matplotlib的8个常用操作 | 第4期

      如果不想购买matlab，又想制作出matlab风格的图，那就选择matplotlib。这是一个完全免费的python第三方库，几乎提供matlab中所有绘图操作的对应接口。学会了这一款第三库之后，就可以随心所欲地可视化数据，绝对是生产力的体现。

      在notebook或者终端环境下，由于与普通环境下GUI的不同，需要进行一些特殊的设置。

import os
import sys
import math
import matplotlib
# notebook环境下的设置
%matplotlib notebook
# 终端环境下的设置
#%matplotlib inline
#%config InlineBackend.figure_format = 'retina'
import matplotlib.pyplot as plt
import numpy as np

1. 曲线图和子图

      用matplotlib来可视化曲线大概是最常用的操作，而在一张图中显示多个子图也是必不可少的需求。下面就演示一个简单的曲线图和子图的绘制示例：

# 生成数据
X = np.linspace(0, 2*math.pi)
Y = np.sin(2*X)
Y2 = np.sin(2*X+1)
Y3 = np.sin(2*X) + 1 

# 绘图ß
plt.figure(figsize=(9.6, 7.2))
plt.subplot(1, 3, 1)                  # 绘制子图1
plt.plot(X, Y, c='blue')           # 绘制曲线图
plt.plot(X, Y2, c='red', linestyle='--')
plt.plot(X, Y3, c='green', linestyle=':')

plt.subplot(1, 3, 2)                  # 绘制子图2
plt.plot(X, Y2, c='red', linestyle='--')

plt.subplot(1, 3, 3)                  # 绘制子图3
plt.plot(X, Y3, c='green', linestyle=':')

plt.show()

Output：

2. 散点图、极坐标图

        曲线图叠加散点图会让数据点的位置更加清晰，更能吸引观察者的注意。极坐标图也会在一些场合需要用到，这里一并演示一下。

# 创建数据
X = np.linspace(0, 2*math.pi)
Y = np.sin(2*X)
# 绘图
plt.figure(figsize=(9.6, 7.2))
plt.subplot(1, 2, 1)
plt.plot(X, Y, c='b')           # 绘制曲线图
plt.scatter(X, Y, marker='o')      # 绘制散点图
plt.subplot(1, 2, 2, projection='polar')
plt.polar(X, Y, c='red',linestyle='--')              # 绘制极坐标图
plt.show()

Output：

3. 条形图、饼状图、直方图

      在可视化统计数据时，条形图、饼状图、直方图是很直观的工具，无论在企业中还是在科研中，海量的数据总不可能一一看尽，而这是统计图就可以派上用场。

# 创建数据
X = np.arange(10)
Y = np.random.random((10))
# 绘图
plt.figure(figsize=(9.6, 7.2))
plt.subplot(2, 2, 1)
plt.bar(X, Y)               # 绘制纵向条形图
plt.subplot(2, 2, 2)
plt.barh(X, Y)              # 绘制横向条形图
plt.subplot(2, 2, 3)
plt.pie(Y)                  # 绘制饼状图
plt.subplot(2, 2, 4)
plt.hist(Y, 10)             # 绘制直方图
plt.show()

Output：

4. 设置图的基本属性

        为了让画出的图更加美观，或者想要更加清晰地表达自己的意思，这时就需要对图的属性进行修改。比如调整线的颜色和样式，添加图例以及坐标轴的说明，还可以添加注解等等。

# 生成数据
X = np.linspace(0, 2*math.pi)
Y = np.sin(2*X)
Y2 = np.sin(2*X+math.pi/2)
Y3 = np.sin(2*X) + 1
# 绘图
plt.figure(figsize=(12.6, 7.2))
# 绘制曲线图
plt.plot(X, Y, c='blue', marker='p')    # 设置颜色和标记            
plt.plot(X, Y2, c='red', linestyle='--', marker='^') # 设置颜色、标记和线型
plt.plot(X, Y3, c='green', linestyle=':', marker='s')
# 设置图的基本属性

min_X = X.min()
max_X = X.max()
min_Y = min(Y.min(), Y2.min(), Y3.min())
max_Y = max(Y.max(), Y2.max(), Y3.max())
plt.axis([X.min()-1, X.max()+1, min_Y-0.5, max_Y+0.5])    # 设置坐标轴范围
plt.xlabel('time(sec)')                                   # 设置横轴标记
plt.ylabel('value(meter)')                                # 设置纵轴标记
# 设置横轴刻度
plt.xticks((0, math.pi/2, math.pi, 3*math.pi/2, 2*math.pi), 
           ('$0$', '$\pi/2$', '$\pi$', '$3\pi/2$', '$2\pi$'))  # latex格式的文本
# 设置纵轴刻度
plt.yticks((-1, -0.5, 0, 0.5, 1, 1.5,  2))
plt.legend(labels=['blue', 'red', 'green'], loc='best')        # 设置图例
plt.title('Title of Figure')   # 设置图的标题
# 设置注解
plt.annotate('$y=sin(2x)$', xy=(0, 0), xytext=(-0.5,-1), 
             arrowprops=dict(facecolor='yellow', shrink=1))
plt.annotate('$y=sin(2x + \pi / 2)$', xy=(math.pi*3/2, -1), xytext=(math.pi*9/10,-1), 
             arrowprops=dict(facecolor='yellow', shrink=1))
plt.annotate('$y=sin(2x)+1$', xy=(math.pi*5/4, 2), xytext=(math.pi*2/4,1.5), 
             arrowprops=dict(facecolor='yellow', shrink=1))
# 去掉边框
ax = plt.gca()
ax.spines['top'].set_color('none')       # 去掉顶部边框
ax.spines['bottom'].set_color('none')    # 去掉底部边框
ax.spines['left'].set_color('none')      # 去掉左侧边框
ax.spines['right'].set_color('none')     # 去掉右侧边框

plt.show()

Output：

5. 等高线

      在处理地理数据或者温度数据时，常常需要画等高线，以明确一些影响的范围。matplotlib当然也提供了这种操作。

plt.figure(figsize=(9.6, 7.2))
X = np.linspace(0, 1, 100)
Y = np.linspace(0, 1, 100)
XX, YY = np.meshgrid(X, Y)
Z = X**2 - YY**2/20
plt.subplot(1,2,1)
plt.contourf(XX, YY, Z)     # 带颜色填充的等高线
plt.subplot(1,2,2)   
plt.contour(XX, YY, Z)      # 不进行颜色填充的等高线
plt.show()

Output：

6. 3D图

      对三维数据可视化的需求也是比较大的，比2d图多了一个维度自然表达也更加丰富。而且三维数据是我们能够直观视觉感受的最高维度，如果有更高维度的数据一般也是用各种方式简化到3d可视化。

from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure(figsize=(9.6, 7.2))
ax = fig.gca(projection='3d')
X = np.linspace(-10, 10, 100)
Y = np.linspace(-10, 10, 100)
XX, YY = np.meshgrid(X, Y)
Z = X**2 - YY**2/20
ax.plot_surface(XX, YY, Z)
plt.show()

Output：

7. 次坐标

      在一个坐标中画出两种标度的数据可以让对比更加鲜明，特别是对一些发生相关联变化的关键点捕捉更加准确。

#fig = plt.figure(figsize=(10.8, 7.2))
X = np.linspace(0, 2*np.pi, 100)
Y1 = np.cos(2*X)
Y2 = 3*np.sin(X)
# 生成次坐标
fig, ax1 = plt.subplots()
ax2 = ax1.twinx()
# 绘制两个坐标下的曲线
ax1.plot(X, Y1, c='red', marker='p')
ax2.plot(X, Y2, c='blue', marker='^')
# 设置坐标轴标记
ax1.set_xlabel('time(sec)')
ax1.set_ylabel('Height(m)', rotation=75)
ax2.set_ylabel('Length(m)', rotation=75)
plt.show()

Output：

8. 保存和读取图片文件

      有时画出的图可能要插入到论文中，有时要放进PPT，或者会做到视频demo中，等等不一而足的任务需要将绘制的图保存到文件。matplotlib可以保存普通的点阵图，也可以保存矢量图。如果要提升点阵图的分辨率还可以增加dpi。这里只演示最简单的保存图片和载入图片。

# 创建数据
X = np.linspace(0, 2*math.pi)
Y = np.sin(2*X)
# 绘图
plt.figure(figsize=(9.6, 7.2))
plt.subplot(1, 2, 1)
plt.plot(X, Y, c='b')           # 绘制曲线图
plt.scatter(X, Y, marker='o')      # 绘制散点图
plt.subplot(1, 2, 2, projection='polar')
plt.polar(X, Y, c='red',linestyle='--')              # 绘制极坐标图

# 将figure保存为图片, 如果需要更加高清的图片可以修改dpi
img_path = '../output/mpl.png'
plt.savefig(img_path, transparent=True)

# 读取图片
img = plt.imread(img_path)
plt.figure()
plt.imshow(img)
plt.show()

Output：

读取图片并显示的结果如下：

       matplotlib实在是太庞大了，在一篇文章中很难穷尽，毕竟它的文档就有上千页。这里只把最常用的一些功能和操作演示出来，大家就可以感受到其功能之强大。后续还有用basemap+matplotlib来绘制地图数据的讨论帖子也会制作出来。总而言之，matplotlib这款第三方的免费可视化工具会让你分析数据的能力可以看见。

        欢迎对python和人工智能感兴趣的朋友加入微信群讨论和交流：