Matplotlib 使用 - 《Python 数据科学手册》学习笔记

一、引入

---

import matplotlib as mpl

import matplotlib.pyplot as plt

二、配置

---

1、画图接口

Matplotlib 有两种画图接口：

（1）一个是便捷的 MATLAB 风格接口

（2）功能更强大的面向对象接口【推荐，下文都以这个为例】

在面向对象接口中，画图函数不再受到当前“活动”图形或坐标轴的限制，而变成了显式的 Figure 和 Axes 的方法（一个Figure画布下可以有多个Axes子图）。

2、静态 or 交互

%matplotlib notebook 会在 Notebook 中启动交互式图形。

%matplotlib inline 会在 Notebook 中启动静态图形。

下文统一使用%matplotbib inline。

3、样式表

默认是经典（classic）的 Matplotlib 风格：

plt.style.use('classic')

更多风格：

plt.style.available

# ['_classic_test',
 'bmh',
 'classic',
 'dark_background',
 'fast',
 'fivethirtyeight',
 'ggplot',
 'grayscale',
 'seaborn-bright',
 'seaborn-colorblind',
 'seaborn-dark-palette',
 'seaborn-dark',
 'seaborn-darkgrid',
 'seaborn-deep',
 'seaborn-muted',
 'seaborn-notebook',
 'seaborn-paper',
 'seaborn-pastel',
 'seaborn-poster',
 'seaborn-talk',
 'seaborn-ticks',
 'seaborn-white',
 'seaborn-whitegrid',
 'seaborn',
 'Solarize_Light2',
 'tableau-colorblind10']

也可自定义样式文件：

.mplstyle

4、导出

fig.savefig('my_figure.png')

支持的格式可以通过这个查看：

fig.canvas.get_supported_filetypes()

二、用法

1、线形图

fig = plt.figure()
ax = plt.axes()
x = np.linspace(0, 10, 1000)
ax.plot(x, np.cos(x),color='blue',linestyle='dotted',label='cos(x)');
ax.plot(x, np.sin(x),color='0.9',label='sin(x)');

# ----- 调整线条 -----

# color - 调整线条的颜色

ax.plot(x, np.sin(x - 0), color='blue') # 标准颜色名称
ax.plot(x, np.sin(x - 1), color='g') # 缩写颜色代码（rgbcmyk）
ax.plot(x, np.sin(x - 2), color='0.75') # 范围在0~1的灰度值
ax.plot(x, np.sin(x - 3), color='#FFDD44') # 十六进制（RRGGBB，00~FF）
ax.plot(x, np.sin(x - 4), color=(1.0,0.2,0.3)) # RGB元组，范围在0~1
ax.plot(x, np.sin(x - 5), color='chartreuse'); # HTML颜色名称

# linestyle - 调整线条的风格

ax.plot(x, x + 0, linestyle='solid')
ax.plot(x, x + 1, linestyle='dashed')
ax.plot(x, x + 2, linestyle='dashdot')
ax.plot(x, x + 3, linestyle='dotted');
# 你可以用下面的简写形式
ax.plot(x, x + 4, linestyle='-') # 实线
ax.plot(x, x + 5, linestyle='--') # 虚线
ax.plot(x, x + 6, linestyle='-.') # 点划线
ax.plot(x, x + 7, linestyle=':'); # 实点线

# ----- 调整坐标轴 -----

# 坐标轴上下限
ax.xlim(-1, 11)
ax.ylim(-1.5, 1.5);
ax.ylim(1.5, -1.5);	# 坐标逆序
ax.axis([-1, 11, -1.5, 1.5]);

# 紧凑模式
ax.axis('tight');

# 横纵坐标 1：1
ax.axis('equal');

# ----- 调整标题 -----

# 设置图形标题、横纵坐标标题
ax.title("A Sine Curve")
ax.xlabel("x")
ax.ylabel("sin(x)"); 

# ----- 图例（跟 label 属性挂钩） -----

ax.legend()

# 详细属性请查文档
ax.legend(loc='upper left', frameon=True, ncol=2, fancybox=True, framealpha=1, shadow=True, borderpad=1)

# 选择图例显示的元素
# 略

# 在图例中显示不同尺寸的点
# 略

# 同时显示多个图例
# 略

2、散点图（scatter plot）

（1）方法一：

跟上面线形图的区别在于 ax.plot() 的第三个参数传了个字符。

fig = plt.figure()
ax = plt.axes()
x = np.linspace(0, 10, 30)
ax.plot(x, np.sin(x), 'o', color='black');
# 第三个参数可能值：['o', '.', ',', 'x', '+', 'v', '^', '<', '>', 's', 'd']

（2）方法二：plt.scatter

略

取舍：面对大型数据集时，plt.plot 方法比 plt.scatter 方法性能要好。

3、误差线

fig = plt.figure()
ax = plt.axes()
x = np.linspace(0, 10, 50)
dy = np.linspace(0, 1, 50)
y = np.sin(x)  

# 1、基本误差线
ax.errorbar(x, y, yerr=dy, fmt='o', color='black', ecolor='lightgray', elinewidth=3, capsize=0);
# 经验：让误差线的颜色比数据点的颜色浅一点效果会非常好，尤其是在那些比较密集的图形中

# 2、连续误差线
略

4、密度图与等高线图

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

# 1、用 plt.contour 画等高线图

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

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

Z = f(X, Y)
ax.contour(X, Y, Z, colors='black');
# 当图形中只使用一种颜色时，默认使用虚线表示负数，使用实线表示正数。

# 单色（深浅）
ax.contour(X, Y, Z, 20, colors='black');
# 双色（红灰）（RdGy = Red-Gray = 红灰)
ax.contour(X, Y, Z, 20, cmap='RdGy');	# 见下图1

# 2、用 plt.contourf 画带有填充色的等高线图
ax.contourf(X, Y, Z, 20, cmap='RdGy');	# 见下图2

# 3、更复杂的图形用 plt.imshow
# 略

# plt.contour、plt.contourf 与 plt.imshow 这三个函数组合起来之后，就打开了用二维图画三维数据的无尽可能。

5、频次直方图

（1）一维

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

data = np.random.randn(1000) 

# 1、hist 画单个频次直方图
ax.hist(data, bins=30, normed=11, alpha=0.5, histtype='stepfilled', color='steelblue', edgecolor='none');

# 2、hist 画多个频次直方图 (见下图)
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, normed=True, bins=40)
ax.hist(x1, **kwargs)
ax.hist(x2, **kwargs)
ax.hist(x3, **kwargs);

# 3、只计算数值结果不画图
counts, bin_edges = np.histogram(data, bins=5)
print(counts, bin_edges)
# [ 64 372 419 138   7] [-2.71435952 -1.43623111 -0.1581027   1.12002572  2.39815413  3.67628254]

（2）二维

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

mean = [0, 0]
cov = [[1, 1], [1, 2]]
# 用多元高斯分布（multivariate Gaussian distribution）生成 x 轴与 y 轴的样本数据：
x, y = np.random.multivariate_normal(mean, cov, 10000).T

# 1、plt.hist2d：二维频次直方图
plt.hist2d(x, y, bins=30, cmap='Blues')	# 看下图
# plt.hexbin：矩形划分 -> 六边形划分
# ax.hexbin(x, y, gridsize=30, cmap='Blues')
cb = plt.colorbar(label='count in bin')

# 2、平滑版本的二维频次直方图 - 核密度估计（kernel density estimation，KDE）
略

# 3、只计算数值结果不画图
counts, xedges, yedges = np.histogram2d(x, y, bins=30) 

6、文字与注释

（1）文字

# 拿前面第一个线形图的做例子：
fig = plt.figure()
ax = plt.axes()
x = np.linspace(0, 10, 1000)
ax.plot(x, np.cos(x),color='blue',linestyle='dotted',label='cos(x)');
ax.plot(x, np.sin(x),color='0.9',label='sin(x)');

#  ax.text() 在图上增加文字标签
style = dict(size=10, color='gray')
ax.text(1, 0.1, "111", ha='center',**style)
ax.text(5, 0.5, "222", ha='center', **style)
ax.text(10, 0.8, "333", ha='center', **style)

ax.text() 的 transform 有三种不同的坐标系：

# 1、transData 坐标用x 轴与y 轴的标签作为数据坐标。
ax.text(1, 1, ". Data: (1, 1)", transform=ax.transData)

# 2、transAxes 坐标以坐标轴（图中白色矩形）左下角的位置为原点，按坐标轴尺寸的比例呈现坐标。
ax.text(0.5, 0.1, ". Axes: (0.5, 0.1)", transform=ax.transAxes)

# 3、transFigure 坐标与之类似，不过是以图形（图中灰色矩形）左下角的位置为原点，按图形尺寸的比例呈现坐标。
ax.text(0.2, 0.2, ". Figure: (0.2, 0.2)", transform=fig.transFigure);

# 假如你改变了坐标轴上下限，那么只有transData 坐标会受影响，其他坐标系都不变！

（2）箭头

# 拿前面第一个线形图的做例子：
fig = plt.figure()
ax = plt.axes()
x = np.linspace(0, 10, 1000)
ax.plot(x, np.cos(x),color='blue',linestyle='dotted',label='cos(x)');
ax.plot(x, np.sin(x),color='0.9',label='sin(x)');

#  ax.text() 在图上增加文字标签
ax.annotate('local maximum', xy=(1, 0.3), xytext=(3, 0.5), arrowprops=dict(facecolor='black', shrink=0.05))

7、三维图

# ax.plot3D - 三维线图
zline = np.linspace(0, 15, 1000)
xline = np.sin(zline)
yline = np.cos(zline)
ax.plot3D(xline, yline, zline, 'gray')

# ax.scatter3D - 三维散点图
zdata = 15 * np.random.random(100)
xdata = np.sin(zdata) + 0.1 * np.random.randn(100)
ydata = np.cos(zdata) + 0.1 * np.random.randn(100)
ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='Greens');

# 等高线、线框图、曲面图 区别

8、地图

需要用到第三方库：conda install basemap

略

9、更多功能

# 配置颜色条
# 略

# 多子图
# 略

# 自定义坐标轴刻度
# 略

https://matplotlib.org/gallery.html 可以看到更多的图形 demo 和配套代码

三、其他画图方法

---

1、Seaborn

第三方的 Seaborn 在 Matplotlib 的基础上开发了一套 API，为默认的图形样式和颜色设置提供了理智的选择，为常用的统计图形定义了许多简单的高级函数，并与 Pandas DataFrame 的功能有机结合。

略

2、pandas DataFrame 自带画图功能

df = pd.DataFrame({'lab':['A', 'B', 'C'], 'val':[10, 30, 20]})
print(df)
ax = df.plot.bar(x='lab', y='val', rot=0)	# 赋值给 ax 是为了不让输出 df.plot.bar 这个冗余信息

---

参考资料

《Python 数据科学手册》