Python--Matplotlib（基本用法）
Matplotlib
Matplotlib 是Python中類似 MATLAB 的繪圖工具，熟悉 MATLAB 也可以很快的上手 Matplotlib。
1. 認識Matploblib
1.1 Figure
在任何繪圖之前，我們需要一個Figure物件，可以理解成我們需要一張畫板才能開始繪圖。
import matplotlib.pyplot as plt
fig = plt.figure()1.2 Axes
在擁有Figure物件之後，在作畫前我們還需要軸，沒有軸的話就沒有繪圖基準，所以需要新增Axes。也可以理解成為真正可以作畫的紙。
fig = plt.figure 上的程式碼，在一幅圖上添加了一個Axes，然後設定了這個Axes的X軸以及Y軸的取值範圍（這些設定並不是強制的，後面會再談到關於這些設定），效果如下圖：
對於上面的fig.add_subplot(111)就是新增Axes的，引數的解釋的在畫板的第1行第1列的第一個位置生成一個Axes物件來準備作畫。也可以通過fig.add_subplot(2, 2, 1)
fig = plt.figure()
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(224)
1.3 Multiple Axes
可以發現我們上面新增 Axes 似乎有點弱雞，所以提供了下面的方式一次性生成所有 Axes：
fig, axes = plt.subplots(nrows=2, fig 還是我們熟悉的畫板， axes 成了我們常用二維陣列的形式訪問，這在迴圈繪圖時，額外好用。
1.4 Axes Vs .pyplot
相信不少人看過下面的程式碼，很簡單並易懂，但是下面的作畫方式只適合簡單的繪圖，快速的將圖繪出。在處理複雜的繪圖工作時，我們還是需要使用 Axes 來完成作畫的。
plt.plot([1, 2, 3, 4], [10, 20, 25, 30], color='lightblue', linewidth=3)
plt.xlim(0.5, 4.5)
plt.show()2. 基本繪圖2D
2.1 線
plot()函式畫出一系列的點，並且用線將它們連線起來。看下例子：
x = np.linspace(0, np.pi)
y_sin = np.sin(x)
y_cos = np.cos(x)
ax1.plot(x, y_sin)
ax2.plot(x, y_sin, 'go--', linewidth=2, markersize=12)
ax3.plot(x, y_cos, color='red', marker='+', linestyle='dashed')在上面的三個Axes上作畫。plot，前面兩個引數為x軸、y軸資料。ax2的第三個引數是 MATLAB風格的繪圖，對應ax3上的顏色，marker，線型。
另外，我們可以通過關鍵字引數的方式繪圖，如下例：
x = np.linspace(0, 10, 200)
data_obj = {'x': x,
'y1': 2 * x + 1,
'y2': 3 * x + 1.2,
'mean': 0.5 * x * np.cos(2*x) + 2.5 * x + 1.1}
fig, ax = plt.subplots()
#填充兩條線之間的顏色
ax.fill_between('x', 'y1', 'y2', color='yellow', data=data_obj)
# Plot the "centerline" with `plot`
ax.plot('x', 'mean', color='black', data=data_obj)
plt.show()發現上面的作圖，在資料部分只傳入了字串，這些字串對一個這 data_obj 中的關鍵字，當以這種方式作畫時，將會在傳入給 data 中尋找對應關鍵字的資料來繪圖。
2.2 散點圖
只畫點，但是不用線連線起來。
x = np.arange(10)
y = np.random.randn(10)
plt.scatter(x, y, color='red', marker='+')
plt.show()
2.3 條形圖
條形圖分兩種，一種是水平的，一種是垂直的，見下例子：
np.random.seed(1)
x = np.arange(5)
y = np.random.randn(5)
fig, axes = plt.subplots(ncols=2, figsize=plt.figaspect(1./2))
vert_bars = axes[0].bar(x, y, color='lightblue', align='center')
horiz_bars = axes[1].barh(x, y, color='lightblue', align='center')
#在水平或者垂直方向上畫線
axes[0].axhline(0, color='gray', linewidth=2)
axes[1].axvline(0, color='gray', linewidth=2)
plt.show()
條形圖還返回了一個Artists 陣列，對應著每個條形，例如上圖 Artists 陣列的大小為5，我們可以通過這些 Artists 對條形圖的樣式進行更改，如下例：
fig, ax = plt.subplots()
vert_bars = ax.bar(x, y, color='lightblue', align='center')
# We could have also done this with two separate calls to `ax.bar` and numpy boolean indexing.
for bar, height in zip(vert_bars, y):
if height < 0:
bar.set(edgecolor='darkred', color='salmon', linewidth=3)
plt.show()
2.4 直方圖
直方圖用於統計資料出現的次數或者頻率，有多種引數可以調整，見下例：
np.random.seed(19680801)
n_bins = 10
x = np.random.randn(1000, 3)
fig, axes = plt.subplots(nrows=2, ncols=2)
ax0, ax1, ax2, ax3 = axes.flatten()
colors = ['red', 'tan', 'lime']
ax0.hist(x, n_bins, density=True, histtype='bar', color=colors, label=colors)
ax0.legend(prop={'size': 10})
ax0.set_title('bars with legend')
ax1.hist(x, n_bins, density=True, histtype='barstacked')
ax1.set_title('stacked bar')
ax2.hist(x, histtype='barstacked', rwidth=0.9)
ax3.hist(x[:, 0], rwidth=0.9)
ax3.set_title('different sample sizes')
fig.tight_layout()
plt.show()引數中density控制Y軸是概率還是數量，與返回的第一個的變數對應。histtype控制著直方圖的樣式，預設是 ‘bar’，對於多個條形時就相鄰的方式呈現如子圖1， ‘barstacked’ 就是疊在一起，如子圖2、3。 rwidth 控制著寬度，這樣可以空出一些間隙，比較圖2、3. 圖4是隻有一條資料時。
2.5 餅圖
labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0) # only "explode" the 2nd slice (i.e. 'Hogs')
fig1, (ax1, ax2) = plt.subplots(2)
ax1.pie(sizes, labels=labels, autopct='%1.1f%%', shadow=True)
ax1.axis('equal')
ax2.pie(sizes, autopct='%1.2f%%', shadow=True, startangle=90, explode=explode,
pctdistance=1.12)
ax2.axis('equal')
ax2.legend(labels=labels, loc='upper right')
plt.show()餅圖自動根據資料的百分比畫餅.。labels是各個塊的標籤，如子圖一。autopct=%1.1f%%表示格式化百分比精確輸出，explode，突出某些塊，不同的值突出的效果不一樣。pctdistance=1.12百分比距離圓心的距離，預設是0.6.
2.6 箱形圖
為了專注於如何畫圖，省去資料的處理部分。 data 的 shape 為 (n, )， data2 的 shape 為 (n, 3)。
fig, (ax1, ax2) = plt.subplots(2)
ax1.boxplot(data)
ax2.boxplot(data2, vert=False) #控制方向
2.7 泡泡圖
散點圖的一種，加入了第三個值 s 可以理解成普通散點，畫的是二維，泡泡圖體現了Z的大小，如下例：
np.random.seed(19680801)
N = 50
x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)
area = (30 * np.random.rand(N))**2 # 0 to 15 point radii
plt.scatter(x, y, s=area, c=colors, alpha=0.5)
plt.show()
2.8 等高線（輪廓圖）
有時候需要描繪邊界的時候，就會用到輪廓圖，機器學習用的決策邊界也常用輪廓圖來繪畫，見下例：
fig, (ax1, ax2) = plt.subplots(2)
x = np.arange(-5, 5, 0.1)
y = np.arange(-5, 5, 0.1)
xx, yy = np.meshgrid(x, y, sparse=True)
z = np.sin(xx**2 + yy**2) / (xx**2 + yy**2)
ax1.contourf(x, y, z)
ax2.contour(x, y, z)上面畫了兩個一樣的輪廓圖，contourf會填充輪廓線之間的顏色。資料x, y, z通常是具有相同 shape 的二維矩陣。x, y 可以為一維向量，但是必需有 z.shape = (y.n, x.n) ，這裡 y.n 和 x.n 分別表示x、y的長度。Z通常表示的是距離X-Y平面的距離，傳入X、Y則是控制了繪製等高線的範圍。
3 佈局、圖例說明、邊界等
3.1區間上下限
當繪畫完成後，會發現X、Y軸的區間是會自動調整的，並不是跟我們傳入的X、Y軸資料中的最值相同。為了調整區間我們使用下面的方式：
ax.set_xlim([xmin, xmax]) #設定X軸的區間
ax.set_ylim([ymin, ymax]) #Y軸區間
ax.axis([xmin, xmax, ymin, ymax]) #X、Y軸區間
ax.set_ylim(bottom=-10) #Y軸下限
ax.set_xlim(right=25) #X軸上限具體效果見下例：
x = np.linspace(0, 2*np.pi)
y = np.sin(x)
fig, (ax1, ax2) = plt.subplots(2)
ax1.plot(x, y)
ax2.plot(x, y)
ax2.set_xlim([-1, 6])
ax2.set_ylim([-1, 3])
plt.show()可以看出修改了區間之後影響了圖片顯示的效果。
3.2 圖例說明
我們如果我們在一個Axes上做多次繪畫，那麼可能出現分不清哪條線或點所代表的意思。這個時間新增圖例說明，就可以解決這個問題了，見下例：
fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4], [10, 20, 25, 30], label='Philadelphia')
ax.plot([1, 2, 3, 4], [30, 23, 13, 4], label='Boston')
ax.scatter([1, 2, 3, 4], [20, 10, 30, 15], label='Point')
ax.set(ylabel='Temperature (deg C)', xlabel='Time', title='A tale of two cities')
ax.legend()
plt.show()
在繪圖時傳入 label 引數，並最後呼叫ax.legend()顯示體力說明，對於 legend 還是傳入引數，控制圖例說明顯示的位置：
| Location String | Location Code |
|---|---|
| ‘best’ | 0 |
| ‘upper right’ | 1 |
| ‘upper left’ | 2 |
| ‘lower left’ | 3 |
| ‘lower right’ | 4 |
| ‘right’ | 5 |
| ‘center left’ | 6 |
| ‘center right’ | 7 |
| ‘lower center’ | 8 |
| ‘upper center’ | 9 |
| ‘center’ | 10 |
3.3 區間分段
預設情況下，繪圖結束之後，Axes 會自動的控制區間的分段。見下例：
data = [('apples', 2), ('oranges', 3), ('peaches', 1)]
fruit, value = zip(*data)
fig, (ax1, ax2) = plt.subplots(2)
x = np.arange(len(fruit))
ax1.bar(x, value, align='center', color='gray')
ax2.bar(x, value, align='center', color='gray')
ax2.set(xticks=x, xticklabels=fruit)
#ax.tick_params(axis='y', direction='inout', length=10) #修改 ticks 的方向以及長度
plt.show()上面不僅修改了X軸的區間段，並且修改了顯示的資訊為文字。
3.4 佈局
當我們繪畫多個子圖時，就會有一些美觀的問題存在，例如子圖之間的間隔，子圖與畫板的外邊間距以及子圖的內邊距，下面說明這個問題：
fig, axes = plt.subplots(2, 2, figsize=(9, 9))
fig.subplots_adjust(wspace=0.5, hspace=0.3,
left=0.125, right=0.9,
top=0.9, bottom=0.1)
#fig.tight_layout() #自動調整佈局，使標題之間不重疊
plt.show()通過fig.subplots_adjust()我們修改了子圖水平之間的間隔wspace=0.5，垂直方向上的間距hspace=0.3，左邊距left=0.125 等等，這裡數值都是百分比的。以 [0, 1] 為區間，選擇left、right、bottom、top 注意 top 和 right 是 0.9 表示上、右邊距為百分之10。不確定如果調整的時候，fig.tight_layout()是一個很好的選擇。之前說到了內邊距，內邊距是子圖的，也就是 Axes 物件，所以這樣使用 ax.margins(x=0.1, y=0.1)，當值傳入一個值時，表示同時修改水平和垂直方向的內邊距。
觀察上面的四個子圖，可以發現他們的X、Y的區間是一致的，而且這樣顯示並不美觀，所以可以調整使他們使用一樣的X、Y軸：
fig, (ax1, ax2) = plt.subplots(1, 2, sharex=True, sharey=True)
ax1.plot([1, 2, 3, 4], [1, 2, 3, 4])
ax2.plot([3, 4, 5, 6], [6, 5, 4, 3])
plt.show()
3.5 軸相關
改變邊界的位置，去掉四周的邊框：
fig, ax = plt.subplots()
ax.plot([-2, 2, 3, 4], [-10, 20, 25, 5])
ax.spines['top'].set_visible(False) #頂邊界不可見
ax.xaxis.set_ticks_position('bottom') # ticks 的位置為下方，分上下的。
ax.spines['right'].set_visible(False) #右邊界不可見
ax.yaxis.set_ticks_position('left')
# "outward"
# 移動左、下邊界離 Axes 10 個距離
#ax.spines['bottom'].set_position(('outward', 10))
#ax.spines['left'].set_position(('outward', 10))
# "data"
# 移動左、下邊界到 (0, 0) 處相交
ax.spines['bottom'].set_position(('data', 0))
ax.spines['left'].set_position(('data', 0))
# "axes"
# 移動邊界，按 Axes 的百分比位置
#ax.spines['bottom'].set_position(('axes', 0.75))
#ax.spines['left'].set_position(('axes', 0.3))
plt.show()