Python 繪圖庫 Matplotlib 入門教學_python

Matplotlib是一個Python語言的2D繪圖庫，它支援各種平台，並且功能強大，能夠輕易繪製出各種專業的圖像。本文是對Python 繪圖庫Matplotlib 入門教程，有興趣的朋友一起來學習一下吧

運行環境

##由於這是Python語言的軟體包，因此需要你的機器上先安裝好Python語言的環境。關於這一點，請自行在網路上搜尋取得方法。

關於如何安裝Matplotlib請參考這裡：Matplotlib Installing。

筆者推薦大家透過pip的方式來安裝，具體方法如下：

sudo pip3 install matplotlib

本文中的原始碼和測試資料可以在這裡取得：matplotlib_tutorial

本文的程式碼範例會用到另外一個Python函式庫：NumPy。建議讀者先對NumPy有一定的熟悉，我之前也寫過一個NumPy的基礎教程，請參閱這裡：Python 機器學習庫 NumPy 教程。

本文的程式碼在以下環境中測試：

• Apple OS X 10.13

• Python 3.6.3 matplotlib 2.1. 1

• numpy 1.13.3

#介紹##Matplotlib適用於各種環境，包括：

Python腳本
#IPython shell Jupyter notebook
Web應用程式伺服器
使用者圖形介面工具包
#使用Matplotlib，能夠的輕易產生各種類型的影像，例如：直方圖，波譜圖，長條圖，散點圖等。並且，可以非常輕鬆的實現客製化。

入門程式碼範例下面我們先來看一個最簡單的程式碼範例，讓我們感受一下Matplotlib是什麼樣的：

# test.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.plot(data)
plt.show()

這段程式碼的主體邏輯只有三行，但是它卻繪製出了一個非常直觀的線性圖，如下所示：

#對照著這個線形圖，我們來講解一下三行程式碼的邏輯：

透過
• np.arange(100, 201)

  產生一個[100, 200]之間的整數數組，它的值是：[100, 101, 102, … , 200]

#透過
• matplotlib.pyplot

  將其繪製出來。很顯然，繪製出來的值對應了圖中的縱座標（y軸）。而matplotlib本身為我們設定了圖形的橫座標（x軸）：[0, 100]，因為我們剛好有100個數值

透過
• plt.show()

  將這個圖形顯示出來

這段程式碼非常的簡單，運行起來也是一樣。如果你已經有了本文的運行環境，將上面的程式碼儲存到一個文字檔案中（或透過Github取得本文的原始碼），然後透過下面的指令就可以在你自己的電腦上看到上面的圖形了:

python3 test.py

註1：後面的教學中，我們會逐步解說如何客製化圖中的每一個細節。例如：座標軸，圖形，著色，線條樣式，等等。

註2：如果沒有必要，下文的截圖會去掉圖形外側的邊框，只保留圖形主體。

一次繪製多個圖形有些時候，我們可能希望一次繪製多個圖形，例如：兩組資料的對比，或者一組資料的不同展示方式等。

可以透過下面的方法建立多個圖形：

多個figure可以簡單的理解為一個

figure

就是一個圖形視窗。 matplotlib.pyplot會有一個預設的figure，我們也可以透過plt.figure()來建立更多個。如下面的程式碼所示：

# figure.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.plot(data)
data2 = np.arange(200, 301)
plt.figure()
plt.plot(data2)
plt.show()

這段程式碼繪製了兩個視窗的圖形，它們各自是一個不同區間的線形圖，如下所示：

註：初始狀態這兩個視窗是完全重合的。

多個subplot有些情況下，我們是希望在同一個視窗顯示多個圖形。此時就這可以用多個subplot。以下是一段程式碼範例：

# subplot.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.subplot(2, 1, 1)
plt.plot(data)
data2 = np.arange(200, 301)
plt.subplot(2, 1, 2)
plt.plot(data2)
plt.show()

這段程式碼中，除了

subplot

函數之外都是我們熟悉的內容。 subplot函數的前兩個參數指定了subplot數量，即：它們是以矩陣的形式來分割目前圖形，兩個整數分別指定了矩陣的行數和列數。而第三個參數是指矩陣中的索引。 因此，下面這行程式碼指的是：2行1列subplot中的第1個subplot。

plt.subplot(2, 1, 1)

下面这行代码指的是：2行1列subplot中的第2个subplot。

plt.subplot(2, 1, 2)

所以这段代码的结果是这个样子：

subplot函数的参数不仅仅支持上面这种形式，还可以将三个整数（10之内的）合并一个整数。例如：2, 1, 1可以写成211，2, 1, 2可以写成212。

因此，下面这段代码的结果是一样的：

import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.subplot(211)
plt.plot(data)
data2 = np.arange(200, 301)
plt.subplot(212)
plt.plot(data2)
plt.show()

subplot函数的详细说明参见这里：matplotlib.pyplot.subplot

常用图形示例

Matplotlib可以生成非常多的图形式样，多到令人惊叹的地步。大家可以在这里：Matplotlib Gallery 感受一下。

本文作为第一次的入门教程，我们先来看看最常用的一些图形的绘制。

线性图

前面的例子中，线性图的横轴的点都是自动生成的，而我们很可能希望主动设置它。另外，线条我们可能也希望对其进行定制。看一下下面这个例子：

# plot.py
import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [3, 6, 9], '-r')
plt.plot([1, 2, 3], [2, 4, 9], ':g')
plt.show()

这段代码可以让我们得到这样的图形：

这段代码说明如下：

plot函数的第一个数组是横轴的值，第二个数组是纵轴的值，所以它们一个是直线，一个是折线； 最后一个参数是由两个字符构成的，分别是线条的样式和颜色。前者是红色的直线，后者是绿色的点线。关于样式和颜色的说明请参见plot函数的API Doc：matplotlib.pyplot.plot

散点图

scatter函数用来绘制散点图。同样，这个函数也需要两组配对的数据指定x和y轴的坐标。下面是一段代码示例：

# scatter.py
import matplotlib.pyplot as plt
import numpy as np
N = 20
plt.scatter(np.random.rand(N) * 100,
   np.random.rand(N) * 100,
   c='r', s=100, alpha=0.5)
plt.scatter(np.random.rand(N) * 100,
   np.random.rand(N) * 100,
   c='g', s=200, alpha=0.5)
plt.scatter(np.random.rand(N) * 100,
   np.random.rand(N) * 100,
   c='b', s=300, alpha=0.5)
plt.show()

这段代码说明如下：

这幅图包含了三组数据，每组数据都包含了20个随机坐标的位置 参数c表示点的颜色，s是点的大小，alpha是透明度

这段代码绘制的图形如下所示：

scatter函数的详细说明参见这里：matplotlib.pyplot.scatter

饼状图

pie函数用来绘制饼状图。饼状图通常用来表达集合中各个部分的百分比。

# pie.py
import matplotlib.pyplot as plt
import numpy as np
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
data = np.random.rand(7) * 100
plt.pie(data, labels=labels, autopct='%1.1f%%')
plt.axis('equal')
plt.legend()
plt.show()

这段代码说明如下：

data是一组包含7个数据的随机数值 图中的标签通过labels来指定 autopct指定了数值的精度格式 plt.axis('equal')设置了坐标轴大小一致 plt.legend()指明要绘制图例（见下图的右上角）

这段代码输出的图形如下所示：

pie函数的详细说明参见这里：matplotlib.pyplot.pie

条形图

bar函数用来绘制条形图。条形图常常用来描述一组数据的对比情况，例如：一周七天，每天的城市车流量。

下面是一个代码示例：

# bar.py
import matplotlib.pyplot as plt
import numpy as np
N = 7
x = np.arange(N)
data = np.random.randint(low=0, high=100, size=N)
colors = np.random.rand(N * 3).reshape(N, -1)
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
plt.title("Weekday Data")
plt.bar(x, data, alpha=0.8, color=colors, tick_label=labels)
plt.show()

这段代码说明如下：

这幅图展示了一组包含7个随机数值的结果，每个数值是[0, 100]的随机数 它们的颜色也是通过随机数生成的。np.random.rand(N * 3).reshape(N, -1)表示先生成21（N x 3）个随机数，然后将它们组装成7行，那么每行就是三个数，这对应了颜色的三个组成部分。如果不理解这行代码，请先学习一下Python 机器学习库 NumPy 教程 title指定了图形的标题，labels指定了标签，alpha是透明度

这段代码输出的图形如下所示：

bar函数的详细说明参见这里：matplotlib.pyplot.bar

直方图

hist函数用来绘制直方图。直方图看起来是条形图有些类似。但它们的含义是不一样的，直方图描述了数据中某个范围内数据出现的频度。这么说有些抽象，我们通过一个代码示例来描述就好理解了：

# hist.py
import matplotlib.pyplot as plt
import numpy as np
data = [np.random.randint(0, n, n) for n in [3000, 4000, 5000]]
labels = ['3K', '4K', '5K']
bins = [0, 100, 500, 1000, 2000, 3000, 4000, 5000]
plt.hist(data, bins=bins, label=labels)
plt.legend()
plt.show()

上面这段代码中，[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含了三个数组的数组，这其中：

第一个数组包含了3000个随机数，这些随机数的范围是 [0, 3000) 第二个数组包含了4000个随机数，这些随机数的范围是 [0, 4000) 第三个数组包含了5000个随机数，这些随机数的范围是 [0, 5000)

bins数组用来指定我们显示的直方图的边界，即：[0, 100) 会有一个数据点，[100, 500)会有一个数据点，以此类推。所以最终结果一共会显示7个数据点。同样的，我们指定了标签和图例。

这段代码的输出如下图所示：

在这幅图中，我们看到，三组数据在3000以下都有数据，并且频度是差不多的。但蓝色条只有3000以下的数据，橙色条只有4000以下的数据。这与我们的随机数组数据刚好吻合。

hist函数的详细说明参见这里：matplotlib.pyplot.hist

结束语

通过本文，我们已经知道了Matplotlib的大致使用方法和几种最基本的图形的绘制方式。

需要说明的是，由于是入门教程，因此本文中我们只给出了这些函数和图形最基本的使用方法。但实际上，它们的功能远不止这么简单。因此本文中我们贴出了这些函数的API地址以便读者进一步的研究。

相关推荐：

python绘图库的基本操作方法介绍

python绘图方法实例入门

以上是Python 繪圖庫 Matplotlib 入門教學_python的詳細內容。更多資訊請關注PHP中文網其他相關文章！