《Python数据科学指南》——2.3　使用matplotlib进行绘画

2.3　使用matplotlib进行绘画

Matplotlib是Python提供的一个二维绘图库，所有类型的平面图，包括直方图、散点图、折线图、点图、热图以及其他各种类型，都能由Python制作出来。在本书中，我们将采用matplotlib的pyplot接口实现所有的可视化需求。

2.3.1　准备工作

本节中，我们会介绍使用pyplot的基础绘图框架，并且用它来完成本书中的所有可视化需求。

本书采用的是matplotlib1.3.1，你可以在命令行下调用_version_属性来检查版本，如图2-10所示。

2.3.2　操作方法

我们通过示例来学习如何用matplotlib绘制一些简单的图形。

#Recipe_2a.py
import numpy as np
import matplotlib.pyplot as plt
def simple_line_plot(x,y,figure_no):
     plt.figure(figure_no)
     plt.plot(x,y)
     plt.xlabel('x values')
     plt.ylabel('y values')
     plt.title('Simple Line')

def simple_dots(x,y,figure_no):
     plt.figure(figure_no)
     plt.plot(x,y,'or')
     plt.xlabel('x values')
     plt.ylabel('y values')
     plt.title('Simple Dots')

def simple_scatter(x,y,figure_no):
     plt.figure(figure_no)
     plt.scatter(x,y)
     plt.xlabel('x values')
     plt.ylabel('y values')
     plt.title('Simple scatter')

def scatter_with_color(x,y,labels,figure_no):
     plt.figure(figure_no)
     plt.scatter(x,y,c=labels)
     plt.xlabel('x values')
     plt.ylabel('y values')
     plt.title('Scatter with color')

if name == "__main__":
     plt.close('all')
     # x、y样例数据生成折线图和简单的点图
     x = np.arange(1,100,dtype=float)
     y = np.array([np.power(xx,2) for xx in x])

     figure_no=1
     simple_line_plot(x,y,figure_no)
     figure_no+=1
     simple_dots(x,y,figure_no)

     # x、y样例数据生成散点图
     x = np.random.uniform(size=100)
     y = np.random.uniform(size=100)

     figure_no+=1
     simple_scatter(x,y,figure_no)
     figure_no+=1
     label = np.random.randint(2,size=100)
     scatter_with_color(x,y,label,figure_no)
     plt.show()

接下来我们要探讨一些进阶的主题，包括生成热图以及给x和y轴添加标签。

# Recipe_2b.py
import numpy as np
import matplotlib.pyplot as plt
def x_y_axis_labeling(x,y,x_labels,y_labels,figure_no):
     plt.figure(figure_no)
     plt.plot(x,y,'+r')
     plt.margins(0.2)
     plt.xticks(x,x_labels,rotation='vertical')
     plt.yticks(y,y_labels,)

def plot_heat_map(x,figure_no):
     plt.figure(figure_no)
     plt.pcolor(x)
     plt.colorbar()
if name == "__main__":
     plt.close('all')
     x = np.array(range(1,6))
     y = np.array(range(100,600,100))
     x_label = ['element 1','element 2','element 3','element
4','element 5']
     y_label = ['weight1','weight2','weight3','weight4','weight5']

     x_y_axis_labeling(x,y,x_label,y_label,1)

     x = np.random.normal(loc=0.5,scale=0.2,size=(10,10))
     plot_heat_map(x,2)

     plt.show()

2.3.3　工作原理

我们先从导入需要的模块开始，使用pyplot前，必须先导入NumPy库。

import numpy as np
import matplotlib.pyplot as plt

我们从下面代码的main函数开始，之前运行的程序可能已经绘制了一些图形，先把它们全部关闭是一个好习惯。同时，我们的程序可能也需要更多的绘图资源。

plt.close('all')

接着，为了演示如何使用pyplot，我们得先用NumPy生成一些数据。

# x、y样例数据生成折线图和简单的点图
x = np.arange(1,100,dtype=float)
y = np.array([np.power(xx,2) for xx in x])

我们在x和y变量中生成了100个元素，y是x变量的平方数，然后绘制一条简单的折线图。

figure_no=1
simple_line_plot(x,y,figure_no)

当程序中有多个图形的时候，最好用figure_no变量给每个图形设置一个编号。我们接着再看simple_line_plot函数。

def simple_line_plot(x,y,figure_no):
     plt.figure(figure_no)
     plt.plot(x,y)
     plt.xlabel('x values')
     plt.ylabel('y values')
     plt.title('Simple Line')

如你所见，我们开始用pyplot的figure函数编号标示图形，我们在main函数中把figure_no变量进行传递。然后，给定x和y的值就可以轻松地调用plot函数。分别通过xlable和ylabel函数给x轴和y轴命名，可以让图形更直观易懂。最后，我们还可以给图形命名，这意味着我们的第1个折线图快要绘制完成了。但是图形不会自动显示，必须通过调用show()函数才能显示。在本例中，我们调用show()函数来将所有的图形一起显示，得到的图看起来应该是图2-11这样。

这里绘出的图形里，x轴是x的值，y轴是x的平方值。

我们绘制了一张简单的折线图，我们可以看到优美的弧线，因为y的值是x值的平方。

再看下一个图形。

figure_no+=1
simple_dots(x,y,figure_no)

我们增加了图形的编号并调用了simple_dots函数，希望将x和y的值用点而不是线的形式绘制出来，来看看simple_dots函数。

def simple_dots(x,y,figure_no):
     plt.figure(figure_no)
     plt.plot(x,y,'or')
     plt.xlabel('x values')
     plt.ylabel('y values')
     plt.title('Simple Dots')

除了下面这行，每行的代码和之前的函数都是相同的。

plt.plot(x,y,'or')

这个“or”参数说明我们需要的是点（o），这个点的颜色是红色（r）。上面的命令绘制的图形如图2-12所示。

再看下一个图形。

我们这次要绘制的是散点图，我们用NumPy生成一些数据。

# x、y样例数据生成散点图
x = np.random.uniform(size=100)
y = np.random.uniform(size=100)

我们采用均匀分布生成了100个样例数据点，现在我们调用simple_scatter函数来生成散点图。

figure_no+=1
simple_scatter(x,y,figure_no)

simple_scatter函数里的每一行都和前面的绘图方法里一样，除了以下这行。

plt.scatter(x,y)

我们调用了scatter函数而不是pyplot中的plot函数，绘制出来的图形如图2-13所示。

我们来看最终想要的散点图：每个点根据它所属的类标签被标上了颜色。

figure_no+=1
label = np.random.randint(2,size=100)
scatter_with_color(x,y,label,figure_no)

为了保持图表的可读性，我们继续增加图形的数量，接下来，我们要随机地给点加入一些标签，内容是0或者1。最后再用这些x、y和标签的变量作为参数来调用scatter_with_color函数。

这个函数和之前的scatter函数的区别如下所示。

plt.scatter(x,y,c=labels)

我们将标签的值传给c参数，就是颜色参数。每个标签对应着一个唯一的颜色。本例中，标签为0的点和标签为1的点颜色是不一样的，如图2-14所示。

接下来我们再看热图以及轴标签。

我们仍然从main函数开始。

     plt.close('all')
     x = np.array(range(1,6))
     y = np.array(range(100,600,100))
     x_label = ['element 1','element 2','element 3','element\
4','element 5']
     y_label = ['weight1','weight2','weight3','weight4','weight5']
     x_y_axis_labeling(x,y,x_label,y_label,1)

记得保持良好的习惯，调用close函数把之前的那些图先全部关闭。然后我们生成一些数据：x是一个有5个元素的数组，元素值从1到5；y也是一个5个元素的数组，元素值从100到500。我们定义两个列表x_label和y_label作为图的标签。最后，我们调用x_y_axis_labeling函数来演示如何给x和y轴添上标签。

请看下面的函数。

def x_y_axis_labeling(x,y,x_labels,y_labels,figure_no):
     plt.figure(figure_no)
     plt.plot(x,y,'+r')
     plt.margins(0.2)
     plt.xticks(x,x_labels,rotation='vertical')
     plt.yticks(y,y_labels,)

我们将采用pyplot的dot函数来绘制一张简单的点图。这次的示例中，我们不再采用“o”，而是使用“+”来表示点。因此，我们指定的参数是“+r”，“r”代表红色。

在后面的两行里，我们还要指定x和y轴的标签类型。我们使用xticks函数传递x的值和它们的标签。此外，我们还要将文本进行垂直翻转以避免相互遮挡。y轴的处理过程也是完全类型的。请看图2-15。

我们来看如何用pyplot生成热图。

x = np.random.normal(loc=0.5,scale=0.2,size=(10,10))
plot_heat_map(x,2)

绘制热图需要准备一些数据。本例中，我们用正态分布产生一个10×10矩阵的数据，设定loc变量为0.5作为均值，设定scale变量为0.2作为标准差，然后将矩阵传给plot_heat_map。第2个参数是图形的编号。

def plot_heat_map(x,figure_no):
     plt.figure(figure_no)
     plt.pcolor(x)
     plt.colorbar()

我们调用pcolor函数来创建热图，第2行里调用的colorbar函数用来控制渐变色的颜色范围，输出如图2-16所示。

2.3.4　更多内容

要了解更多关于matplotlib的信息，以下地址提供了大量相关文档，请参见：

http://matplotlib.org/faq/usage_faq.html。

以下地址是一个pyplot的优秀教程，请参见：

http://matplotlib.org/users/pyplot_tutorial.html。

Matplotlib也提供了优秀的3D绘图能力，详情请参见：

http://matplotlib.org/mpl_toolkits/mplot3d/tutorial.html。

matplotlib里的pylab模块联合使用了pyplot和NumPy命名空间，我们也可以使用pylab来绘制本节中的各种图形。