matplotlib簡介

如果你在大學里參加過數(shù)學建模競賽或者是用過MATLAB的話，相比會對這一款軟件中的畫圖功能印象深刻。MATLAB可以做出各種函數(shù)以及數(shù)值分布圖像非常的好用和方便。如果你沒用過呢也沒關(guān)系，知道這么回事就好了。MATLAB雖然好用，但畢竟是收費軟件，而且相比于MATLAB，很多人更喜歡Python的語法。

所以呢MATLAB就被惦記上了，后來有大神仿照MATLAB當中的畫圖工具，也在Python當中開發(fā)了一個類似的作圖工具。這也就是我們今天這篇文章要講的matplotlib，也是Python、數(shù)據(jù)分析以及機器學習領(lǐng)域當中使用最廣泛的作圖工具包，幾乎沒有之一。前段時間不是美國政府搞事情，導致MATLAB公司宣布對中國的幾所高校禁止使用MATLAB嘛，有一些人就提出來說我們可以使用Python當中的一些開源工具代替，當然MATLAB當中還有很多其他厲害的功能，Python可能不一定能代替，但至少在作圖這個領(lǐng)域是沒問題的。

matplotlib 基本用法

matplotlib廣泛流行的一個非常主要的原因就是它方便、好用，我們來看幾個經(jīng)典的例子就知道了，短短幾行代碼就可以作出質(zhì)量非常高的圖。

我們使用的是matplotlib這個包下的pyplot這個庫，從名字上我們也看得出來它是Python庫。如果你安裝了Anaconda這樣完整的Python包管理工具的話，那么這個包默認應該已經(jīng)裝好了。如果沒有，可以使用pip安裝一下，命令也非常簡單。

pip install matplotlib

裝好了包之后，我們通常的使用慣例是將它重命名成plt，所以如果你閱讀一些源碼以及其他大神的代碼，作圖的時候經(jīng)常會出現(xiàn)plt.xxx，就是這么來的。

import matplotlib.pyplot as plt

plot當中有幾種常用的作圖工具，第一種是作折線圖或者是曲線圖的，叫做plot。第二種是作柱狀圖的叫做hist，第三種是作散點圖的，叫做scatter，第四種是作餅狀圖的。除此之外還可以作一些三維的圖像，但是一般日常當中使用得比較少，大部分是用來炫技的。

曲線圖

plot其實是用來作曲線圖的，采用的方法是描點呈現(xiàn)，它會將我們的數(shù)據(jù)點串聯(lián)起來，成為一條光滑的曲線。當然，作折線、直線也都是可以的，最后成圖的效果完全是由我們的數(shù)據(jù)決定的。

它的使用方法很簡單，在最基本的用法當中，我們只需要傳入兩個list，分別代表x軸和y軸的值即可。比如我們要作出一個logistic的函數(shù)圖像。我們可以這樣：

x = np.linspace(-10, 10, 100)y = 1 / (1 + np.exp(-x))plt.plot(x, y)plt.show()

在上面的代碼當中我們首先使用numpy當中的linspace函數(shù)生成了一個-10到10之間的numpy數(shù)組。這個數(shù)組當中有100個點，在-10到10之間均勻分布。我們對它計算對應的logistic函數(shù)的值，也就是1 / (1 + np.exp(-x))。這個函數(shù)我想大家都應該很熟悉了，x是一個一百個點的list，對應的y也是一個一百個點的list。也就是說一個x對應一個y構(gòu)成了一個點對，代表圖中的一個坐標。

我們不需要做任何轉(zhuǎn)化，只需要把這兩個數(shù)組傳入plt當中，它會自動替我們完成坐標的映射。最后呈現(xiàn)的效果如下。

我們可以看到作圖的效果還是不錯的，除了把圖像完成的繪制出來之外，還替我們在坐標軸上畫上了點位，方便我們查看數(shù)據(jù)。

直方圖

hist可以用來繪制直方圖，這也是我們非常常見的圖像。在財經(jīng)領(lǐng)域我們經(jīng)常用直方圖反應一個數(shù)據(jù)的走勢，在數(shù)據(jù)分析和機器學習當中我們也經(jīng)常用直方圖來反應某一個特征或者是值的分布。

在直方圖當中我們只需要傳入一個數(shù)組，就是我們要求分布的數(shù)組，另外我們需要再輸入一個參數(shù)bins，表示我們希望將數(shù)據(jù)分桶的數(shù)量。然后它會繪制出每個桶中數(shù)據(jù)數(shù)量的直方圖，這樣我們就可以很直觀地看出分布來了。

x = np.random.normal(size=200)plt.hist(x,bins=30)plt.show()

這里我們調(diào)用numpy當中以正態(tài)分布概率隨機的函數(shù)，得到的結(jié)果應該是正態(tài)分布的。

我們查看圖像，這個結(jié)果和我們的預期基本吻合。

點狀圖

第三種圖像叫做散點圖，它反應的是每個點的分布情況。比如我們之前在介紹KNN和Kmeans模型的時候曾經(jīng)都作過散點圖，一個點代表一個樣本，通過散點圖我們觀察的也是樣本和數(shù)據(jù)分布的情況。但是和直方圖相比它更加得直觀，我們能直接看到分布，而不是一個分布的統(tǒng)計結(jié)果。

但是它也有缺點，缺點就是我們只能觀察二維平面當中的點的分布，畢竟超過3維的維度就沒辦法繪制了。而且3維的數(shù)據(jù)分布也不是很好觀察。

同樣散點圖的繪制也很簡單，我們只需要調(diào)用scatter函數(shù)傳入x和y的數(shù)組即可。

x = np.random.rand(100)y = np.random.rand(100)plt.scatter(x, y)

這里我們的x和y都是隨機分布，所以得到的結(jié)果是散亂沒有規(guī)律的點。

餅狀圖

最后我們來看下餅狀圖，餅狀圖也很常用，雖然也是反映的數(shù)據(jù)分布，但是它更多是體現(xiàn)某一個值占的比例。通過餅狀圖，我們可以很直觀地了解到這點。

我們可以傳入一個list進入pie函數(shù)，plot會根據(jù)list當中值在總體的占比繪制餅狀圖。我們來看個很簡單的例子：

a = np.array([0.5, 0.3, 0.2, 0.1, 0.8])plt.pie(a)

得到的結(jié)果如下：

和之前的結(jié)果相比餅狀圖稍稍不清晰一些，因為它雖然用不同顏色區(qū)分了不同的區(qū)域的，但是我們很難直觀地看出來每一個區(qū)域分別代表什么。這個問題是可以解決的，我們可以通過傳入一些參數(shù)和設(shè)定來讓它展示更多的信息，讓數(shù)據(jù)變得更加生動以及清晰。

今天的文章到這里就結(jié)束了，如果喜歡本文的話，請來一波素質(zhì)三連，給我一點支持吧（關(guān)注、轉(zhuǎn)發(fā)、點贊）。

以上就是python matplotlib庫的基本使用的詳細內(nèi)容，更多關(guān)于python matplotlib的資料請關(guān)注好吧啦網(wǎng)其它相關(guān)文章！