python 绘图库Matplotlib,python画图matplotlib

　　相关学习推荐：python教程

　　先给大家介绍另一个非常有用的数据分析数据库，——matplotlib.

　　00-1010如果你在大学参加过数学建模竞赛或者用过MATLAB，你会对这个软件中的绘图功能印象深刻。MATLAB可以做出各种函数和数值分布图，非常好用方便。没用过也没关系。很高兴知道这个。MATLAB虽然好用，但毕竟是付费软件，而且和MATLAB相比，很多人更喜欢Python的语法。

　　于是MATLAB被记住了。后来大神模仿MATLAB中的画图工具，用Python开发了类似的画图工具。这就是我们今天要在这篇文章中谈论的matplotlib，它几乎不是Python，数据分析和机器学习中的使用最广泛的作图工具包。前段时间并不是美国政府做了什么事情导致MATLAB宣布在中国几所大学禁止使用MATLAB。有些人建议我们可以用Python中的一些开源工具来代替。当然，MATLAB还有很多其他强大的功能，Python不一定能取代，但至少在绘图领域是没问题的。

matplotlib简介

　　der: 1px solid #000;" data-id="heading-1">matplotlib 基本用法

matplotlib广泛流行的一个非常主要的原因就是它方便、好用，我们来看几个经典的例子就知道了，短短几行代码就可以作出质量非常高的图。

我们使用的是matplotlib这个包下的pyplot这个库，从名字上我们也看得出来它是Python库。如果你安装了Anaconda这样完整的Python包管理工具的话，那么这个包默认应该已经装好了。如果没有，可以使用pip安装一下，命令也非常简单。

pip install matplotlib复制代码

装好了包之后，我们通常的使用惯例是将它重命名成plt，所以如果你阅读一些源码以及其他大神的代码，作图的时候经常会出现plt.xxx，就是这么来的。

import matplotlib.pyplot as plt复制代码

plot当中有几种常用的作图工具，第一种是作折线图或者是曲线图的，叫做plot。第二种是作柱状图的叫做hist，第三种是作散点图的，叫做scatter，第四种是作饼状图的。除此之外还可以作一些三维的图像，但是一般日常当中使用得比较少，大部分是用来炫技的。

曲线图

plot其实是用来作曲线图的，采用的方法是描点呈现，它会将我们的数据点串联起来，成为一条光滑的曲线。当然，作折线、直线也都是可以的，最后成图的效果完全是由我们的数据决定的。

它的使用方法很简单，在最基本的用法当中，我们只需要传入两个list，分别代表x轴和y轴的值即可。比如我们要作出一个logistic的函数图像。我们可以这样：

x = np.linspace(-10, 10, 100)y = 1 / (1 + np.exp(-x))plt.plot(x, y)plt.show()复制代码

在上面的代码当中我们首先使用numpy当中的linspace函数生成了一个-10到10之间的numpy数组。这个数组当中有100个点，在-10到10之间均匀分布。我们对它计算对应的logistic函数的值，也就是。这个函数我想大家都应该很熟悉了，x是一个一百个点的list，对应的y也是一个一百个点的list。也就是说一个x对应一个y构成了一个点对，代表图中的一个坐标。

我们不需要做任何转化，只需要把这两个数组传入plt当中，它会自动替我们完成坐标的映射。最后呈现的效果如下。

我们可以看到作图的效果还是不错的，除了把图像完成的绘制出来之外，还替我们在坐标轴上画上了点位，方便我们查看数据。

直方图

hist可以用来绘制直方图，这也是我们非常常见的图像。在财经领域我们经常用直方图反应一个数据的走势，在数据分析和机器学习当中我们也经常用直方图来反应某一个特征或者是值的分布。

在直方图当中我们只需要传入一个数组，就是我们要求分布的数组，另外我们需要再输入一个参数bins，表示我们希望将数据分桶的数量。然后它会绘制出每个桶中数据数量的直方图，这样我们就可以很直观地看出分布来了。

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

这里我们调用numpy当中以正态分布概率随机的函数，得到的结果应该是正态分布的。

我们查看图像，这个结果和我们的预期基本吻合。

点状图

第三种图像叫做散点图，它反应的是每个点的分布情况。比如我们之前在介绍KNN和Kmeans模型的时候曾经都作过散点图，一个点代表一个样本，通过散点图我们观察的也是样本和数据分布的情况。但是和直方图相比它更加得直观，我们能直接看到分布，而不是一个分布的统计结果。

但是它也有缺点，缺点就是我们只能观察二维平面当中的点的分布，毕竟超过3维的维度就没办法绘制了。而且3维的数据分布也不是很好观察。

同样散点图的绘制也很简单，我们只需要调用scatter函数传入x和y的数组即可。

x = np.random.rand(100)y = np.random.rand(100)plt.scatter(x, y)复制代码

这里我们的x和y都是随机分布，所以得到的结果是散乱没有规律的点。

饼状图

最后我们来看下饼状图，饼状图也很常用，虽然也是反映的数据分布，但是它更多是体现某一个值占的比例。通过饼状图，我们可以很直观地了解到这点。

我们可以传入一个list进入pie函数，plot会根据list当中值在总体的占比绘制饼状图。我们来看个很简单的例子：

a = np.array([0.5, 0.3, 0.2, 0.1, 0.8])plt.pie(a)复制代码

得到的结果如下：

和之前的结果相比饼状图稍稍不清晰一些，因为它虽然用不同颜色区分了不同的区域的，但是我们很难直观地看出来每一个区域分别代表什么。这个问题是可以解决的，我们可以通过传入一些参数和设定来让它展示更多的信息，让数据变得更加生动以及清晰。

想了解更多编程学习，敬请关注php培训栏目！

　　

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。