，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。
 
line =plt.plot([1, 2, 3, 4], [1, 4, 2, 3]) 
 
 
 
 
二、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）。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
 
 
 三、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
 
接口一：
 
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() 
plt.show()
 
 
 接口二绘制相同的图则为:
 
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()
plt.show()