做資料分析，首先是要熟悉和理解資料，所以掌握一個趁手的視覺化工具是非常重要的，否則對資料連個基本的感性認識都沒有，如何進行下一步的design

 原文地址（非常棒）：http://www.cnblogs.com/fxjwind/p/3923028.html

Getting Started with Matplotlib

先看個簡單的例子，plot，即畫線

畫線，需要給出線上的點的座標，然後Matplotlib會自動將點連成線

In [2]: x = range(6) 
In [3]: plt.plot(x, [xi**2 for xi in x])

可以看到plot的引數是兩個list，分佈表示x軸和y軸的座標點的list

可以看到這裡的線不是很平滑，是因為range的產生的點粒度比較粗，並且使用list comprehension來產生y值

所以這裡儘量使用Numpy的arange(x, y, z)函式

好處是粒度可以更小，而且關鍵是返回的是Numpy的Array，可以直接進行向量或矩陣運算，如下

In [3]: x = np.arange(1, 5) 
In [4]: plt.plot(x, x*1.5, x, x*3.0, x, x/3.0)

可以用plot畫多條線

Grid, axes, and labels

開啟網格

In [5]: plt.grid(True)

預設會自動產生X和Y軸上的取值範圍，比如上面的圖，

In [5]: plt.axis() # shows the current axis limits values 
Out[5]: (1.0, 4.0, 0.0, 12.0) 
分別表示，[xmin, xmax, ymin, ymax]，所以看上圖x軸是從1到4，y軸是從0到12

改變取值範圍， 
In [6]: plt.axis([0, 5, -1, 13]) # set new axes limits

還能給x和y軸加上lable說明，

In [2]: plt.plot([1, 3, 2, 4]) 
In [3]: plt.xlabel('This is the X axis') 
In [4]: plt.ylabel('This is the Y axis')

Titles and legends

給整個圖加上title

In [2]: plt.plot([1, 3, 2, 4]) 
In [3]: plt.title('Simple plot')

還可以給每條線增加圖示，legend

In [3]: x = np.arange(1, 5) 
In [4]: plt.plot(x, x*1.5, label='Normal') 
In [5]: plt.plot(x, x*3.0, label='Fast') 
In [6]: plt.plot(x, x/3.0, label='Slow') 
In [7]: plt.legend()

指定每條線的label，然後呼叫legend()會自動顯示圖示

可以看到這個圖示的位置不是很好，擋住圖，可以通過引數指定位置

legend(loc='upper left')

loc可以選取的值，其中best，是自動找到最好的位置

Saving plots to a file

最簡單，使用預設設定 
plt.savefig('plot123.png')

其中兩個設定可以決定圖片大小，figure size and the DPI

In [1]: import matplotlib as mpl 
In [2]: mpl.rcParams['figure.figsize'] 
Out[2]: [8.0, 6.0] 
In [3]: mpl.rcParams['savefig.dpi'] 
Out[3]: 100

an 8x6 inches figure with 100 DPI results in an 800x600 pixels image，這就是預設值

In [4]: plt.savefig('plot123_2.png', dpi=200)

這樣圖的解析度，變為1600×1200

Decorate Graphs with Plot Styles

Markers and line styles

上面畫的線都是一樣的，其實我們可以畫出各種不同的線 
Marker就是指形成線的那些點

plot() supports an optional third argument that contains a format string for each pair of X, Y arguments in the form of:
plt.plot(X, Y, '<format>', ...)

plot通過第三個string引數可以用來指定，Colors，Line styles，Marker styles

線的顏色，

線的style，

Marker的style

可以用string format單獨或混合的表示所有的style，

In [3]: y = np.arange(1, 3, 0.3) 
In [4]: plt.plot(y, 'cx--', y+1, 'mo:', y+2, 'kp-.');

比如第一條線，c表示cyan青色，x表示marker style為x，--表示line style

一般用string format已經足夠，但也可以用具體的keyword引數進行更多的個性化

Handling X and Y ticks

前面X和Y軸上的ticks是自動生成的，這個也是可以通過xticks和yticks函式個性化定製的

The arguments (in the form of lists) that we can pass to the function are: 
• Locations of the ticks 
• Labels to draw at these locations (if necessary)

可以定義，每個tick的location和相應的label（可選，不指定預設顯示location）

In [2]: x = [5, 3, 7, 2, 4, 1] 
In [3]: plt.plot(x); 
In [4]: plt.xticks(range(len(x)), ['a', 'b', 'c', 'd', 'e', 'f']); 
In [5]: plt.yticks(range(1, 8, 2));

對x軸同時指定location和label 
對y軸只是指定location

Plot types

上面介紹了很多，都是以plot作為例子，matplotlib還提供了很多其他型別的圖 
作者這張圖很贊，描述所有圖的用法

Histogram charts

直方圖是用來離散的統計資料分佈的，會把整個資料集，根據取值範圍，分成若干類，稱為bins 
然後統計中每個bin中的資料個數

In [3]: y = np.random.randn(1000) 
In [4]: plt.hist(y); 
In [5]: plt.show()

hist預設是分為10類，即bins=10， 上圖就是把取值[-4,4]上的1000個隨機數，分成10個bins，統計每個的資料個數 
可以看出這個隨機函式是典型的正態分佈

我們可以改變bins的值， 
In [6]: plt.hist(y, 25);

如圖是，分成25個bins

Error bar charts

In [3]: x = np.arange(0, 4, 0.2) 
In [4]: y = np.exp(-x) 
In [5]: e1 = 0.1 * np.abs(np.random.randn(len(y))) 
In [8]: e2 = 0.1 * np.abs(np.random.randn(len(y))) 
In [9]: plt.errorbar(x, y, yerr=e1, xerr=e2, fmt='.-', capsize=0);

畫出每個點的同時，畫出每個點上的誤差範圍

還能畫出非對稱的誤差， 
In [11]: plt.errorbar(x, y, yerr=[e1, e2], fmt='.-');

Bar charts

plt.bar([1, 2, 3], [3, 2, 5]);

對於bar，需要設定3個引數 
左起始座標，高度，寬度（可選，預設0.8） 
所以上面的例子，指定起始點和高度引數

好，看個複雜的例子，bar圖一般用於比較多個數據值

In [3]: data1 = 10*np.random.rand(5) 
In [4]: data2 = 10*np.random.rand(5) 
In [5]: data3 = 10*np.random.rand(5) 
In [6]: e2 = 0.5 * np.abs(np.random.randn(len(data2))) 
In [7]: locs = np.arange(1, len(data1)+1) 
In [8]: width = 0.27 
In [9]: plt.bar(locs, data1, width=width); 
In [10]: plt.bar(locs+width, data2, yerr=e2, width=width, color='red'); 
In [11]: plt.bar(locs+2*width, data3, width=width, color='green') ; 
In [12]: plt.xticks(locs + width*1.5, locs);

需要學習的是，如何指定多個bar的起始位置，後一個bar的loc = 前一個bar的loc + width 
如何設定ticks的label，讓它在一組bars的中間位置，locs + width*1.5

Pie charts

餅圖很好理解，表示成分

In [2]: plt.figure(figsize=(3,3)); 
In [3]: x = [45, 35, 20] 
In [4]: labels = ['Cats', 'Dogs', 'Fishes'] 
In [5]: plt.pie(x, labels=labels);

來個複雜的， 
增加explode，即突出某些wedges，可以設定explode來增加offset the wedge from the center of the pie， 即radius fraction
0表示不分離，越大表示離pie center越遠，需要顯式指定每個wedges的explode

增加autopct，即在wedges上顯示出具體的比例

In [2]: plt.figure(figsize=(3,3)); 
In [3]: x = [4, 9, 21, 55, 30, 18] 
In [4]: labels = ['Swiss', 'Austria', 'Spain', 'Italy', 'France', 'Benelux'] 
In [5]: explode = [0.2, 0.1, 0, 0, 0.1, 0] 
In [6]: plt.pie(x, labels=labels, explode=explode, autopct='%1.1f%%');

Scatter plots

只畫點，不連線，用來描述兩個變數之間的關係，比如在進行資料擬合之前，看看變數間是線性還是非線性

In [3]: x = np.random.randn(1000) 
In [4]: y = np.random.randn(1000) 
In [5]: plt.scatter(x, y);

通過s來指定size，c來指定color， 
marker來指定點的形狀

In [7]: size = 50*np.random.randn(1000) 
In [8]: colors = np.random.rand(1000) 
In [9]: plt.scatter(x, y, s=size, c=colors);

Text inside figure, annotations, and arrows

用於添加註解，

增加text很簡單，座標x，y，內容

plt.text(x, y, text)

例子，

In [3]: x = np.arange(0, 2*np.pi, .01) 
In [4]: y = np.sin(x) 
In [5]: plt.plot(x, y); 
In [6]: plt.text(0.1, -0.04, 'sin(0)=0');

annotate，便於增加註釋

引數， 
xy，需要添加註釋的座標 
xytext，註釋本身的座標 
arrowprops，箭頭的型別和屬性

In [2]: y = [13, 11, 13, 12, 13, 10, 30, 12, 11, 13, 12, 12, 12, 11,12] 
In [3]: plt.plot(y); 
In [4]: plt.ylim(ymax=35); 增大y的空間，否則註釋放不下 
In [5]: plt.annotate('this spot must really\nmean something', 
xy=(6, 30), xytext=(8, 31.5), arrowprops=dict(facecolor='black', shrink=0.05));

明顯這個箭頭比較醜，箭頭可以有很多種

In [2]: plt.axis([0, 10, 0, 20]); 
In [3]: arrstyles = ['-', '->', '-[', '<-', '<->', 'fancy', 'simple','wedge'] 
In [4]: for i, style in enumerate(arrstyles): 
              plt.annotate(style, xytext=(1, 2+2*i), xy=(4, 1+2*i), arrowprops=dict(arrowstyle=style));

In [5]: connstyles=["arc", "arc,angleA=10,armA=30,rad=15", "arc3,rad=.2", "arc3,rad=-.2", "angle", "angle3"]
In [6]: for i, style in enumerate(connstyles): 
              plt.annotate("", xytext=(6, 2+2*i), xy=(8, 1+2*i), arrowprops=dict(arrowstyle='->', connectionstyle=style));

Subplots

上面matplotlib，預設會幫我們建立figure和subplot

fig = plt.figure() 
ax = fig.add_subplot(111)

其實我們可以顯式的建立，這樣的好處是我們可以在一個figure中畫多個subplot

其中subplot的引數，

fig.add_subplot(numrows, numcols, fignum) 
- numrows represents the number of rows of subplots to prepare 
- numcols represents the number of columns of subplots to prepare 
- fignum varies from 1 to numrows*numcols and specifies the current subplot (the one used now)

我們會產生numrows×numcols個subplot，fignum表示編號

In [2]: fig = plt.figure() 
In [3]: ax1 = fig.add_subplot(211) 
In [4]: ax1.plot([1, 2, 3], [1, 2, 3]); 
In [5]: ax2 = fig.add_subplot(212) 
In [6]: ax2.plot([1, 2, 3], [3, 2, 1]);

Plotting dates

日期比較長，直接畫在座標軸上，沒法看

具體看下如何畫？

產生x軸資料，利用mpl.dates.drange產生x軸座標

import matplotlib as mpl 
In [7]: date2_1 = dt.datetime(2008, 9, 23) 
In [8]: date2_2 = dt.datetime(2008, 10, 3) 
In [9]: delta2 = dt.timedelta(days=1) 
In [10]: dates2 = mpl.dates.drange(date2_1, date2_2, delta2)

隨機產生y軸座標，畫出polt圖

In [11]: y2 = np.random.rand(len(dates2)) 
In [12]: ax2.plot_date(dates2, y2, linestyle='-');

關鍵步驟來了，我們要設定xaxis的locator和formatter來顯示時間 
首先設定formatter,

In [13]: dateFmt = mpl.dates.DateFormatter('%Y-%m-%d') 
In [14]: ax2.xaxis.set_major_formatter(dateFmt)

再設定locator，

In [15]: daysLoc = mpl.dates.DayLocator() 
In [16]: hoursLoc = mpl.dates.HourLocator(interval=6) 
In [17]: ax2.xaxis.set_major_locator(daysLoc) 
In [18]: ax2.xaxis.set_minor_locator(hoursLoc)

注意這裡major和minor，major就是大的tick，minor是比較小的tick（預設是null） 
比如date是大的tick，但是想看的細點，所以再設個hour的tick，但是畫24個太多了，所以interval=6，只畫4個 
而formatter只是設定major的，所以minor的是沒有label的

再看個例子，

產生x軸座標，y軸座標，畫出plot

In [22]: date1_1 = dt.datetime(2008, 9, 23) 
In [23]: date1_2 = dt.datetime(2009, 2, 16) 
In [24]: delta1 = dt.timedelta(days=10) 
In [25]: dates1 = mpl.dates.drange(date1_1, date1_2, delta1) 
In [26]: y1 = np.random.rand(len(dates1)) 
In [27]: ax1.plot_date(dates1, y1, linestyle='-');

設定locator 
major的是Month，minor的是week

In [28]: monthsLoc = mpl.dates.MonthLocator() 
In [29]: weeksLoc = mpl.dates.WeekdayLocator() 
In [30]: ax1.xaxis.set_major_locator(monthsLoc) 
In [31]: ax1.xaxis.set_minor_locator(weeksLoc)

設定Formatter

In [32]: monthsFmt = mpl.dates.DateFormatter('%b') 
In [33]: ax1.xaxis.set_major_formatter(monthsFmt)

Using LaTeX formatting

這個略diao

the start and the end of a mathtext string is $ 
在Python raw string需要r‘’，表示不轉義

直接看例子，

In [6]: ax.text(2, 8, r"ματπλωτλιβ ");
In [7]: ax.text(2, 6, r"lim x→0 1x ");
In [8]: ax.text(2, 4, r"a≤b≤c⇒a≤c ");
In [9]: ax.text(2, 2, r"∑ ∞ i=1 x 2 i  ");
In [10]: ax.text(4, 8, r"sin(0)=cos(π2) ");
In [11]: ax.text(4, 6, r"x √ 3 =y √  ");
In [12]: ax.text(4, 4, r"¬(a∧b)⇔¬a∨¬b ");
In [13]: ax.text(4, 2, r"∫ b a f(x)dx ");