matplotlib簡(jiǎn)介

如果你在大學(xué)里參加過(guò)數(shù)學(xué)建模競(jìng)賽或者是用過(guò)MATLAB的話，相比會(huì)對(duì)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(méi)用過(guò)呢也沒(méi)關(guān)系，知道這么回事就好了。MATLAB雖然好用，但畢竟是收費(fèi)軟件，而且相比于MATLAB，很多人更喜歡Python的語(yǔ)法。

所以呢MATLAB就被惦記上了，后來(lái)有大神仿照MATLAB當(dāng)中的畫圖工具，也在Python當(dāng)中開(kāi)發(fā)了一個(gè)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(jī)器學(xué)習(xí)領(lǐng)域當(dāng)中使用最廣泛的作圖工具包，幾乎沒(méi)有之一。前段時(shí)間不是美國(guó)政府搞事情，導(dǎo)致MATLAB公司宣布對(duì)中國(guó)的幾所高校禁止使用MATLAB嘛，有一些人就提出來(lái)說(shuō)我們可以使用Python當(dāng)中的一些開(kāi)源工具代替，當(dāng)然MATLAB當(dāng)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(gè)領(lǐng)域是沒(méi)問(wèn)題的。

matplotlib 基本用法

matplotlib廣泛流行的一個(gè)非常主要的原因就是它方便、好用，我們來(lái)看幾個(gè)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(gè)包下的pyplot這個(gè)庫(kù)，從名字上我們也看得出來(lái)它是Python庫(kù)。如果你安裝了Anaconda這樣完整的Python包管理工具的話，那么這個(gè)包默認(rèn)應(yīng)該已經(jīng)裝好了。如果沒(méi)有，可以使用pip安裝一下，命令也非常簡(jiǎn)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(shí)候經(jīng)常會(huì)出現(xiàn)plt.xxx，就是這么來(lái)的。

import matplotlib.pyplot as plt

plot當(dāng)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(diǎn)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(dāng)中使用得比較少，大部分是用來(lái)炫技的。

曲線圖

plot其實(shí)是用來(lái)作曲線圖的，采用的方法是描點(diǎn)呈現(xiàn)，它會(huì)將我們的數(shù)據(jù)點(diǎn)串聯(lián)起來(lái)，成為一條光滑的曲線。當(dāng)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(jiǎn)單，在最基本的用法當(dāng)中，我們只需要傳入兩個(gè)list，分別代表x軸和y軸的值即可。比如我們要作出一個(gè)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(dāng)中我們首先使用numpy當(dāng)中的linspace函數(shù)生成了一個(gè)-10到10之間的numpy數(shù)組。這個(gè)數(shù)組當(dāng)中有100個(gè)點(diǎn)，在-10到10之間均勻分布。我們對(duì)它計(jì)算對(duì)應(yīng)的logistic函數(shù)的值，也就是1 / (1 + np.exp(-x))。這個(gè)函數(shù)我想大家都應(yīng)該很熟悉了，x是一個(gè)一百個(gè)點(diǎn)的list，對(duì)應(yīng)的y也是一個(gè)一百個(gè)點(diǎn)的list。也就是說(shuō)一個(gè)x對(duì)應(yīng)一個(gè)y構(gòu)成了一個(gè)點(diǎn)對(duì)，代表圖中的一個(gè)坐標(biāo)。

我們不需要做任何轉(zhuǎn)化，只需要把這兩個(gè)數(shù)組傳入plt當(dāng)中，它會(huì)自動(dòng)替我們完成坐標(biāo)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(cuò)的，除了把圖像完成的繪制出來(lái)之外，還替我們?cè)谧鴺?biāo)軸上畫上了點(diǎn)位，方便我們查看數(shù)據(jù)。

直方圖

hist可以用來(lái)繪制直方圖，這也是我們非常常見(jiàn)的圖像。在財(cái)經(jīng)領(lǐng)域我們經(jīng)常用直方圖反應(yīng)一個(gè)數(shù)據(jù)的走勢(shì)，在數(shù)據(jù)分析和機(jī)器學(xué)習(xí)當(dāng)中我們也經(jīng)常用直方圖來(lái)反應(yīng)某一個(gè)特征或者是值的分布。

在直方圖當(dāng)中我們只需要傳入一個(gè)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(gè)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(huì)繪制出每個(gè)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(lái)了。

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

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

我們查看圖像，這個(gè)結(jié)果和我們的預(yù)期基本吻合。

點(diǎn)狀圖

第三種圖像叫做散點(diǎn)圖，它反應(yīng)的是每個(gè)點(diǎn)的分布情況。比如我們之前在介紹KNN和Kmeans模型的時(shí)候曾經(jīng)都作過(guò)散點(diǎn)圖，一個(gè)點(diǎn)代表一個(gè)樣本，通過(guò)散點(diǎn)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(gè)分布的統(tǒng)計(jì)結(jié)果。

但是它也有缺點(diǎn)，缺點(diǎn)就是我們只能觀察二維平面當(dāng)中的點(diǎn)的分布，畢竟超過(guò)3維的維度就沒(méi)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(diǎn)圖的繪制也很簡(jiǎn)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(jī)分布，所以得到的結(jié)果是散亂沒(méi)有規(guī)律的點(diǎn)。

餅狀圖

最后我們來(lái)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(gè)值占的比例。通過(guò)餅狀圖，我們可以很直觀地了解到這點(diǎn)。

我們可以傳入一個(gè)list進(jìn)入pie函數(shù)，plot會(huì)根據(jù)list當(dāng)中值在總體的占比繪制餅狀圖。我們來(lái)看個(gè)很簡(jiǎn)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?yàn)樗m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(lái)每一個(gè)區(qū)域分別代表什么。這個(gè)問(wèn)題是可以解決的，我們可以通過(guò)傳入一些參數(shù)和設(shè)定來(lái)讓它展示更多的信息，讓數(shù)據(jù)變得更加生動(dòng)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(qǐng)來(lái)一波素質(zhì)三連，給我一點(diǎn)支持吧（關(guān)注、轉(zhuǎn)發(fā)、點(diǎn)贊）。

以上就是python matplotlib庫(kù)的基本使用的詳細(xì)內(nèi)容，更多關(guān)于python matplotlib的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！