Python可视化 5. 使用Matplotlib数据可视化

全文共4750字，预计阅读时间20分钟。

第五章 使用NumPy和Matplotlib进行数据可视化

目录

一、Matplotlib
二、使用NumPy和Matplotlib实现可视化
三、单线图（Single Line Plots）
四、多线图（Multiline Plots）
五、网格、轴和标签（Grid，Axes，and Labels）
六、颜色、样式和标记（Colors，Style，and Markers）
❤总结

第四章「科学Python生态和Numpy」介绍了NumPy的基本知识。你学习了如何安装NumPy以及如何创建ndarrays。在本章中，我们将通过查看一些ndarray创建程序来继续学习NumPy。我们也会着手学习科学计算生态系统的数据可视化库——Matplotlib。我们将使用NumPy ndarray创建程序（程序的作用类似于函数，但含义更为丰富一些。程序是某个系统对外提供的功能接口或服务的集合。比如操作系统的API、服务等就是程序。）。来演示Matplotlib的可视化效果。本章内容比较详细，重点是编程以及可视化。本章介绍以下内容：

· Matplotlib

· 使用NumPy和Matplotlib实现可视化

· 单线图

· 多线图

· 网格、轴和标签

· 颜色、样式和标记

在本书的其余章节中，我们将使用Matplotlib和NumPy演示数据可视化。

一、Matplotlib

Matplotlib是SciPy的重要组成部分，用于可视化。它是NumPy的扩展。它提供了一个类似MATLAB的绘图和可视化界面。它最初是由 John D Hunter开发的，作为一种可用于Python的开源替代方案。

我们可以使用Jupyter Notebook安装它，如下所示：

!pip3 install matplotlib

要在笔记本中使用它进行基本的绘图操作，必须按如下方式导入其pyplot模块：

import matplotlib.pyplot as plt

此外，要在笔记本中显示Matplotlib可视化效果，必须运行以下命令：

%matplotlib inline

这将使得Matplotlib在产生可视化效果的代码单元格的正下方内联显示输出。当我们使用Matplotlib时，我们将始终使用这种内联输出。

还需要导入NumPy，如下所示：

import numpy as np

有关Matplotlib的详细信息，请访问https://matplotlib.org/。

二、使用NumPy和Matplotlib实现可视化

我们现在将学习如何使用ndarray创建程序来创建NumPy ndarrays，然后使用Matplotlib将它们可视化。现在先开始创建ndarray的程序。

第一个程序是arange()，它以给定的间隔创建均匀分布的值。终止值（stop value）参数是十分必要的。开始值（start value）和间隔（interval）参数的默认值分别为0和1。下面让我们看一个例子：

x = np.arange(5)

在本例中，终止值是5，因此它创建一个从0开始到4结束的ndarray。函数返回具有半开放间隔（相当于数学定义中的开区间）的序列，这意味着终止值不包含在输出中。由于我们没有指定间隔，所以它默认是1。我们可以看到它的输出和数据类型如下：

print(x)

type(x)

以下是输出：

[0 1 2 3 4]

numpy.ndarray

接下来绘制这些数字。对于二维绘图，我们需要X-Y对。为求简洁，设定y = f(x) = x，并运行下面的语句表示这个函数关系（X-Y对）：

y=x

现在，使用函数plot()将其可视化。它需要X、Y的值和绘制选项（plotting options）作为参数。我们将在本章后面了解有关绘制选项的更多信息。

plt.plot(x, y, 'o--')

plt.show()

函数show()画出图形。正如我们在上面所看到的，我们输入也就是使用的绘制选项是o--。这表示点用实心圆表示，线用虚线表示，如图（5-1）所示：

下面看函数arange()的函数调用示例，其start和stop参数如下：

np.arange(2, 6)

它会返回以下输出（直接打印，我们不将其存储为变量）：

array([2, 3, 4, 5])

我们甚至可以设置间隔参数，如下所示：

np.arange(2, 6, 2)

以下是输出：

array([2, 4])

输出如图（5-2）所示：

函数linspace(start,stop,number)返回指定间隔内的等距数字。我们必须将开始值、终止值和值的数目传递给它，如下所示：

N = 11

x = np.linspace(0, 10, N)

print(x)

该代码创建11个数字（0–10，包括0和10），如下所示：

[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]

如下，将它可视化：

y = x

plt.plot(x, y, 'o--')

plt.axis('off')

plt.show()

输出如图（5-3）所示：

如你所见，我们使用plt.axis('off')将轴关掉了，所以没有绘制出来。

类似地，我们可以计算并可视化logspace（ logspace是对数等比数列创建函数，np.logspace(start=开始值，stop=结束值，num=元素个数，base=指定对数的底, endpoint=是否包含结束值)）函数中的值，如下所示：

y = np.logspace(0.1, 1, N)

print(y)

plt.plot(x, y, 'o--')

plt.show()

输出如图（5-4）所示：

我们甚至可以计算几何级数（等比数列）中的一个级数，如下所示：

y = np.geomspace(0.1, 1000, N)

print(y)

plt.plot(x, y, 'o--')

plt.show()

输出如图（5-5）所示：

三、单线图（Single Line Plots）

在本节中，我们将探讨几种绘制单线图的方法。我们使用函数plot()绘制图形。如果图形中只有一个使用函数plot()的可视化，则称为单线图。下面会用几个例子来进一步探讨这个问题。

我们还可以使用Python列表（list）来可视化图形，如下所示：

x = [1, 4, 5, 2, 3, 6]

plt.plot(x)

plt.show()

输出如图（5-6）所示：

在这种情况下假设了y轴的值。下面是另一个例子：

x = np.arange(10)

plt.plot(x)

plt.show()

输出如图（5-7）所示：

接下来可视化一个二次方程y=f(x)=x²的图形，代码如下所示：

plt.plot(x, [y**2 for y in x])

plt.show()

输出如图（5-8）所示：

可以用一种简单的方法编写代码达到同样目的：

plt.plot(x, x**2)

plt.show()

四、多线图（Multiline Plots）

我们可以在同一个可视化中显示多个绘图。看看下面这个例子就能知道如何在同一个可视化中显示多条曲线：

x = np.arange(10)

plt.plot(x, x**2)

plt.plot(x, x**3)

plt.plot(x, x*2)

plt.plot(x, 2**x)

plt.show()

输出如图（5-9）所示：

可以看到，Matplotlib会自动为不同曲线指定不同颜色。

下面是上述代码的简化版本：

plt.plot(x, x**2, x, x**3, x, x*2, x, 2**x)

plt.show()

输出与图（5-9）相同。

下面是另一个例子：

x = np.array([[1, 2, 6, 3], [4, 5, 3, 2]])

plt.plot(x)

plt.show()

输出如图（5-10）所示：

五、网格、轴和标签（Grid，Axes，and Labels）

我们前面看到了如何在可视化中启用网格，可以用语句plt.grid(True)来完成该项操作。现在我们将学习如何控制轴的边界，然而在此之前，我们将快速学习如何将一个可视化输出保存为图像。请看以下代码：

x = np.arange(3)

plt.plot(x, x**2, x, x**3, x, 2*x, x, 2**x)

plt.grid(True)

plt.savefig('test.png')

plt.show()

语句plt.savefig('test.png')将图像保存在Jupyter Notebook文件的当前目录中。输出如图（5-11）所示：

我们可以看到轴的边界是默认设置的。我们可以将它们设置为如下所示的特定值：

x = np.arange(3)

plt.plot(x, x**2, x, x**3, x, 2*x, x, 2**x)

plt.grid(True)

plt.axis([0, 2, 0, 8])

print(plt.axis())

plt.show()

输出如图（5-12）所示：

语句plt.axis([0, 2, 0, 8])设置了轴的值。第一对（0，2）表示x轴的限制，第二对（0，8）表示y轴的限制。我们可以使用函数xlim()和ylim()编写语法不同的代码，如下所示：

x = np.arange(3)

plt.plot(x, x**2, x, x**3, x, 2*x, x, 2**x)

plt.grid(True)

plt.xlim([0, 2])

plt.ylim([0, 8])

plt.show()

此代码产生与上图（5-12）完全相同的输出。可以按如下方式添加轴的标题和标签：

x = np.arange(3)

plt.plot(x, x**2, x, x**3, x, 2*x, x, 2**x)

plt.grid(True)

plt.xlabel('x = np.arange(3)')

plt.xlim([0, 2])

plt.ylabel('y = f(x)')

plt.ylim([0, 8])

plt.title('Simple Plot Demo')

plt.show()

它生成的输出包括标签和标题，如图（5-13）所示：

我们可以在plot()函数中传递参数label，然后调用函数legend()来创建图例，如下所示：

x = np.arange(3)

plt.plot(x, x**2, label='x**2')

plt.plot(x, x**3, label='x**3')

plt.plot(x, 2*x, label='2*x')

plt.plot(x, 2**x, label='2**x')

plt.legend()

plt.grid(True)

plt.xlabel('x = np.arange(3)')

plt.xlim([0, 2])

plt.ylabel('y = f(x)')

plt.ylim([0, 8])

plt.title('Simple Plot Demo')

plt.show()

这将产生一个带有图例的曲线输出，如图（5-14）所示：

不需要像上面一样将图例作为参数传递给函数plot()，我们可以将字符串列表作为参数传递给函数legend()，如下所示：

x = np.arange(3)

plt.plot(x, x**2, x, x**3, x, 2*x, x, 2**x)

plt.legend(['x**2', 'x**3', '2*x', '2**x'])

plt.grid(True)

plt.xlabel('x = np.arange(3)')

plt.xlim([0, 2])

plt.ylabel('y = f(x)')

plt.ylim([0, 8])

plt.title('Simple Plot Demo')

plt.show()

将产生和上图（5-14）相同的输出。

我们还可以通过对前面的代码进行以下更改来更改图例框的位置：

plt.legend(['x**2', 'x**3', '2*x', '2**x'], loc='upper center')

输出如图（5-15）所示：

六、颜色、样式和标记（Colors，Style，and Markers）

到目前为止，对于多行打印，我们已经知道Matplotlib会自动指定颜色、样式和标记。我们还看到了一些定制它们的示例。在本节中，我们将详细介绍如何自定义它们。

先从颜色开始。下面的代码列出了Matplotlib支持的所有原色（在本例中，我们暂时不自定义样式和标记）。

x = np.arange(5)

y = x

plt.plot(x, y+1, 'g')

plt.plot(x, y+0.5, 'y')

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

plt.plot(x, y-0.2, 'c')

plt.plot(x, y-0.4, 'k')

plt.plot(x, y-0.6, 'm')

plt.plot(x, y-0.8, 'w')

plt.plot(x, y-1, 'b')

plt.show()

输出如图（5-16）所示：

我们还可以编写如下代码：

plt.plot(x, y+1, 'g', x, y+0.5, 'y', x, y, 'r', x, y-0.2, 'c', x, y-0.4, 'k', x, y-0.6, 'm', x, y-0.8, 'w', x, y-1, 'b')

plt.show()

输出将与上图（5-16）完全相同。

下面介绍样式的自定义。我们可以按以下方式自定义线条样式：

plt.plot(x, y, '-', x, y+1, '--', x, y+2, '-.', x, y+3, ':')

plt.show()

输出如图（5-17）所示：

你甚至可以改变标记，如下所示：

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

plt.plot(x, y+0.5, ',')

plt.plot(x, y+1, 'o')

plt.plot(x, y+2, '<')

plt.plot(x, y+3, '>')

plt.plot(x, y+4, 'v')

plt.plot(x, y+5, '^')

plt.plot(x, y+6, '1')

plt.plot(x, y+7, '2')

plt.plot(x, y+8, '3')

plt.plot(x, y+9, '4')

plt.plot(x, y+10, 's')

plt.plot(x, y+11, 'p')

plt.plot(x, y+12, '*')

plt.plot(x, y+13, 'h')

plt.plot(x, y+14, 'H')

plt.plot(x, y+15, '+')

plt.plot(x, y+16, 'D')

plt.plot(x, y+17, 'd')

plt.plot(x, y+18, '|')

plt.plot(x, y+19, '_')

plt.show()

输出如图（5-18）所示：

所有三种特性（颜色、标记和线样式）都可以组合在一起，以达到自定义可视化效果的目的，如下所示：

plt.plot(x, y, 'mo--')

plt.plot(x, y+1 , 'g*-.')

plt.show()

输出如图（5-19）所示：

这些是基本的自定义，但你可以更详细地定制所有内容。例如，使用此代码自定义其他详细信息：

plt.plot(x, y, color='g', linestyle='--',

linewidth=1.5,

marker='^', markerfacecolor='b',

markeredgecolor='k',

markeredgewidth=1.5, markersize=5)

plt.grid(True)

plt.show()

输出如图（5-20）所示：

你甚至可以自定义x轴和y轴上的值，如下所示：

x = y = np.arange(10)

plt.plot(x, y, 'o--')

plt.xticks(range(len(x)), ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j'])

plt.yticks(range(0, 10, 1))

plt.show()

输出如图（5-21）所示：

❤总结

本章重点介绍可用于可视化的各种自定义设置。我们学到了很多可视化数据的知识。本章所涵盖的概念将在本书中被用来可视化数据。

在下一章中，我们将进一步探讨数据可视化。我们将学习形象化的图像和三维形状，并在图像操作的基础上查看这些基础知识。