【Python进阶】带你使用Matplotlib进行可视化

用户1508658

发布于 2019-08-06 16:41:40

1.2K0

发布于 2019-08-06 16:41:40

文章被收录于专栏：有三AI有三AI

欢迎来到专栏《Python进阶》。在这个专栏中，我们会讲述Python的各种进阶操作，包括Python对文件、数据的处理，Python各种好用的库如NumPy、Scipy、Matplotlib、Pandas的使用等等。我们的初心就是带大家更好的掌握Python这门语言，让它能为我所用。

今天是《Python进阶》专栏的第五期，在本期中，我们将主要介绍如何使用Matplotlib这个第三方库进行数据可视化。

作者&编辑 | 汤兴旺

“美丽的可视化可反映出所描述数据的品质，显式地揭示出源数据中内在和隐式的属性和关系，读者了解了这些属性和关系之后，可以因此而获取新的知识、洞察力和乐趣。”

以上是书籍《数据可视化之美》对可视化的解读。说的很有道理，相信大家听说过“一图胜千言”这句话，当看到一堆数据时，若你对数字不够敏感，肯定会费劲半天找不到规律，但若用一张图来表达时，相信你一定会一目了然。下面我就大家使用Matplotlib对数据进行美丽的可视化。

1 Matplotlib 的基本操作

在Matplotlib中有三个基本概念，分别是Figure、axes和axis。

下面我来详细解释下这三个基本概念。在Matplotlib中，figure你可以理解成一个画布或者一个窗口，axes是指画布上的一个区域，你画的图就在这个区域上。你可以把figure看成一张白纸，在纸上的任何区域画图，确定画图区域并确定作图的一些方式的东西的就是axes，即坐标对象(坐标系)。

由于在一张白纸上可以有几个区域进行画图，另外画图区域必须存在于白纸上才有意义。因此在figure上可有多个axes，axes必在figure上，要画图必有axes。

另外axis就是我们平时常见的坐标轴，如x轴、y轴等。

对于上面的概念我们可以用下图进行直观理解。

通过上面的讲解，我们知道在Matplotlib中的图像都位于figure画布中，因此可以使用plt.figure创建一个新画布。如果要在一个图表中绘制多个子图，可使用subplot。

话不多说，我们直接看下面代码：

import matplotlib.pyplot as plt import numpy as np from numpy.random import randn fig = plt.figure() # 创建一个新的 Figure ax1 = fig.add_subplot(2, 2, 1) # 不能通过空 Figure 绘图，必须用 add_subplot 创建一个或多个 subplot 才行 ax2 = fig.add_subplot(2, 2, 2) ax3 = fig.add_subplot(2, 2, 3)

ax4 = fig.add_subplot(2, 2, 4) plt.plot(randn(50).cumsum(),'k--') # 这条没有指定具体 subplot 的绘图命令会在最后一个用过的 subplot 上进行绘制 _ = ax1.hist(randn(100), bins=20, color='k', alpha=0.3) ax2.scatter(np.arange(30), np.arange(30) + 3*randn(30))

首先，创建了一个figure，然后在这个figure上画了四个区域，即四个子图，分别是直方图、三点图、折线图，还有一个是只有坐标轴的图。

如果我想要画多个figure应该怎么办呢？实际上如果要同时绘制多个图表，可以给figure()传递一个整数参数指定figure对象的序号。如下例所示：

import matplotlib.pyplot as plt

import numpy as np

plt.figure(1) # 创建图表1

plt.figure(2) # 创建图表2

ax1 = plt.subplot(211) # 在图表2中创建子图1

ax2 = plt.subplot(212) # 在图表2中创建子图2

x = np.linspace(0, 3, 100)

for i in range(5):

plt.figure(1) # 选择图表1

plt.plot(x, np.exp(i * x / 3))

plt.sca(ax1) # 选择图表2的子图1

plt.plot(x, np.sin(i * x))

plt.sca(ax2) # 选择图表2的子图2

plt.plot(x, np.cos(i * x))

plt.show()

执行完上面代码后，如下图。

2 Matplotlib的进阶操作

在1中的两个示例中，我们会发现手动创建figure，都使用了plt.figure()。如果没有plt.figure()可以吗？请看下面的示例：

import matplotlib.pyplot as plt

import numpy as np

x = np.linspace(-np.pi, 5*np.pi, num = 100)

y = np.sin(x)

plt.plot(x,y)

plt.show()

我们会发现这段代码中，没有plt.figure()也画出了图，WHY？难道前面误导了大家？我在前面说过，若没有figure就没有axes！

当然这个锅我不背，实际上这里plt.plot()是通过plt.gca()获得当前axes对象的ax，如果没有会自动创建一个，可以理解为就是figure。然后再调用ax.plot方法实现真正的绘图。

Matplotlib实际上是一套面向对象的绘图库，它所绘制的图表中每个图表元素，如线条 Line2D、文字Text、刻度等在内存中都有一个对象与之对应。为将面向对象的绘图库包装成只使用函数的调用接口，pyplot模块内部保存了当前图表以及当前子图等信息。当前的图表和子图可以使用plt.gcf()和plt.gca()获得，分别表示"Get Current Figure"和"Get Current Axes"。在pyplot模块中，许多函数都是对当前的figure或axes对象进行处理，比如说：

plt.plot()实际上会通过plt.gca()获得当前的axes对象ax，然后再调用ax.plot()方法实现真正绘图。

2.1 对图进行装扮

上面3个示例中均没有展示图例、标注等，下面我们通过下面的示例来分享如何对一个图进行装扮。

import matplotlib.pyplot as plt

import numpy as np

fig, ax1 = plt.subplots(figsize=(8, 4))

r = np.linspace(0, 10, 100)

a = 4 * np.pi * r ** 2 # area

v = (4 * np.pi / 3) * r ** 3 # volume

ax1.set_title("surface area and volume of a sphere", fontsize=16)

ax1.set_xlabel("radius [m]", fontsize=16)

ax1.plot(r, a, lw=2, color="blue")

ax1.set_ylabel(r"surface area ($m^2$)", fontsize=16, color="blue")

for label in ax1.get_yticklabels():

label.set_color("blue")

ax2 = ax1.twinx()

ax2.plot(r, v, lw=2, color="red")

ax2.set_ylabel(r"volume ($m^3$)", fontsize=16, color="red")

for label in ax2.get_yticklabels():

label.set_color("red")

fig.tight_layout()

plt.show()

在上面的示例中我们通过set.title()设置了图的标题，通过set_xlabel和set_ylabel设置了y轴的标签，另外也通过get_yticklabels()和get_xticklabels()设置了坐标轴上刻度的不同的属性。

2.2、对图的某个细节进行放大

平时我们在处理图的时候，有时候需要对图的局部细节进行查看，这时候就需要对细节进行放大，对于这个问题该怎么解决呢？请看下面的案例：

import matplotlib.pyplot as plt import numpy as np import matplotlib as mpl fig = plt.figure(figsize=(8, 4)) def f(x): return 1 / (1 + x ** 2) + 0.1 / (1 + ((3 - x) / 0.1) ** 2) def plot_and_format_axes(ax, x, f, fontsize): ax.plot(x, f(x), linewidth=2) ax.xaxis.set_major_locator(mpl.ticker.MaxNLocator(5)) ax.yaxis.set_major_locator(mpl.ticker.MaxNLocator(4)) ax.set_xlabel(r"$x$", fontsize=fontsize) ax.set_ylabel(r"$f(x)$", fontsize=fontsize) ax = fig.add_axes([0.1, 0.15, 0.8, 0.8], facecolor="#f5f5f5") x = np.linspace(-4, 14, 1000) plot_and_format_axes(ax, x, f, 18) plt.show()