matplotlib 做基于python的一款可视化神器，类似于 ggplot2，它基本能涵盖常见的一些图形。同时得益于强大的python社区支持，这个包的功能也在不断增加。有时候写多了python，再写R，一时半会还想不起代码咋写。同时python中用于统计的包也比较全面，自己对python了解的还是多一些，准备在数据可视化方面用matplotlib。
matplotlib支持一些常见的图形例如:
- 线图;
- 散点图;
- 等高线图;
- 条形图;
- 柱状图;
- 3D 图形,
- 甚至是图形动画等等.
官网网页
学习视频教程:
https://morvanzhou.github.io/tutorials/data-manipulation/plt/1-1-why/
安装
- 使用pip安装
python -m pip install -U pip
python -m pip install -U matplotlib
#pip install matplotlib --user
#引入matplotlib包
import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots() # Create a figure containing a single axes.
ax.plot([1, 2, 3, 4], [1, 4, 2, 3]) # Plot some data on the axes.
[<matplotlib.lines.Line2D at 0x7f34ca8c95e0>]
plt.subplots()函数返回两个对象 + fig 图形对象 + ax 坐标轴对象 当然如果不需要操作坐标轴的话，也可以直接使用plot函数
plt.plot([2,3,5,6],[2,4,5,6])
plt.plot([2,3,5,6],[2,4,5,6]) #直接使用plot函数
更加深入的理解图片的构造
figure=plt.figure() ##没有坐标轴的空白图片,啥也看不到
fig,ax=plt.subplots() ##带坐标轴的空白图片,只有单个坐标轴
fig,axs=plt.subplots(2,2) ##2x2的四坐标轴图片
Axes对象
- 通常Axes就是包含data的一个图片
- 一张figure可以有多个Axes
- 而一个Axes只属于某一个figure
- Axes包含有两个或者3个Axis（坐标轴）
- Axes类似于ggplot分面中的一个分面
对坐标轴中显示数据范围的控制
axes.Axes.set_xlim() ##控制X轴显示范围
axes.Axes.set_ylim() ##控制y轴显示范围
控制坐标轴标签与图形标签
axes.Axes.set_title() ##图片标签
axes.Axes.set_xlabel() ##x轴标签
axes.Axes.set_ylabel() ##y轴标签
控制图例名称和显示图例
axes.plot(data,label="图例名")
axes.legend()
import matplotlib
import matplotlib.pyplot as plt
matplotlib.use('qt5agg')
fig,axs=plt.subplots(2,1) ## 绘制2X1 图片
axs[0].plot([1,2,3,4],[4,5,6,7],label="liner1") #第一张图，以及图例
axs[0].plot([2,4,5,6],[4,5,6,7],label="liner2") #第一张图，以及图例
axs[1].plot([1,6,7,8],[5,6,7,8],label="test") # 第二张图 以及图例
for item in axs: #批量设置标题 和图例
item.set_xlim(0,10)
item.set_xlabel('x label')
item.set_ylabel('y label')
item.set_title('test')
item.legend()
plt.savefig("test.png")
Axis对象
- 用于设置坐标轴范围
- 控制坐标轴上显示的标记，Locator对象
- 控制坐标轴上显示的字符 Formatter对象
Artist
基本上所有的figure都会用到Artist对象，并且Artist是与Axes对象绑定在一起使用的。Artist对象就包含以下几个对象 + Text + Line2D + collection + Patch
输入数据格式
所有的绘图数据都是基于numpy.array类型进行的，当然有些类似array的数据类型，例如pandas中的dataFrame,numpy中的matrix;这些数据类型作为输入数据时，可能不能够正常的工作，所有还是将它们转换成numpy.array之后再绘制图片吧
- 将panda 数据框转换
import numpy as np
import pandas
a=pandas.DataFrame(np.random.rand(4,5), columns = list('abcde')) ##获取4x5的随机数据框
print(a)
a b c d e
0 0.505938 0.742418 0.732312 0.008823 0.559201
1 0.834437 0.657429 0.136503 0.654495 0.841873
2 0.725788 0.746307 0.240214 0.732954 0.119796
3 0.452142 0.172521 0.103506 0.472862 0.744575
a_array=a.values
print(a) ##看起来没变化，实质上一个是数据框，一个是数组
a b c d e
0 0.505938 0.742418 0.732312 0.008823 0.559201
1 0.834437 0.657429 0.136503 0.654495 0.841873
2 0.725788 0.746307 0.240214 0.732954 0.119796
3 0.452142 0.172521 0.103506 0.472862 0.744575
- 将numpy.matrix转换
import numpy as np
b = np.matrix([[1, 2], [3, 4]])
print(b)
[[1 2]
[3 4]]
b_asarray = np.asarray(b)
print(b)
[[1 2]
[3 4]]
pyplot两种绘图方式
- 面向对象的方式 这种在写脚本的时候，可以封装成函数，在不修改代码的情况下，仅仅改变数据就可以获得不同的图片。用的比较多；不涉及与用户的交互
import matplotlib.pyplot as plt
x=np.linspace(0, 2, 100)
fig,ax=plt.subplots()
ax.plot(x,x,label='liner')
ax.legend()
- 直接调用pyplot方法 这个有点类似ggplot2，在jupyter中用的频繁。不过个人还是比较喜欢用第一种面向对象的方式，毕竟对象嘛..
import matplotlib.pyplot as plt
x=np.linspace(0, 2, 100)
plt.plot(x,x,label="liner")
plt.legend()
- 还有第三种，之后遇到在看吧
如何导出图片
文档里用了一个词BacKends，意思就是针对不同的需求，导出不同类型的图片
- AGG 支持png
- PS 支持ps、eps
- PDF 支持pdf
- SVG 支持svg
- Cairo 支持png ps pdf svg
配置
一般来说不用配置，能够根据系统自动检测， linux中配置一下环境变量即可
$ export MPLBACKEND=qt5agg
$ python simple_plot.py
##或者
$ MPLBACKEND=qt5agg python simple_plot.py
在脚本内部配置
import matplotlib
matplotlib.use('qt5agg')
##导出图片
matplotlib.pyplot.savefig('filename')
