“一张图胜过千言万语”，对于数据来说同样地，“一张可视化的图片胜过一张复杂的数据表格或报告”。
Matplotlib介绍
数据可视化是数据科学家需要掌握的必备技能之一。使用可视化技术可以理解和解决大多数业务问题。可视化主要包括探索性数据分析（EDA）和图形绘制。有效的可视化有助于用户了解数据中的模式，并有效地解决业务问题。可视化的另一个优点是能将复杂数据简化为易于理解的形式。
人们总是觉得图像比文本更容易理解，因此可视化是分析和解释数据的最佳手段，它能帮助用户轻松地理解大量的信息。数据可视化也有助于人们理解趋势、相关性、模式、分布等信息。
在数据可视化领域的众多工具和技术中，python是最常用的。Python为数据可视化提供了多个库，其中最常用的有:
- Matplotlib
- Seaborn
- Pandas visualisation
- Plotly
本文档将有助于你了解在业界被广泛使用的matplotlib库。Matplotlib具有丰富的图形功能，而且容易上手。本文主要介绍不同的图形功能，包括一些语法等。
Matplotlib的安装
matplotlib库有多种安装方法。最简单的安装matplotlib的方式是下载Anaconda包。因为Anaconda会默认安装Matplotlib，不需要你进行任何额外的步骤。
从anaconda的官方网站下载anaconda软件包
为了安装matplotlib，打开anaconda提示符并运行以下命令
pip install matplotlib
or
conda install matplotlib
在Jupyter notebook中运行以下命令以验证matplotlib是否正确安装
import matplotlibmatplotlib.__version__
请输入图片描述
如何使用Matplotlib
在使用matplotlib之前，我们需要在Jupyter notebook中使用‘import’方法来导入这个包。PyPlot是matplotlib中最常用的数据可视化模块，通常使用PyPlot就足以满足可视化的需求。
# import matplotlib library as mplimport matplotlib as mpl#import the pyplot module from matplotlib as plt (short name used for referring the object)import matplotlib.pyplot as plt
请输入图片描述
Matplotlib、Pyplot和Python之间的关系
Python是一种非常流行的编程语言，可以用于web开发、数学和统计分析。Python可以在大多数平台上工作，而且使用起来也很简单。
Python有很多库可以调用，用于可视化和数据分析的库主要以下几种。
NumPy
Pandas
Matplotlib
Seaborn
Plotly
SciKit-Learn
正如您所看到的，这里面包括matplotlib，它是使用python开发的。这个库被广泛用于数据可视化。
PyPlot是matplotlib中的一个模块，它提供类似于MATLAB的交互体验。MATLAB被广泛用于工业界中的统计分析。但MATLAB是一种需要许可的软件，且价格不菲。而PyPlot是一个开源模块，为python用户提供类似MATLAB的功能。总之，PyPlot在开源环境中被视为MATLAB的替代品。
绘制一个简单的图像
在这里，我们将使用NumPy生成的随机数来绘制一个简单的图像。创建图像最简单的方法是使用' plot() '方法。为了生成一个图像，我们需要两个坐标轴(X)和(Y)，因此我们使用Numpy中的' linspace() '方法生成两个随机数列。
import the NumPy package
import numpy as np
generate random number using NumPy, generate two sets of random numbers and store in x, y
x = np.linspace(0,50,100)
y = x * np.linspace(100,150,100)
Create a basic plot
plt.plot(x,y)
请输入图片描述
生成的图像如下图所示:
请输入图片描述
为图像添加更多元素
上面生成的图还缺少一些东西，让我们试着为它添加不同的元素，以便更好地解释这个图。可以为其添加的元素包括title、x-Label、y-label、x-limits、y-limits。
set different elements to the plot generated above
Add title using ‘plt.title’
Add x-label using ‘plt.xlabel’
Add y-label using ‘plt.ylabel’
set x-axis limits using ‘plt.xlim’
set y-axis limits using ‘plt.ylim’
Add legend using ‘plt.legend’
请输入图片描述
请输入图片描述
add color, style, width to line element
plt.plot(x, y, c = 'r', linestyle = '--', linewidth=2)
请输入图片描述
add markers to the plot, marker has different elements i.e., style, color, size etc.,
plt.plot (x, y, marker='*', markersize=3, c=’g’)
请输入图片描述
add grid using grid() method
Plt.grid(True)
add legend and label
plt.legend()
请输入图片描述
图像自定义:
色彩
b –蓝色
c –青色
g –绿色
k –黑色
m –洋红色
r –红色
w –白色
y –黄色
可以使用十六进制或RGB格式
线型
'-' ：实线
'--'：虚线
'-。'：点划线
'：'–虚线
标记样式
。–点标记
，–像素标记
v –三角形向下标记
^ –三角形向上标记
<–三角形左标记
–三角形右标记
1 –三脚架下降标记
2 –三脚架向上标记
3 –三脚架左标记
4 –三脚架右标记
s –方形标记
p –五边形标记
–星形标记
其他配置属性
color or c
linestyle
linewidth
marker
markeredgewidth
markeredgecolor
markerfacecolor
markersize
在一张图中绘制多个函数
在某些情况下，出于特殊目的，用户可能必须在单个图像中显示多个函数。例如，零售商想知道最近12个月中两家分店的销售趋势，而他希望在同一个坐标轴里查看两家商店的趋势。
让我们在一张图中绘制两条线sin（x）和cos（x），并添加图例以了解哪一条线是什么。
lets plot two lines Sin(x) and Cos(x)
loc is used to set the location of the legend on the plot
label is used to represent the label for the line in the legend
generate the random number
x= np.arange(0,1500,100)
plt.plot(np.sin(x),label='sin function x')
plt.plot(np.cos(x),label='cos functon x')
plt.legend(loc='upper right')
请输入图片描述
请输入图片描述
To show the multiple plots in separate figure instead of a single figure, use plt.show() statement before the next plot statement as shown below
x= np.linspace(0,100,50)
plt.plot(x,'r',label='simple x')
plt.show()
plt.plot(x*x,'g',label='two times x')
plt.show()
plt.legend(loc='upper right')
请输入图片描述
创建子图
在某些情况下，如果我们要给股东汇报公司最近的情况，我们需要在一个图中显示多个子图。这可以通过使用matplotlib库中的subplot来实现。例如，一家零售店有6家分店，经理希望在一个展示窗口中看到6家商店的每日销售额并进行比较。这可以通过subplots将报表的行和列进行可视化处理。
subplots are used to create multiple plots in a single figure
let’s create a single subplot first following by adding more subplots
x = np.random.rand(50)
y = np.sin(x*2)
#need to create an empty figure with an axis as below, figure and axis are two separate objects in matplotlib
fig, ax = plt.subplots()
#add the charts to the plot
ax.plot(y)
请输入图片描述
请输入图片描述
Let’s add multiple plots using subplots() function
Give the required number of plots as an argument in subplots(), below function creates 2 subplots
fig, axs = plt.subplots(2)
#create data
x=np.linspace(0,100,10)
assign the data to the plot using axs
axs.plot(x, np.sin(x**2))
axs.plot(x, np.cos(x**2))
add a title to the subplot figure
fig.suptitle('Vertically stacked subplots')
请输入图片描述
请输入图片描述
Create horizontal subplots
Give two arguments rows and columns in the subplot() function
subplot() gives two dimensional array with 2*2 matrix
need to provide ax also similar 2*2 matrix as below
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2)
add the data to the plots
ax1.plot(x, x**2)
ax2.plot(x, x**3)
ax3.plot(x, np.sin(x**2))
ax4.plot(x, np.cos(x**2))
add title
fig.suptitle('Horizontal plots')
请输入图片描述
请输入图片描述
another simple way of creating multiple subplots as below, using axs
fig, axs = plt.subplots(2, 2)
add the data referring to row and column
axs.plot(x, x**2,'g')
axs.plot(x, x**3,'r')
axs.plot(x, np.sin(x**2),'b')
axs.plot(x, np.cos(x**2),'k')
add title
fig.suptitle('matrix sub plots')
请输入图片描述
请输入图片描述
Figure对象
Matplotlib是一个面向对象的库，包括对象、方法等。我们所绘制的图也是Figure对象中的类之一。Figure对象是用于显示图的容器，可通过调用Figure（）函数实现。
Figsize – (宽, 高)英寸
Dpi –用于调整每英寸网点数(可根据打印质量进行调整)
facecolor
edgecolor
linewidth
let’s create a figure object
change the size of the figure is ‘figsize = (a,b)’ a is width and ‘b’ is height in inches
create a figure object and name it as fig
fig = plt.figure(figsize=(4,3))
create a sample data
X = np.array()
Y = X**2
plot the figure
plt.plot(X,Y)
请输入图片描述
请输入图片描述
let’s change the figure size and also add additional parameters like facecolor, edgecolor, linewidth
fig = plt.figure(figsize=(10,3),facecolor='y',edgecolor='r',linewidth=5)
请输入图片描述
Axes对象
Axes是指绘制数据的区域，我们可以使用' add_axes() '将Axes添加到图中。该方法需要以下四个参数:，Left，Bottom，Width，Height
Left–Axes与图中左侧的距离
Bottom–Axes与图中底部的距离
Width–Axes的宽度
Height–Axes的高度
Axes的其他属性：
Set title using ‘ax.set_title()’
Set x-label using ‘ax.set_xlabel()’
Set y-label using ‘ax.set_ylabel()’
lets add axes using add_axes() method
create a sample data
y =
x1 =
x2 =
create the figure
fig = plt.figure()
add the axes
ax = fig.add_axes()
l1 = ax.plot(x1,y,'ys-')
l2 = ax.plot(x2,y,'go--')
add additional parameters
ax.legend(labels = ('line 1', 'line 2'), loc = 'lower right')
ax.set_title("usage of add axes function")
ax.set_xlabel('x-axix')
ax.set_ylabel('y-axis')
plt.show()
请输入图片描述
请输入图片描述
Matplotlib中的绘图类型
Matplotlib有各种各样的绘图类型，包括条形图、折线图、饼状图、散点图、气泡图、瀑布图、圆形区域图、堆叠条形图等，我们将通过一些例子来介绍它们。这些图的许多属性都是通用的，如axis, color等，但有些属性却是特有的。
条形图
概述：
条形图使用水平或垂直方向的长条去表示数据。条形图用于显示两个或多个类别的值，通常x轴代表类别。每个长条的长度与对应类别的计数成正比。
函数：
用于显示条形图的函数是' plt .bar() '
bar()函数需要输入X轴和Y轴的数据
自定义：
plt.bar()函数具有以下参数，可用于配置绘图：
Width, Color, edge colour, line width, tick_label, align, bottom,
Error Bars – xerr, yerr
lets create a simple bar chart
x-axis is shows the subject and y -axis shows the markers in each subject
例子：
subject =
marks =
plt.bar(subject,marks)
plt.show()
请输入图片描述
#let’s do some customizations
#width – shows the bar width and default value is 0.8
#color – shows the bar color
#bottom – value from where the y – axis starts in the chart i.e., the lowest value on y-axis shown
#align – to move the position of x-label, has two options ‘edge’ or ‘center’
#edgecolor – used to color the borders of the bar
#linewidth – used to adjust the width of the line around the bar
#tick_label – to set the customized labels for the x-axis
plt.bar(subject,marks,color ='g',width = 0.5,bottom=10,align ='center',edgecolor='r',linewidth=2,tick_label=subject)
请输入图片描述
errors bars could be added to represent the error values referring to an array value
here in this example we used standard deviation to show as error bars
plt.bar(subject,marks,color ='g',yerr=np.std(marks))
请输入图片描述
to plot horizontal bar plot use plt.barh() function
plt.barh(subject,marks,color ='g',xerr=np.std(marks))
请输入图片描述
饼状图
概述：
饼状图表示每个值相对于所有值之和的比例。饼状图上的值以扇形的形式显示了每个值的百分比贡献。扇形的角度是根据值的比例计算的。当我们试图比较总体中的不同部分时，这种可视化效果是最好的。例如，一个销售经理想要知道一个月里不同付款类型所占比例，如现金、信用卡、借记卡、PayPal等应用的支付比例。
函数：
用于饼状图的函数是' plt.pie() '
为了绘制饼状图，我们需要输入一个列表，每个扇形都是先计算列表中的值所占比例，再转换成角度得到的
自定义：
plt.pie()函数具有以下参数，可用于配置绘图。
labels – 用于显示每个扇形所属的类别
explode – 用于突出扇形
autopct –用于显示扇形区域所占百分比
shadow –在扇形上显示阴影
colours –为扇形设置自定义颜色
startangle –设置扇形的角度
例子：
Let’s create a simple pie plot
Assume that we have a data on number of tickets resolved in a month
the manager would like to know the individual contribution in terms of tickets closed in the week
data
Tickets_Closed =
Agents =
create pie chart
plt.pie(Tickets_Closed, labels = Agents)
请输入图片描述
请输入图片描述
#Let’s add additional parameters to pie plot
#explode – to move one of the wedges of the plot
#autopct – to add the contribution %
explode =
plt.pie(Tickets_Closed, labels = Agents, explode=explode, autopct='%1.1f%%' )
请输入图片描述
请输入图片描述
散点图
概述：
散点图通过显示数据点来展示两列数据之间的关系。绘制散点图需要两个变量，一个变量表示X轴位置，另一个变量表示y轴位置。散点图用于表示变量之间的关联，通常建议在进行回归之前使用。散点图有助于理解数据的以下信息：
两列数据间的任何关系
- ve（阳性）关系
-ve（阴性）关系
函数：
用于散点图的函数是“pl .scatter()”
自定义：
scatter()函数具有以下参数，用于配置绘图。
size – 设置点的大小
color –设置点的颜色
marker – 标记的类型
alpha – 点的透明度
norm –规范化数据(将数据归一化0至1)
例子：
let's create a simple scatter plot
generate the data with random numbers
x = np.random.randn(1000)
y = np.random.randn(1000)
plt.scatter(x,y)
请输入图片描述
请输入图片描述
as you observe there is no correlation exists between x and y
let’s try to add additional parameters
size – to manage the size of the points
#color – to set the color of the points
#marker – type of marker
#alpha – transparency of point
size = 150*np.random.randn(1000)
colors = 100*np.random.randn(1000)
plt.scatter(x, y, s=size, c = colors, marker ='*', alpha=0.7)
请输入图片描述
请输入图片描述
直方图
概述：
直方图是用来了解数据分布的。它是对连续数据概率分布的估计。它与上面讨论的条形图相似，但它用于表示连续变量的分布，而条形图用于表示离散变量的分布。每个分布都有四个不同的特征，包括
分布中心
分布散布
分布形状
分布峰值
直方图需要两个输入，x轴表示bin, y轴表示数据集中每个bin对应值的频率。每个bin都有一个最小值和最大值的范围。
函数：
绘制直方图使用的函数是“plt.hist()”
自定义：
函数的具体参数如下，可用于配置绘图：
bins – bin的个数
color-颜色
edgecolor-边缘的颜色
alpha – 颜色透明度
normed –正则化
xlim – X轴范围
ylim –Y轴范围
xticks, yticks-坐标轴的刻度
facecolor-柱的颜色
例子：
let’s generate random numbers and use the random numbers to generate histogram
data = np.random.randn(1000)
plt.hist(data)
请输入图片描述
请输入图片描述
let’s add additional parameters
facecolor
alpha
edgecolor
bins
data = np.random.randn(1000)
plt.hist(data, facecolor ='y',linewidth=2,edgecolor='k', bins=30, alpha=0.6)
请输入图片描述
请输入图片描述
lets create multiple histograms in a single plot
Create random data
hist1 = np.random.normal(25,10,1000)
hist2 = np.random.normal(200,5,1000)
#plot the histogram
plt.hist(hist1,facecolor = 'yellow',alpha = 0.5, edgecolor ='b',bins=50)
plt.hist(hist2,facecolor = 'orange',alpha = 0.8, edgecolor ='b',bins=30)
请输入图片描述
请输入图片描述
保存绘图
使用matplotlib中的“savefig()”函数可将图保存到本地。图可以以多种格式保存，如.png、.jpeg、.pdf以及其他支持的格式。
let's create a figure and save it as image
items =
x = np.arange(6)
fig = plt.figure()
ax = plt.subplot(111)
ax.plot(x, y, label='items')
plt.title('Saving as Image')
ax.legend()
fig.savefig('saveimage.png')
请输入图片描述
图像以“saveimage.png”为文件名保存。
#To display the image again, use the following package and commands
import matplotlib.image as mpimg
image = mpimg.imread("saveimage.png")
plt.imshow(image)
plt.show()
请输入图片描述
Matplotlib教程到此结束。
作者: Mr. Sridhar Anchoori
deephub翻译组：zhangzc
DeepHub
微信号 : deephub-imba
每日大数据和人工智能的重磅干货
大厂职位内推信息
长按识别二维码关注 ->
好看就点在看！********** **********