matplotlib是python中的一个画图库，继承了matlib（从名字上也看得出来）的优点和语法，所以对于熟悉matlib的用户来说是十分友好的。

pylab和pyplot

关于pylab和pyplot，人们做过不少的讨论。这两个模块有哪些不同呢？pylab模块跟matplotlib一起安装，而pyplot则是matplotlib的内部模块。两者的导入方法有所不同，可选择其中一种进行导入。

from pylab import *
#或
import matplotlib.pyplot as plt
import numpy as np

pylab在同一命名空间整合了pyplot和Numpy的功能，因此无需再单独导入Numpy。更进一步来说，导入pylab后，pyplot和Numpy的函数就可以直接调用，而不用再指定其所属模块（命名空间），从而使得matplotlib开发环境更像是Matlab。

plot(x,y)
array([1,2,3,4])
#而不用指定模块名称
plt.plot()
np.array([1,2,3,4])

大多情况下，我们更乐意使用pyplot模块。

线状图

这里我使用jupyter来进行演示

ipython qtconsole --matplotlib inline

用matplotlib生成这个图表很简单，一行代码就能搞定

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

如图所示，生成了一个Line2D对象。该对象为一条直线，它表示图表中各数据点的线性延伸趋势。我们可以看出，列表中的数据直接被作为y轴的值展示了出来，x周是从0开始的，所以我们要看一个数据的折线图，只用输入一个list即可。

但我们可以看出这个图可能还很简陋，比如有如下几个问题：

• y轴显示为啥是0.5为步长间隔，我想以1为步长间隔
• 我想控制x轴展示的值，而不是从0开始
• 图太小了，能否控制大小
• x轴和y轴字太小了，能否控制大小
• 给x轴和y轴命个名吧
• 没有网格看不清
• 没有图例
• 给线状图标上点
• 我想保存图片到本地
• 怎么画子图呢

接下来我们就一个一个解决。

1.设置x轴和y轴步长间隔

控制x轴，y轴显示的值，有两个参数

• xticks(ticks, [labels], **kwargs)

• yticks(ticks, [labels], **kwargs)

  • ticks：控制显示的位置，也就是显示那几个值，这几个值必须在y值数据的范围内，这里也就是[1，4]这个范围。
  • [labels]：控制显示在对应位置的值，可以是数也可以是字符。

y = [1,2,3,4]
step = 1
plt.yticks([i for i in y if i%step == 0]) 
plt.plot(y)

2.x轴展示的值

这里展示了坐标轴显示字符的情况。

注意第五行，我改成了[1,2,3,3.5,4]，所以显示出来就多了个3.5。

y = [1,2,3,4]
scale_ls = range(4)
index_ls = ["富强","民主","文明","和谐"]
plt.xticks(scale_ls,index_ls)
plt.yticks([1,2,3,3.5,4])
plt.plot(y)

3.控制图表大小

控制图表的大小要用到的几个方法

• rcParams：这个参数是用来设置一些配置参数的，比如这里我就用到了大小和dpi
  • figure.figsize：控制大小，参数为一个二元组(x,y)，即长、宽
  • figure.dpi：控制dpi

plt.rcParams['figure.figsize'] = (10,5)
plt.rcParams['figure.dpi'] = 200
y = [1,2,3,4]
scale_ls = range(4)
index_ls = ["富强","民主","文明","和谐"]
plt.xticks(scale_ls,index_ls)
plt.yticks([1,2,3,3.5,4])
plt.plot(y)

这里可以看出更大更清晰了

4.调节x轴和y轴字体大小

这里控制字体大小用到的也是xticks和yticks，只不过使用到了fontsize参数。

plt.rcParams['figure.figsize'] = (10,5)
plt.rcParams['figure.dpi'] = 200
y = [1,2,3,4]
scale_ls = range(4)
index_ls = ["富强","民主","文明","和谐"]
plt.xticks(scale_ls,index_ls,fontsize=20)
plt.yticks([1,2,3,3.5,4],fontsize=20)
plt.plot(y)

5.给x轴和y轴加上名字

使用

• xlabel(str,fontsize=int )
• ylabel(str,fontsize=int )

plt.rcParams['figure.figsize'] = (10,5)
plt.rcParams['figure.dpi'] = 200
y = [1,2,3,4]
scale_ls = range(4)
index_ls = ["富强","民主","文明","和谐"]
plt.xticks(scale_ls,index_ls,fontsize=20)
plt.yticks([1,2,3,3.5,4],fontsize=20)
plt.xlabel("核心价值观", fontsize=20)
plt.ylabel("顺序", fontsize=20)
plt.plot(y)

6.加上网格

• plt.grid(True)，加上横纵两种网格。
• plt.grid(True,axis="x"),加上x轴网格。

plt.rcParams['figure.figsize'] = (10,5)
plt.rcParams['figure.dpi'] = 200
y = [1,2,3,4]
scale_ls = range(4)
index_ls = ["富强","民主","文明","和谐"]
plt.xticks(scale_ls,index_ls,fontsize=20)
plt.yticks([1,2,3,3.5,4],fontsize=20)
plt.xlabel("核心价值观", fontsize=20)
plt.ylabel("顺序", fontsize=20)
plt.grid(True,axis="both")
plt.plot(y)

7.加上图例

使用legend方法，里面有这么几个参数

• handles：代表使用的是那几个曲线的对象
• labels：代表对应的图例文字
• loc：放置的位置
• prop：额外参数，例如size，控制图例大小

t = np.arange(0, 2.5, 0.01)
y1 = map(math.sin, math.pi*t)
y2 = map(math.cos, math.pi*t)
l1, = plt.plot(list(y1))
l2, = plt.plot(list(y2))
plt.legend(handles = [l1, l2], labels = ['Sin', 'Cos'], loc = 'best', prop={'size': 20})

8.给线状图标点

只用在plot加入参数marker 即可

t = np.arange(0, 2.5, 0.1)
y1 = map(math.sin, math.pi*t)
y2 = map(math.cos, math.pi*t)
l1, = plt.plot(list(y1), marker = "o")
l2, = plt.plot(list(y2), marker = "*")
plt.legend(handles = [l1, l2], labels = ['Sin', 'Cos'], loc = 'best', prop={'size': 20})

9.保存图片到本地

只用在最后使用savefig 方法

plt.savefig('test.png',dpi=400)

10.画子图

这里使用到了subplot方法

他有三个参数，分别为

• 几行
• 几列
• 第几个

举个栗子

1. subplot(2,2,1) 2行2列（即子图排列为田字格形状）第一个
2. subplot(2,1,2) 2行1列（即子图排列为纵向两个图形状）第二个

t = np.arange(0, 2.5, 0.1)
y1 = map(math.sin, math.pi*t)
y2 = map(math.cos, math.pi*t)

plt.subplot(2, 1, 1)
plt.title("Sin", fontsize=20)
l1, = plt.plot(list(y1), marker = "o")

plt.subplot(2, 1, 2)
plt.title("Cos", fontsize=20)
l2, = plt.plot(list(y2), marker = "*")

这里我还使用到了title方法，给对应图表加上了标题。

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！

前言

本篇为《使用Python进行数据分析》中介绍Matplotlib库的基础使用方法的第一篇，主要内容为使用Matplotlib库的一些常用技巧，绘画简易的线形图、散点图、密度图和等高线图等用图，以及进行可视化异常处理等。
Matplotlib是使用Python进行数据可视化的基本方法之一，操作简便快捷并且具有良好的操作系统兼容性和图形显示底层接口兼容性，对于数据分析新手来说，是非常好用的可视化工具。尽管近几年新的可视化工具在源源不断地进入大家的视野中，例如Seaborn、ggplot、HoloViews、AItair以及Pandas中对Matplotlib的API封装用法。但Matplotlib仍是可视化工具中的基础，并且掌握Matplotlib更能让你灵活地控制最终的图形结果，学习Matplotlib仍是学习可视化技术中不可或缺的一环。

1.Matplotlib常用技巧

1.1 导入Matplotlib

最常用的导入方式

import matplotlib as mpl
import matplotlib.pyplot as plt

1.2 设置绘图样式

在Matplotlib中可以使用plt.style来选择一种绘图风格，例如选择经典风格(classic)，可以使用plt.style.available来查看可以使用的库中自带的风格，还可以自定义自己想要的绘图风格，有关绘图风格的详细使用方法会在后续介绍。

两种风格的对比

plt.style.use('classic')
x=np.linspace(0,10,100)
plt.plot(x,np.sin(x))

plt.style.use('bmh')
x=np.linspace(0,10,100)
plt.plot(x,np.sin(x))

1.3 show() or not?

在脚本文件中画图时，需要使用plt.show()来显示图形，需注意的是plt.show()通常需要放到脚本的最后，用来显示脚本的绘图。
但如果你使用IPython交互绘图，则不需使用show()命令。使用魔法命令%matplotlib启动Matplotlib模式后即可开始画图。

%matplotlib
Using matplotlib backend: TkAgg

import matplotlib.pyplot as plt

此后的任何plt命令都会自动打开一个图形窗口，增加新的命令就会使图形更新。对于不会即时更新的命令可以使用plt.draw()强制更新。

1.4 将图形保存为文件

我们可以使用plt.savefig()命令将绘制的图形保存为文件,且可以指定图片的分辨率、边缘的颜色等参数，具体的使用方法可以参考这篇博文：Python中Matplotlib Savefig()不同参数的使用.

2.两种绘图接口

能够分辨Matplotlib的两种绘图接口是非常重要的。初学者经常会搞混或弄不清楚这是怎么回事,接下来介绍这两种绘图接口：一个是便捷的MATLAB风格接口,另一个是功能更强大的面向对象接口。

#MATLAB接口
x=np.linspace(1,10,100)
plt.figure() #创建图形

#创建两个子图中的第一个,设置坐标轴
plt.subplot(2,1,1) #行,列,子图编号
plt.plot(x,np.sin(x))

#创建两个子图中的第二个,设置坐标轴
plt.subplot(2,1,2)
plt.plot(x,np.cos(x))
plt.rcParams['figure.figsize']=(5.0,3.0)


#面向对象接口
#先创建图形网格
#ax是一个包含两个Axes对象的数组
fig,ax=plt.subplots(2)

#在每个对象上调用plot()方法
ax[0].plot(x,np.sin(x))
ax[1].plot(x,np.cos(x))

MATLAB接口对于初学者来说使用起来会更清楚，更方便而且更快捷。而面向对象的接口则可以适应更复杂的场景，更好地控制你自己的图形。随着后续更深层次内容的介绍，大家会更加了解两种接口的使用以及它们之间的区别和联系。

3.绘制简易线形图

现在,让我们来创建一个简单的线形图，即实现线性方程 $y=f(x)$的可视化。
首先，创建一个图形fig和一个坐标轴ax。

plt.style.use('bmh') #根据自己的喜好设置绘图风格
fig=plt.figure()
ax=plt.axes()

结果如下

在Matplotlib中，figure相当于创建了一张空白的画布，可以容纳各种坐标轴、图形、文字和标签；而axes则是一个带有刻度和标签的矩形，最终会包含所有可视化的图形元素。在创建好坐标轴后，就可以用ax.plot来画图了。

fig=plt.figure()
ax=plt.axes()

x=np.linspace(0,10,1000)
ax.plot(x,np.sin(x))

另一种绘图方式：

plt.plot(x,np.sin(x)) #直接使用plot命令，不使用面向对象的接口
plt.plot(x,np.cos(x))

3.1 调整线条的颜色和风格

首先介绍plot函数中可以进行调整的参数plt.plot(x,y,color,linestyle,marker,alpha,linewidth,markersize)

x,y	表示x轴和y轴所对应的数据
color	指定线条的颜色
linestyle	指定线条类型
marker	表示绘制的点的类型
alpha	表示点的透明度，用0-1之间的小数表示
linewidth	表示线条的宽度，取0-10之间的数值
markersize	点的大小

接下来介绍几种常用参数的常用取值
color参数常用的八种取值（颜色）的缩写

颜色缩写	代表的颜色	颜色缩写	代表的颜色
b	蓝色	g	绿色
y	黄色	m	品红
k	黑色	w	白色
r	红色	c	青色

linestyle常用取值

linestyle取值	线条风格	linestyle取值	线条风格
-	实线	-.	点线
- -	长虚线	:	短虚线

线条标记解释

marker取值	点的类型	marker取值	点的类型
‘o’	圆圈	‘.’	点
‘D’	菱形	‘s’	正方形
‘h’	六边形1	‘H’	六边形2
‘d’	小菱形	‘-’	水平线
‘v’	一角朝下的三角形	‘8’	八边形
‘<’	一角朝左的三角形	‘p’	五边形
‘>’	一角朝右的三角形	‘，’	像素
‘^’	一角朝上的三角形	‘+’	加号
‘\’	竖线	‘*’	星号
‘x’	叉号(X)	‘None’	无

现在举实例说明其具体使用方法

plt.plot(x,np.sin(x),color='blue') #标准颜色名称
plt.plot(x,np.sin(x),color='g') #缩写颜色代码(rgbcmyk)
plt.plot(x,np.sin(x),color='0.75') #范围在0~1之间的灰度值
plt.plot(x,np.sin(x),color='#FFDD44') #十六进制(RRGGBB,00~FF)
plt.plot(x,np.sin(x),color=(1.0,0.2,0.3)) #RGB元组，范围在0~1
plt.plot(x,np.sin(x),color='chartreuse') #HTML颜色名称

plt.plot(x,np.sin(x),linestyle='-') #实线
plt.plot(x,np.sin(x),linestyle='--') #长虚线
plt.plot(x,np.sin(x),linestyle='-.') #点线
plt.plot(x,np.sin(x),linestyle=':') #短虚线

也可以将linestyle和color参数组合起来，用更简洁的表示方式绘图

plt.plot(x,x+1,'-g')
plt.plot(x,x+2,'--c')
plt.plot(x,x+3,'-.k')
plt.plot(x,x+4,':r')

结果如下图

3.2 调整坐标轴

虽然Matplotlib会为你自动生成坐标轴，但自定义的坐标轴会更符合我们的需求。其最基本的方法是使用plt.xlim()与plt.ylim()来调整坐标轴的上下限。

plt.plot(x,np.sin(x))
plt.xlim(-1,11)
plt.ylim(-1.5,1.5)

如果想要使坐标轴逆序显示，那么也可以逆序设置坐标轴刻度值

plt.plot(x,np.sin(x))
plt.xlim(10,0)
plt.ylim(1.5,-1.5)

再介绍plt.axis()方法，这是一种对坐标轴进行设置的常用方法，例如：

设置坐标轴的上下限plt.axis([-x,x,-y,y])

令图形内容自动紧缩，不留空隙plt.axis('tight)

让x轴与y轴的单位长度相等plt.axis('equal')

开、关坐标轴plt.axis('on'\'off')

等等功能，更详细的使用方法可以查询官网或浏览其他博文，如matplotlib系列-plt.axis

plt.plot(x,np.sin(x))
plt.axis([-1,11,-1.5,1.5])
plt.axis('equal')
plt.axis('off')

结果如下图

3.3 设置图形标签

本节简要介绍设置图形标签的方法：图形标题、坐标轴标题、简易图例。
其中图形标题和坐标轴标题是最简单的标签，快速设置方法如下：

plt.plot(x,np.sin(x))
plt.title('A Sine Curve') #设置图形标题
plt.xlabel('x') #设置x轴标题
plt.ylabel('sin(x)') #设置y轴标题

我们可以通过调整参数来调整它们的位置，大小和风格。例如size(改变字体大小)、weight(调整字体粗细)和rotation(调整角度)，在此不作过多介绍。

例如

plt.plot(x,np.sin(x))
plt.title('A Sine Curve')
plt.xlabel('x',size=50)
plt.ylabel('sin(x)',rotation=0) 

在单个坐标轴上同时显示多条线时，创建图例显示每条线是很有效的方法。Matplotlib内置了一个可以用来简单快速创建图例的方法，那就是plt.legend()。

plt.plot(x,np.sin(x),'-b',label='sin(x)')
plt.plot(x,np.cos(x),':r',label='cos(x)')
plt.axis('equal')
plt.legend()

在此不再对plt.legend()函数做过多的介绍，在之后的内容中还会介绍更多高级的图例设置方法。

4.绘制简易散点图

另一种常用的图形是散点图(scatter plot)，它与线形图类似，只不过不再由线段连接，而是由独立的点、圆圈或是其他形状构成。

4.1 使用plt.plot画散点图

与绘制线形图一样，绘制散点图时也可以通过调整参数来自定义绘制的效果，比如颜色和点的形状，用代码示例具体的效果
plt.plot(x,y,marker,color)

rng=np.random.RandomState(0)
for marker in['o','.',',','x','+','v','>','<','^','s','d']:
    plt.plot(rng.rand(5),rng.rand(5),marker,label="marker='{0}'".format(marker))
    plt.legend(numpoints=1)
    plt.xlim(0,1.8)

我们还可以通过此方法画出一条连接散点的线，并调整它们的参数

plt.plot(x,y,'-*',color='blue',markersize=15,linewidth=3,markerfacecolor='pink',markeredgecolor='blue',markeredgewidth=2)
plt.ylim(-1.2,1.2)

4.2 使用plt.scatter画散点图

plt.scatter的功能非常强大，它与plt.plot的差别在于它具有更高的灵活性，可以单独控制每个散点与数据匹配，也可以让每个散点具有不同的属性（大小、颜色等）。
plt.scatter(x,y,s,c,marker,alpha)

参数名称	说明
x,y	表示坐标轴上的数据
s	指定点的大小，接收单个值或一维的array数组
c	制定点的颜色，接收单个值或一维的array数组
marker	表示绘制点的类型
alpha	表示点的透明度，范围0-1

plt.style.use('default') #使用原始风格
rng=np.random.RandomState(0)
x=rng.randn(100)
y=rng.randn(100)
colors=rng.rand(100)
sizes=1000*rng.rand(100)
plt.scatter(x,y,c=colors,s=sizes,alpha=0.3,cmap='viridis')
plt.colorbar() #显示颜色条

散点的颜色和大小可以显示多维数据的信息。让我们举一实例，使用Scikit-Learn程序库中的鸢尾花（iris）数据集来演示。它里面有三种鸢尾花，每个样本是一种花，其花瓣（petal）与花萼（sepal）的长度和宽度都经过了仔细测量。

from sklearn.datasets import load_iris
iris=load_iris()
features=iris.data.T

plt.scatter(features[0],features[1],alpha=0.2,s=100*features[3],c=iris.target,cmap='viridis')
plt.xlabel(iris.feature_names[0])
plt.ylabel(iris.feature_names[1])

由此我们可以看出，散点图可以同时看到不同维度的数据：每个点的坐标值(x,y)分别表示花萼的长度和宽度，而点的大小表示花瓣的宽度，三种颜色对应三种不同类型的鸢尾花。这类多颜色与多特征的散点图在探索与演示数据时非常有用。

4.3 plot与scatter的效率对比

由于plt.scatter会对每个散点进行单独的大小和颜色的渲染，因此渲染器会消耗更多的资源。而在plt.plot中，散点基本都彼此复制，因此整个数据集中所有点的颜色、大小都只需要配置一次。因此，在处理大型数据集时它们之间的效率和性能差异就很大了，在面对大型数据集时，plt.plot是更好的方法。当然，例如通过抽样对大型数据集进行处理缩小规模等，就是另外的事情了。

5.饼图与条形图

5.1 条形图

绘制条形图或说柱状图，我们使用plt.bar()函数，其常用参数表如下
plt.bar(left,height,width=0.8,color)

参数名称	说明
left	表示x轴的数据
height	表示x轴数据的数量
width	表示条形图的宽度，范围0-1，默认为0.8
color	表示条形图的颜色

x=np.linspace(0,10,10)
plt.bar(x,np.sin(x))

x=np.linspace(0,10,30)
plt.bar(x,np.sin(x),color=['red','blue','green'])

若想绘制横向的柱状图，则需使用plt.barh()函数，用法与bar函数相同。

x=np.linspace(0,10,10)
plt.barh(x,np.sin(x))

我们可以通过使用bottom参数来实现柱状图的堆叠

x=np.linspace(0,10,10)
plt.bar(x,np.sin(x))
plt.bar(x,1.2*np.sin(x),bottom=np.sin(x))
plt.bar(x,1.6*np.sin(x),bottom=np.sin(x)+1.2*np.sin(x))

通过调整条形图的宽度和横坐标来实现绘制并列柱状图

plt.style.use('bmh')
x=np.linspace(0,10,10)
plt.bar(x,np.sin(x),width=0.3)
plt.bar(x+0.3,1.2*np.sin(x),width=0.3)

本文在此只对几种简单的绘制方法做介绍，了解更多方法可查询官网或参考其他博文。

5.2 饼图

绘制饼图，我们使用plt.pie()函数，其常用参数表如下

plt.pie(x,explode,labels,colors,autopct,pctdistance=0.6,labeldistance=1.1,radius)

参数名称	说明	参数名称	说明
x	表示用于绘制饼图的数据	explode	表示指定项离饼图圆心为n个半径
labels	指定每一项的名称	colors	表示饼图颜色
autopct	指定数值精度，数据会自动换算成百分比	pctdistance	指定每一项的比例和距离饼图圆心n个半径
labeldistance	指定每一项的名称和距离饼图圆心n个半径	radius	表示饼图的半径
shadow	bool类型，给饼图加上阴影，默认为False	startangle	设置起始角度

x=np.linspace(1,10,5)
plt.pie(x,labels=['a','b','c','d','e'],autopct="%1.2f%%",radius=1)	

如果要创建环形饼图，在创建饼图后再创建一个纯白色的半径更小的饼图即可。

x=np.linspace(1,10,5)
plt.pie(x,labels=['a','b','c','d','e'],autopct="%1.2f%%",radius=1)
plt.pie([1],colors='w',radius=0.4)

了解更多创建饼图的方法可查询官网和参考其他博文。

6.密度图与等高线图

有时在二维图上用等高线图或色彩图来表示三维数据是不错的方法。Matplotlib提供了三个函数来解决这个问题：用plt.contour()画等高线图、用plt.contourf()画带有填充色的等高线图（filled contour plot）的色彩、用plt.imshow()显示图形。

6.1 三维函数的可视化

用函数$z=f(x,y)$演示等高线图，按照下面的方式生成函数：

def f(x,y):
    return np.sin(x)**10+np.cos(10+y*x)*np.cos(x)

等高线图可以用plt.contour()函数来创建。它需要三个参数：x轴，y轴和z轴三个坐标轴的网格数据。x轴与y轴表示图形中的位置，而z轴将通过等高线的等级来表示。使用np.meshgrid()函数来准备这些数据是一个比较简单的方法，它可以从一维数组构建二维网格数据：

x=np.linspace(0,5,50)
y=np.linspace(0,5,40)
X,Y=np.meshgrid(x,y)
Z=f(X,Y)

下面我们来创建等高线图：

plt.contour(X,Y,Z,6)

其中，6表示将数据范围等分为6份。此外，我们可以通过使用colors参数与cmap参数来设置等高线图的颜色，特别需要注意的是，在只使用一种颜色时，默认使用虚线表示负数，使用实线表示正数。

接下来，我们使用plt.contourf()来创建填充的等高线图，它的语法与plt.contour()是一样的。另外我们可以使用plt.colorbar()来创建一个表示图形各种颜色对应标签信息的颜色条。

plt.contourf(X,Y,Z,6)
plt.colorbar()

通过颜色条，我们可以清晰地看出，黄色的部分对应的数值最高，是“波峰(peak)”；深蓝色的部分对应的数值最低，是“波谷(valley)”。

我们还可以通过plt.imshow()函数来将二维数组渲染成渐变图。

plt.imshow(Z,extent=[0,5,0,5],origin='lower')
plt.colorbar()

使用plt.imshow()需要注意以下几点：1.它不支持用x轴和y轴数据设置网格，而是必须通过extent参数设置图形的坐标范围[xmin,xmax,ymin,ymax]。2.默认使用标准的图形数组定义，即原点位于左上角，这一点在显示网格数据图形时必须调整。3.plt.imshow()会自动调整坐标轴的精度以适应数据显示。可以通过plt.axis(aspect='image')来设置x轴与y轴的单位。

另外，再介绍一种方法，将等高线图与彩色图组合起来。

contours=plt.contour(X,Y,Z,3,colors='black')
plt.clabel(contours,inline=True,fontsize=8) #在等高线图中加入label
plt.imshow(Z,extent=[0,5,0,5],origin='lower',alpha=0.5)
plt.colorbar()

基于这几种方式，使用二维图表示三维数据的方法就有很多种可能了，想要了解更多的读者可以查询官网或是参考其他博文。

7.频次直方图、数据区间划分与分布密度

7.1 频次直方图

直接引入实例来讲解

x1=np.random.normal(0,0.8,1000)
x2=np.random.normal(-2,1,1000)
x3=np.random.normal(3,2,1000)
kwargs=dict(histtype='stepfilled',alpha=0.3,density=True,bins=40,edgecolor='none')
plt.hist(x1,**kwargs)
plt.hist(x2,**kwargs)
plt.hist(x3,**kwargs)

如上例所示，使用这样的直方图可以很好地帮助我们分析数据的分布情况，并对不同数据集的分布特征进行对比。现简要介绍用到的几个参数。

histtype是使用直方图的类型，常用类型有：‘bar’，‘barstacked’，‘step’，‘stepfilled’。

alpha指的是绘制直方图的透明度。

density是bool类型，若其值为True，则将频数转化为频率绘制直方图，即将频数归一化。

bins是指直方图柱形的数量，即区间内的分组个数。

edgecolor即是边缘颜色。

常用的其他参数还有’color’（直方图颜色），‘bottom’（y轴的起始位置），‘orientation’（直方图显示方式horizontal or vertical）等，具体方法可查询官网或参考其他博文。例如：【Matplotlib】（五）直方图(频数统计图).

另外，提供仅计算出每段区间样本数的代码：

counts,bin_edges=np.histogram(x1,bins=20)
print(counts)

7.2 二维频次直方图与数据区间划分

就像将一维数组分为区间创建一维频次直方图一样，我们也可以将二维数组按照二维区间进行切分，来创建二维频次直方图。下面来简单介绍几种创建二维频次直方图的方法。

7.2.1 二维频次直方图plt.hist2d()

mean=[0,0]
cov=[[1,1],[1,2]]
x,y=np.random.multivariate_normal(mean,cov,10000).T

plt.hist2d(x,y,bins=30)
plt.colorbar()

另外，二维频次直方图也可以提供仅计算出每段区间样本数的代码：

counts,xedges,yedges=np.histogram2d(x,y,bins=20)
print(counts)

7.2.2 六边形区间划分plt.hexbin()

二维频次直方图是正方形分割的，还有一种常用的方式是用正六边形分割。

plt.hexbin(x,y,gridsize=30)
plt.colorbar()
plt.xlim(-3.5,3.5)
plt.ylim(-4.5,4.5)

7.2.3 核密度估计（KDE方法）

KDE方法是一种评估多维数据分布密度的常用方法，在scipy.stats中有一个简单快速实现KDE的方法，现在来举例演示：

from scipy.stats import gaussian_kde

#拟合数组维度[Ndim,Nsamples]
data=np.vstack([x,y])
kde=gaussian_kde(data)

#用一对规则的网格数据进行拟合
xgrid=np.linspace(-3.5,3.5,40)
ygrid=np.linspace(-6,6,40)
Xgrid,Ygrid=np.meshgrid(xgrid,ygrid)
Z=kde.evaluate(np.vstack([Xgrid.ravel(),Ygrid.ravel()]))

#画出结果图
plt.imshow(Z.reshape(Xgrid.shape),origin='lower',aspect='auto',extent=[-3.5,3.5,-6,6])
plt.colorbar()

用Matplotlib做KDE的可视化图的过程比较繁琐，之后会介绍的Seaborn库中会提供更简洁的方法。

8.可视化异常处理

误差在测量过程中是不可避免的，如果仅有对测量数据的可视化，那么就无法直观的展示数据的可信程度或说难以直观的感受到与理论值的差异。在数据可视化的结果中用图形展示误差，就可以提供更充分的信息。

8.1 基本误差线

x=np.linspace(0,10,50)
dy=0.8
y=np.sin(x)+dy*np.random.randn(50)

plt.errorbar(x,y,yerr=dy,fmt='o',color='k',ecolor='lightblue',elinewidth=3,capsize=0)

在此仅介绍简单的绘制方法，更多选项和参数的信息可参考plt.errorbar()的程序文档。

8.2 连续误差

有时我们需要显示连续变量的误差。Matplotlib中并没有内置的简便方法可以解决这个问题，但是通过plt.fill_between()来解决也不是难题。
在这里，我们仅展示一个例子：

注：以下代码参考博文【Python实例第36讲】一个高斯过程回归的例子.

from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, ConstantKernel as C
def f(x):
    return x * np.sin(x)
kernel = C(1.0, (1e-3, 1e3)) * RBF(10, (1e-2, 1e2))
gp=GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=9)
X = np.atleast_2d([1., 3., 5., 6., 8.]).T
y = f(X).ravel()
x = np.atleast_2d(np.linspace(0, 10, 1000)).T
gp.fit(X, y)
y_pred, sigma = gp.predict(x, return_std=True)
plt.figure()
plt.plot(X, y, 'r.', markersize=10, label=u'Observations')
plt.plot(x, y_pred, 'b-', label=u'Prediction')
plt.fill(np.concatenate([x, x[::-1]]),
         np.concatenate([y_pred - 1.9600 * sigma,
                        (y_pred + 1.9600 * sigma)[::-1]]),
         fc='lightblue', ec='None', label='95% confidence interval')
plt.xlabel('$x$')
plt.ylabel('$f(x)$')
plt.ylim(-10, 20)
plt.legend(loc='upper left')

我们使用了高斯过程回归方法，从图中可以看出，在接近观测点的位置，模型受到强约束，拟合误差很小，非常接近真实值；而在远离样本的区域，模型不受约束，误差不断增大。

后续我们会介绍Seaborn库中实现连续误差线的简便方法。

后记

以上便是《使用Matplotlib进行数据可视化（一）》的全部内容了，这算是笔者自己的学习记录，也算是个人经验的一些分享，我会不定期更新这一系列的内容，希望能够给各位读者带来一定的帮助。