Python中最受欢迎的数据可视化软件包之一：matplot

欢迎关注博主 Mindtechnist 或加入【Linux C/C++/Python社区】一起学习和分享Linux、C、C++、Python、Matlab，机器人运动控制、多机器人协作，智能优化算法，滤波估计、多传感器信息融合，机器学习，人工智能等相关领域的知识和技术。

matplotlib

专栏：《机器学习》

数据可视化

如果将文本数据和图表数据放在一起，人类的思维模式可能更适合于理解图表数据，因为图表数据更加直观、形象。使用图表来表示数据的方法就叫做数据可视化。可视化是在整个数据挖掘的关键辅助工具，可以帮助我们清晰的理解数据，从而调整我们的分析方法。通过可视化，能将数据更直观的呈现出来，使数据更加客观、更具说服力。

常用的数据可视化图表主要有以下五种：

什么是matplotlib

Matplotlib 是一款用于数据可视化的 Python 软件包，支持跨平台运行，它能够根据 NumPy ndarray 数组（NumPy 是 Python 科学计算的软件包，ndarray 则是 NumPy 提供的一种数组结构）来绘制 2D 图像。

matplotlib 是 Python 中类似于 matlab的绘图工具，是一个常用的 2D 绘图库，当然它也提供了3D绘图接口。如果有matlab的使用经验，学习matplotlib还是很快的。matplotlib 提供了一套API来支持面向对象绘图，配合 Python GUI 工具包（比如 PyQt，WxPython、Tkinter）在应用程序中嵌入图形。与此同时，matplotlib也支持以脚本的形式在 Python、IPython Shell、JupyterNotebook 以及 Web 应用的服务器中使用，非常方便。作为Python 中最受欢迎的数据可视化软件包之一，matplotlib支持跨平台运行，它通常与NumPy、Pandas一起使用，是数据分析中不可或缺的重要工具之一。

①脚本层scripting

脚本层是matplotlib 结构中的最顶层。我们编写的绘图代码大部分代码都在该层运行，它的主要工作是负责生成图形与坐标系。

②美工层artist

美工层是结构中的第二层，它提供了绘制图形的元素时的给各种功能，例如，绘制标题、轴标签、坐标刻度等。

③后端层backend

后端层是 matplotlib 最底层，它定义了三个基本类，首先是 FigureCanvas（图层画布类），它提供了绘图所需的画布，其次是 Renderer（绘图操作类），它提供了在画布上进行绘图的各种方法，最后是 Event（事件处理类），它提供了用来处理鼠标和键盘事件的方法。

Matplotlib的图像组成如下图所示

安装matplotlib

matplotlib是专门用于开发2D图表(包括3D图表)，以渐进、交互式方式实现数据可视化。如果你用过matlab的话，可以简单理解为和matlab有类似的功能。

安装matplotlib，直接在命令行输入(在cmd命令行输入py -0p可查看python解释器安装路径，如果pycharm提示找不到python.exe可能就是解释器路径错误)

pip3 install matplotlib

安装后，便可以在jupyter notebook或者pycharm等其他环境使用进行数据可视化

在pyharm中使用matplotlib模块的时候，可能会出现报错

解决方法如下

首先点击“文件-设置”

进入后，选择“项目-project interpreter”，点击加号

在弹框中搜索matplotlib，并安装即可

至此，安装成功。

另一个比较好的安装方法是通过下载 Python 的 Anaconda 发行版，Anaconda 是一个开源的 Python 发行版本，其包含了 Python、NumPy、Matplotlib 等180多个科学包及其依赖项。

首先，进入 Anaconda 的官方网站点击直达下载页面，然后单击“Download”按钮，如下图所示：

根据自己的Python解释器的版本下载相应版本即可。并且Anconda 中提供了一个交互式笔记本 Jupyter。

matplotlib.pyplot API介绍

Matplotlib 中的 pyplot 模块是一个类似命令风格的函数集合，和 MATLAB 非常相似。pyplot 模块提供了可以用来绘图的各种函数，比如创建一个画布，在画布中创建一个绘图区域，或是在绘图区域添加一些线、标签等。主要如下：

matplotlib绘图示例

import matplotlib.pyplot as plt
import random
# 通过折线图展示温度变化
# 准备数据
x = range(60)
y_shanghai = [random.uniform(15, 18) for i in x]
# 创建画布
plt.figure(figsize=(20, 8), dpi=80)
# 构造x轴刻度标签
x_ticks_label = ["11:{}".format(i) for i in x]
# 构造y轴刻度
y_ticks = range(40)
# 修改x,y轴坐标的刻度显示
plt.xticks(x[::5], x_ticks_label[::5])
plt.yticks(y_ticks[::5])
# 添加网格显示
plt.grid(True, linestyle='--', alpha=0.5)
# 添加x轴、y轴描述信息及标题
plt.xlabel("time")
plt.ylabel("temperature")
plt.title("Temperature variation chart", fontsize=20)
# 绘制折线图
plt.plot(x, y_shanghai)
# 保存图片到指定路径 plt.show()会释放figure资源，如果在显示图像之后保存图片将只能保存空图片。
# plt.savefig("test.png")
# 显示图像
plt.show()

我们也可以通过参数设置线的风格

图书推荐

在人工智能时代，如何尽快掌握人工智能的核心—深度学习呢？相信这是每个欲进入此领域的人面临的主要问题。目前，深度学习框架很多，如TensorFlow、PyTorch、Keras、FastAI、CNTK等。面对众多的深度学习框架，初学者应如何选择？哪个框架既易于上手，又在工业界有广泛应用？毫无疑问，PyTorch是不二之选。一方面，PyTorch天然与Python结合，大大降低了深度学习的门槛；另一方面，它的流行度仅次于TensorFlow，而且有赶超之势，但是上手难度却比TensorFlow低很多。如果你是一位初学者，建议你选择PyTorch，待有了一定的基础之后，可以学习其他框架，如TensorFlow、CNTK等。

下面推荐一本能够指导读者快速掌握PyTorch和深度学习的著作，从PyTorch的原理到应用，从深度学习到强化学习，该书提供了全栈解决方案。

书名：《Python深度学习：基于PyTorch 第2版》