Matplotlib 快速入門
編程派微信號：codingpy
看完此文如果覺得不錯，不妨點擊文末廣告支持一下
昨天推出的免費贈書活動還在進行，首先感謝大家的積極參與！看了眼前五的朋友，比剛開始時的變化還是挺大的啊，昨天沒看到的朋友不要錯過了哦。傳送門 --》 福利 | 推薦一本美亞排名第一的Python入門教材。
回到今天這篇文章，主題是 Python 庫中大名鼎鼎的繪圖圖 Matplotlib 。當初我也是受了這個庫的吸引，開始學習 Python 的。給大家看幾張用 Matplotlib 生成的圖：（首圖也是用 Matplotlib 繪製的）
本文的原作者是 Jamal Moir，是 Python 科學計算系列的第一篇文章，或許有人已經翻譯過了，但我覺得我們 Python 翻譯組的譯文質量還是不錯的。希望對喜歡 Python 的各位朋友有幫助。
本文譯者 linkmyth，校對 EarlGrey@編程派。linkmyth 是同濟大學的在讀碩士，主攻web開發、機器學習等方向。
以下是原文正文：
數據的處理、分析和可視化已經成爲 Python 近年來最重要的應用之一。這種現象又進一步引出“大數據”分析等類似的話題，而大數據分析在人們所能預見的諸多領域內都有廣泛應用，這其中就包含筆者個人感興趣的機器學習。
Python 在處理數據、分析數據以及數據可視化方面擁有很多功能強大的工具，這也是 Python 在科學領域中能夠迅速發展的一個主要原因。
在接下來的一系列文章中，我們將介紹 Python 科學計算中涉及的主要的庫，並且學習如何使用它們處理數據以滿足我們的需求。但是我們並非只是停留在快速寫出模板代碼來使用這些庫的層面上，我們還會了解這些庫背後的數學知識，以幫助我們更好地理解庫的運行原理。
首先，我們將從一個功能非常強大的庫 Matplotlib 開始介紹，在後面的文章中也會一直用到這個庫。
什麼是 Matplotlib?
簡單來說，Matplotlib 是 Python 的一個繪圖庫。它包含了大量的工具，你可以使用這些工具創建各種圖形，包括簡單的散點圖，正弦曲線，甚至是三維圖形。Python 科學計算社區經常使用它完成數據可視化的工作。
你可以在他們的網站上了解到更多 Matplotlib 背後的設計思想，但是我強烈建議你先瀏覽一下他們的圖庫，體會一下這個庫的各種神奇功能。
畫一個簡單的圖形
首先我們要畫一條在 [0, 2pi] 上的正弦曲線。讀者應該會注意到我們在這裏使用了 Numpy 庫，但是即便你沒有使用過這個庫也不用擔心，在後面的文章中我們也會介紹到 Numpy 庫。
import matplotlib.pyplot as plt
import numpy as np以上這些就是我們將要用到的導入模塊。在我的上一篇文章(以及另一篇文章)中都提到過 from x import * 是一種糟糕的導入方式。我們不想在程序裏重複書寫 matplotlib.pyplot 和 numpy，這種書寫方式過於冗長，因此我們採用了上面的折中寫法。
# 簡單的繪圖
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x))
# 如果沒有第一個參數 x，圖形的 x 座標默認爲數組的索引
plt.show() # 顯示圖形上面的代碼將畫出一個簡單的正弦曲線。np.linspace(0, 2 * np.pi, 50) 這段代碼將會生成一個包含 50 個元素的數組，這 50 個元素均勻的分佈在 [0, 2pi] 的區間上。
plot 命令以一種簡潔優雅的方式創建了圖形。提醒一下，如果沒有第一個參數 x，圖形的 x 軸座標將不再是 0 到 2pi，而應該是數組的索引範圍。
最後一行代碼 `plt.show() 將圖形顯示出來，如果沒有這行代碼圖像就不會顯示。
運行代碼後應該會類似得到下面的圖形：
在一張圖上繪製兩個數據集
大多數時候讀者可能更想在一張圖上繪製多個數據集。用 Matplotlib 也可以輕鬆實現這一點。
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x),
x, np.sin(2 * x))
plt.show()上面的代碼同時繪製了表示函數 sin(x) 和 sin(2x) 的圖形。這段代碼和前面繪製一個數據集的代碼幾乎完全相同，只有一點例外，這段代碼在調用 plt.plot() 的時候多傳入了一個數據集，並用逗號與第一個數據集分隔開。
最後你會得到類似於下面包含兩條曲線的圖形：
自定義圖形的外觀
當在同一個圖形上展示多個數據集時，通過改變線條的外觀來區分不同的數據集變得非常必要。
# 自定義曲線的外觀
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x), 'r-o',
x, np.cos(x), 'g--')
plt.show()上述代碼展示了兩種不同的曲線樣式：'r-o' 和 'g--'。字母 ‘r’ 和 ‘g’ 代表線條的顏色，後面的符號代表線和點標記的類型。例如 '-o' 代表包含實心點標記的實線，'--' 代表虛線。其他的參數需要讀者自己去嘗試，這也是學習 Matplotlib 最好的方式。
顏色：
藍色 - ‘b’
綠色 - ‘g’
紅色 - ‘r’
青色 - ‘c’
品紅 - ‘m’
黃色 - ‘y’
黑色 - ‘k’（’b’代表藍色，所以這裏用黑色的最後一個字母）
白色 - ‘w’線：
直線 - ‘-‘
虛線 - ‘—‘
點線 - ‘:’
點劃線 - ‘-.’常用點標記
點 - ‘.’
像素 - ‘,’
圓 - ‘o’
方形 - ‘s’
三角形 - ‘^’
更多點標記樣式點擊這裏
最後你會得到類似下面的圖形：
使用子圖
使用子圖可以在一個窗口繪製多張圖。
# 使用子圖
x = np.linspace(0, 2 * np.pi, 50)
plt.subplot(2, 1, 1) # （行，列，活躍區）
plt.plot(x, np.sin(x), 'r')
plt.subplot(2, 1, 2)
plt.plot(x, np.cos(x), 'g')
plt.show()使用子圖只需要一個額外的步驟，就可以像前面的例子一樣繪製數據集。即在調用 plot() 函數之前需要先調用 subplot() 函數。該函數的第一個參數代表子圖的總行數，第二個參數代表子圖的總列數，第三個參數代表活躍區域。
活躍區域代表當前子圖所在繪圖區域，繪圖區域是按從左至右，從上至下的順序編號。例如在 4×4 的方格上，活躍區域 6 在方格上的座標爲 (2, 2)。
最終你會得到類似下面的圖形：
簡單的散點圖
散點圖是一堆離散點的集合。用 Matplotlib 畫散點圖也同樣非常簡單。
# 簡單的散點圖
x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)
plt.scatter(x,y)
plt.show()正如上面代碼所示，你只需要調用 scatter() 函數並傳入兩個分別代表 x 座標和 y 座標的數組。注意，我們通過 plot 命令並將線的樣式設置爲 'bo' 也可以實現同樣的效果。
最後你會得到類似下面的無線圖形：
彩色映射散點圖
另一種你可能用到的圖形是彩色映射散點圖。這裏我們會根據數據的大小給每個點賦予不同的顏色和大小，並在圖中添加一個顏色欄。
# 彩色映射散點圖
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()上面的代碼大量的用到了 np.random.rand(1000)，原因是我們繪圖的數據都是隨機產生的。
同前面一樣我們用到了 scatter() 函數，但是這次我們傳入了另外的兩個參數，分別爲所繪點的大小和顏色。通過這種方式使得圖上點的大小和顏色根據數據的大小產生變化。
然後我們用 colorbar() 函數添加了一個顏色欄。
最後你會得到類似於下面的彩色散點圖：
直方圖
直方圖是另一種常見的圖形，也可以通過幾行代碼創建出來。
# 直方圖
x = np.random.randn(1000)
plt.hist(x, 50)
plt.show()直方圖是 Matplotlib 中最簡單的圖形之一。你只需要給 hist() 函數傳入一個包含數據的數組。第二個參數代表數據容器的個數。數據容器代表不同的值的間隔，並用來包含我們的數據。數據容器越多，圖形上的數據條就越多。
最終你會得到類似下面的直方圖：
標題，標籤和圖例
當需要快速創建圖形時，你可能不需要爲圖形添加標籤。但是當構建需要展示的圖形時，你就需要添加標題，標籤和圖例。
# 添加標題，座標軸標記和圖例
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() # 展示圖例
plt.xlabel('Rads') # 給 x 軸添加標籤
plt.ylabel('Amplitude') # 給 y 軸添加標籤
plt.title('Sin and Cos Waves') # 添加圖形標題
plt.show()爲了給圖形添加圖例，我們需要在 plot() 函數中添加命名參數 'label' 並賦予該參數相應的標籤。然後調用 legend() 函數就會在我們的圖形中添加圖例。
接下來我們只需要調用函數 title()，xlabel() 和 ylabel() 就可以爲圖形添加標題和標籤。
你會得到類似於下面這張擁有標題、標籤和圖例的圖形：
以上內容應該足夠幫助讀者開始使用 Matplotlib 和 Python 實現數據可視化，但是這些內容並不全面。我強烈建議讀者親自嘗試使用這個工具，筆者也是通過這種方式掌握了這個工具。畫一些圖形，改變樣式並使用子圖功能，然後你就會很快掌握 Matplotlib 的使用方式。
這是一篇是關於如何使用 Matplotlib 和 Python 完成數據可視化的文章，也是 Python 科學計算系列文章中的第一篇。我希望讀者能從中有所收穫，並且對 Matplotlib 庫更加熟悉。