Matplotlib库

Matplotlib 是 Python 的绘图库，它提供了一整套和 matlab 相似的命令 API，可以生成出版质量级别的精美图形，Matplotlib 使绘图变得非常简单，在易用性和性能间取得了优异的平衡。

曲线图

曲线图的绘制

作为绘图程序的 Hello World，我们将首先绘制一条简单的曲线。同时还将简单介绍

# plot_1.pyimportmatplotlib.pyplotaspltx=range(50)
y= [value*2forvalueinx]
plt.plot(x, y)
plt.show()

上述代码将会绘制曲线 y=2*x，其中 x 在 [0，50] 范围内，如下所示：

可以看到窗口上方还包含多个图标，其中：

Tips：plt.plot(x, y) 用于绘制一条曲线，其中，曲线点的 x 坐标在列表 x 中给出，曲线点的 y 坐标在列表y中给出。

由于 matplotlib 它只专注于绘图，因此如果想从文件中读取输入或进行一些中间计算，那么必须使用 Python 模块，但不用担心，matplotlib 与其他模块具有良好的兼容性，并不涉及过多的技巧。例如，要生成大量统计图形，可能需要使用科学计算包，如 Numpy 和 Python 的文件读取 I/O 模块。在接下来的讲解中会给出相应的示例。

结合Numpy库，绘制曲线图

绘制曲线 cos(x)，x 在 [0, 2*pi] 区间内：

# cos_1.pyimportmathimportmatplotlib.pyplotaspltscale=range(100)
x= [(2*math.pi*i) /len(scale) foriinscale]
y= [math.cos(i) foriinx]
plt.plot(x, y)
plt.show()

若采用 Numpy 库，则可以使用以下等效代码：

# cos_2.pyimportnumpyasnpimportmatplotlib.pyplotaspltx=np.linspace(0, 2*np.pi, 100)
y=np.cos(x)
plt.plot(x, y)
plt.show()

所绘制图形如下所示：

Tips：虽然 Numpy 对于可视化而言并非必要，但可以看出使用 Numpy 库可以更加高效。

Numpy 可以一次对整个数组执行操作，可以使代码更高效，以绘制 [-10,10] 区间内的曲线 y=x³+5x-10 为例：

# plot_np.pyimportnumpyasnpimportmatplotlib.pyplotaspltx=np.linspace(-10, 10, 800)
y=x**3+5*x-10plt.plot(x, y)
plt.show()

绘制图形如下：

绘制多曲线图  

很多时候我们需要对比多组数据，以发现数据间的异同，此时就需要在一张图片上绘制多条曲线——多曲线图，下图展示了在同一图片中绘制函数 y=x、y=x²，y=log_ex 以及 y=sin(x)：

# plot_multi_curve.pyimportnumpyasnpimportmatplotlib.pyplotaspltx=np.linspace(0.1, 2*np.pi, 100)
y_1=xy_2=np.square(x)
y_3=np.log(x)
y_4=np.sin(x)
plt.plot(x,y_1)
plt.plot(x,y_2)
plt.plot(x,y_3)
plt.plot(x,y_4)
plt.show()

上述脚本绘制图形如下：

Tips：一条曲线的绘制需要调用一次 plt.plot()，而 plt.show() 只需调用一次。这种延迟呈现机制是 matplotlib 的核心，我们可以声明在任何时间绘制图形，但只有在调用 plt.show() 时才会渲染显示图形。

为了更好的说明这种延迟呈现机制，编写以下代码：

# deferred_rendering.pyimportnumpyasnpimportmatplotlib.pyplotaspltdefplot_func(x, y):
x_s=x[1:] -y[:-1]
y_s=y[1:] -x[:-1]
plt.plot(x[1:], x_s/y_s)
x=np.linspace(-5, 5, 200)
y=np.exp(-x**2)
plt.plot(x, y)
plot_func(x, y)
plt.show()

绘制图形如下：

可以看到，尽管其中一个 plt.plot() 是在 plot_func 函数中调用的，它对图形的呈现没有任何影响，因为 plt.plot() 只是声明了我们要呈现的内容，但还没有执行渲染。因此可以使用此特性结合 for 循环、条件判断等语法完成复杂图形的绘制，同时也可以在同一张图中组合不同类型的统计图。

读取数据文件绘制曲线图

很多情况下数据都是存储于文件中，因此，需要首先读取文件中的数据，再进行绘制，说明起见，以 .txt 文件为例，其他诸如 Excel、CSV 文件可以使用 pandas、numpy 等库进行读取。

假设存在 data.txt 文件如下：

011225417526637

读取数据和绘制的代码如下：

# read_txt.pyimportmatplotlib.pyplotaspltx, y= [], []
forlineinopen('data.txt', 'r'):
values= [float(s) forsinline.split()]
x.append(values[0])
y.append(values[1])
plt.plot(x, y)
plt.show()

如果使用 Numpy 库，其等效代码可以写为：

importmatplotlib.pyplotaspltimportnumpyasnpdata=np.loadtxt('data.txt')
plt.plot(data[:,0], data[:,1])
plt.show()

散点图

当绘制曲线图时，我们假设点与点之间存在序列关系。而散点图是简单地绘制点，它们之间并不存在连接。

importnumpyasnpimportmatplotlib.pyplotaspltdata=np.random.rand(1000, 2)
plt.scatter(data[:,0], data[:,1])
plt.show()

Tips：函数 plt.scatter() 的调用方式与 plt.plot() 完全相同，分别将点的x和y坐标作为输入参数。

条形图

条形图具有丰富的表现形式，常见的类型包括单组条形图，多组条形图，堆积条形图和对称条形图等。因此在《Python-Matplotlib绘制条形图》中进行详细介绍。

饼图

饼图可以用于对比数量间的相对关系：

importmatplotlib.pyplotaspltdata= [10, 15, 30, 20]
plt.pie(data)
plt.show()

Tips：plt.pie() 函数将一系列值作为输入，将值传递给matplolib，它就会自动计算各个值在饼图中的相对面积，并进行绘制。

直方图

直方图是概率分布的图形表示。事实上，直方图只是一种特殊的条形图。我们可以很容易地使用 matplotlib 的条形图函数，并进行一些统计运算来生成直方图。但是，直方图非常有用，因此 matplotlib 提供了一个更加方便的函数：

importnumpyasnpimportmatplotlib.pyplotaspltx=np.random.randn(1024)
plt.hist(x, bins=20)
plt.show()

Tips：plt.hist() 函数的作用是：获取一系列值作为输入。值的范围将被划分为大小相等的范围（默认情况下数量为10），然后生成条形图，一个范围对应一个条柱，一个条柱的高度是相应范围内中的值的数量，条柱的数量由可选参数 bins 确定。

箱形图

箱形图可以通过方便地显示一组值的中位数、四分位数、最大值和最小值来比较值的分布。

importnumpyasnpimportmatplotlib.pyplotaspltdata=np.random.randn(200)
plt.boxplot(data)
plt.show()

Tips：plt.boxplot() 函数的作用是：获取一组值，并自动计算平均值、中位数和其他统计量。

箱形图描述：

1. 图中黄线是分布的中位数。

2. 方形箱框包括从下四分位数 Q1 到上四分位数 Q3 的 50% 的数据。

3. 下盒须的下四分位延伸到 1.5(Q3-Q1)。

4. 上盒须从上四分位延伸至 1.5(Q3-Q1)。

5. 离盒须较远的数值用圆圈标记。

要在单个图形中绘制多个箱形图，对每个箱形图调用一次 plt.boxplot() 是不可行。它会将所有箱形图画在一起，形成一个混乱的、不可读的图形。如果想要到达符合要求的效果，只需在一次调用 plt.boxplot() 中，同时绘制多个箱形图即可，如下所示：

importnumpyasnpimportmatplotlib.pyplotaspltdata=np.random.randn(200, 6)
plt.boxplot(data)
plt.show()

三角网格图

处理空间位置时会出现网格图。除了显示点之间的距离和邻域关系外，三角网格图也是表示地图的一种方便方法。

importnumpyasnpimportmatplotlib.pyplotaspltimportmatplotlib.triastridata=np.random.rand(200, 2)
triangles=tri.Triangulation(data[:,0], data[:,1])
plt.triplot(triangles)
plt.show()