[机器学习实战札记] matplotlib绘图基础

在机器学习中，通常会涉及到大量的数据。如果直接观看这些原始数据，很难从中看出有用的信息。人类是非常视觉的生物，当我们看到可视化的东西时，会更好地理解事物。在python中，有一个强大的工具matplotlib来帮助我们，用图形化的方式来展现数据。在《机器学习实战》一书中，就多处使用了matplotlib来绘制图形，帮助我们理解数据和学习算法。

初看起来，当你开始使用这个Python数据可视化库绘制图形时，似乎有很多组件需要考虑。事实上，这个库非常灵活，并且有很多内置默认设置，不需要写很多代码就可以完成图形绘制。让我们从一个简单的示例开始：

# 导入必要的包和模块
import matplotlib.pyplot as plt
import numpy as np# 产生0～10之间间隔均匀的100个数字序列
x = np.linspace(0, 10, 100)# 绘制序列
plt.plot(x, x, label='linear')# 添加图例
plt.legend()# 显示图形
plt.show()

示例展示了matplotlib绘图的步骤：

1. 导入matplotlib相关库
2. 准备数据
3. 使用plot()函数开始绘图
4. 使用show()函数显示图形。

运行结果如下：

是不是很简单！不过，如果我们不满足于绘制这种简单的图形，那就需要对matplotlib做更深入的了解。一个比较完整的matplotlib图形如下所示：

一个matplotlib图形主要有两大组件：

• 图(Figure)是绘制所有内容的整个窗口或页面，它是所有的对象的顶层组件。你可以创建多个独立的图。图可以有其他的东西，比如suptitle，它是图的中心标题。你也可以将图例(legend)和颜色条(color bar)添加到图中。
• 在图上，你可以添加坐标轴(Axes)。坐标轴是plot()和scatter()等函数绘制的区域，可以包含与其相关的刻度(tick)、标签(label)等。图可以包含多个坐标轴。

你可能会疑惑了？在示例1中，既没有Figure，也没有Axes对象。这就是matplotlib的灵活之处，通常默认的配置就可以完成图形绘制。下面看一个稍微复杂的例子：

import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot([1, 2, 3, 4], [10, 20, 25, 30], color='lightblue', linewidth=3)
ax.scatter([0.3, 3.8, 1.2, 2.5], [11, 25, 9, 26], color='darkgreen', marker='^')
ax.set_xlim(0.5, 4.5)
plt.show()

绘制出来的图形如下：

每个坐标轴都有一个x轴和一个y轴（这句话有点难以理解，主要是因为在英语中Axes和Axis都翻译为轴，其实Axes可以理解为子图），它们包含刻度，刻度包含主要和次要的刻度线和刻度标签。如果你要绘一个特别的坐标轴，还有坐标轴标签、标题和图例，以及坐标轴比例和网格线要考虑。

子图

这个是matplotlib中最不容易理解的。首先是我们为什么需要它？因为有时候我们需要将不同的数据视图并排进行比较。为此，Matplotlib引入了子图的概念：可以在一个图中存在多组较小的坐标轴。还是用例子加以说明：

import matplotlib.pyplot as plt
plt.style.use('seaborn-white')
import numpy as np
ax1 = plt.axes()  # standard axes
ax2 = plt.axes([0.65, 0.65, 0.2, 0.2])
plt.show()

代码使用了最基本方: plt.axes函数。使用默认参数时，会创建一个填充整个图形的标准轴对象。 代码中ax2使用了可选参数，含义是图形坐标系中的[left，bottom，width，height]，范围从图左下角的0到图右上角的1。例如，比如示例中x和y位置为0.65，指的是从宽度和高度的65％开始，宽和高的范围为0.2，表示坐标轴的大小为图的宽度和高度的20％。

显示的图形如下：

你可以尝试一下修改0.2为0.5，就可以发现第二个子图超出了显示范围。

当然更常见的形式方法是fig.add_axes()，上面的代码可以改写为：

fig = plt.figure()
ax1 = fig.add_axes()
ax2 = fit.add_axes([0.65, 0.65, 0.2, 0.2])
plt.show()

python是如此灵活，绘制子图还可以通过subplot来实现，比如在<<机器学习实战>>一书中，有多处plt.subplot(111)之类的代码，这又是什么含义呢？

其实，plt.subplot(111)与plt.subplot(1, 1, 1)等价，前两个的含义是，将图想象为1x1的网格，最后一个参数表示网格的第1个子图。所以就是这个代码就是坐标轴布满整个图。还是以2x2网格举例说明更容易理解一些，比如如下的代码：

fig = plt.figure()
fig.add_subplot(221)   #top left
fig.add_subplot(222)   #top right
fig.add_subplot(223)   #bottom left
fig.add_subplot(224)   #bottom right
plt.show()

可以形象的用下面的图表示，有助于理解：

聪明的你应该可以想到下面的代码会绘出怎样的图形了吧？

fig = plt.figure()
fig.add_subplot(221)   #top left
fig.add_subplot(224)   #bottom left
plt.show()

对了，绘制的是第一个和第四个子图：

当然，要绘制一个实用的图，仅仅掌握这些函数还不够。不过如果把基础的概念弄清楚以后，具体到某个函数调用，查在线手册就可以了。

参考

1. Matplotlib Tutorial: Python Plotting
2. MatPlotlib 中文手册
3. In Matplotlib, what does the argument mean in fig.add_subplot(111)?
4. Multiple Subplots