手把手教你用Matplotlib进行数据可视化

古城微笑少年丶 2022-12-28 12:34 338阅读 0赞

![format_png][]

**导读：**Matplotlib是建立在NumPy数组上的一个多平台数据可视化库。在2002年，约翰·亨特（John Hunter）提出Matplotlib，最初的构思是设计为IPython的一个补丁，以便能够从命令行启用交互式MATLAB样式绘图。

近几年，更新、更炫酷的工具（例如，R语言中的ggplot和ggvis）层出不穷，最终取代了Matplotlib，可是**Matplotlib仍然是一个经过良好测试的、非常重要的跨平台图形引擎。**

作者：阿迪蒂亚·夏尔马（Aditya Sharma）、维什韦什·拉维·什里马利（Vishwesh Ravi Shrimali）、迈克尔·贝耶勒（Michael Beyeler）

来源：大数据DT（ID：hzdashuju）

![format_png 1][]

**01 导入Matplotlib**

如果你安装了完整的Python Anaconda，那么你已经安装了Matplotlib，可以开始了。否则，你可能要访问官网获取安装说明。

http://matplotlib.org

就像我们用缩写np来表示NumPy一样，我们也会用一些标准的缩写来表示Matplotlib导入：

import matplotlib as mpl

import matplotlib.pyplot as plt

plt是我们最常用的一个接口。

**02 生成一个简单的图形**

言归正传，让我们创建第一个图形。

假设我们要绘制正弦函数sin(x)的一个简单线图。我们希望函数求x轴（0≤x≤10）上的所有值。我们将使用NumPy的linspace函数在x轴上创建一个线性空间，x值从0到10，共100个样本点：

import numpy as np

x = np.linspace(0, 10, 100)

我们可以使用NumPy的sin函数求sin函数的所有x值，并通过调用plt的plot函数可视化结果：

plt.plot(x, np.sin(x))

你亲自试过了吗？发生什么了？有什么发现吗？

问题是，这取决于你在何处运行这个脚本，你可能什么都看不到。以下是可以考虑的可能性：

**1. 从.py脚本绘图**

如果你正从一个脚本运行matplotlib，那么你只需要调用plt，如下所示：

plt.show()

调用后，图形就会显示出来！

**2. 从IPython shell绘图**

这实际上是以交互方式运行matplotlib的最便捷的方式之一。要显示绘图，你需要在启动IPython之后，调用%matplotlib魔术命令：

%matplotlib
    Using matplotlib backend: Qt5Agg

import matplotlib.pyplot as plt

然后，所有图都会自动显示出来，不必每次都调用plt.show()。

**3. 从Jupyter Notebook绘图**

如果你从基于浏览器的Jupyter Notebook上查看这段代码，你需要使用同样的%matplotlib魔术命令。可是，你还可以选择将图形直接嵌入notebook中，这有两种可能的结果：

*  %matplotlib notebook将生成的交互式图嵌入notebook中。
 *  %matplotlib inline将生成的静态图嵌入notebook中。

我们通常会选择内联选项：

%matplotlib inline

现在，让我们再试一次：

plt.plot(x, np.sin(x))

上述命令给出的输出如图2-4所示。

![format_png 2][]

▲图2-4 应用内联选项生成的图

稍后，如果你想保存图表，可以直接从IPython或Jupyter Notebook的选项中保存：

plt.savefig('figures/02.03-sine.png')

只要保证使用所支持的文件后缀即可，例如.jpg、.png、.tif、.svg、.eps或者.pdf。

在导入matplotlib之后，运行plt.style.use(style\_name)，你可以更改绘图的样式。在plt.style.available中列出了所有可用的样式。例如，试试plt.style.use('fivethirtyeight')、plt.style.use('ggplot')或者plt.style.use('seaborn-dark')。为了增加乐趣，可以运行plt.xkcd()，再尝试绘制其他内容。

**03 可视化外部数据集的数据**

作为本文的最后一个测试，让我们可视化一些来自外部数据集的数据，例如scikit-learn的digits数据集。

具体来说，我们将需要3个可视化工具：

*  用于实际数据的scikit-learn
 *  用于数据处理的NumPy
 *  Matplotlib

首先，让我们导入所有这些可视化工具：

import numpy as np
    from sklearn import datasets
    import matplotlib.pyplot as plt
    %matplotlib inline

第一步是实际加载数据：

digits = datasets.load_digits()

如果我们没有记错的话，digits应该有2个不同的字段：一个是data字段，包含实际的图像数据；另一个是target字段，包含图像标签。

与其相信我们的记忆，不如让我们研究一下digits对象。这通过输入字段名称、添加句点、再按下Tab键—digits.<TAB>来实现。这会显示出digits对象还包含了一些其他字段，例如一个名为images的字段。images和data这2个字段似乎只是形状不同：

print(digits.data.shape)
    print(digits.images.shape)

输出结果：

(1797, 64)
    (1797, 8, 8)

在这两个例子中，第一维都对应于数据集中的图像数。但是data将所有像素排列在一个大的向量中，而images则保留了每个图像的8×8空间排列。

因此，如果我们想绘制单张图像，images字段可能更合适。首先，使用NumPy的数组切割，从数据集中抓取一张图像：

img = digits.images[0, :, :]

这里，我们说想要抓取长为1797项的数组中的第一行，以及所有对应的8×8=64个像素。然后，我们可以使用plt的imshow函数绘制图像：

plt.imshow(img, cmap='gray')
    plt.savefig('figures/02.04-digit0.png')

上述命令给出的输出如图2-5所示。请注意，图像是模糊的，因为我们将该图像调整到了更大的尺寸。原始图像的大小只有8×8。

![format_png 3][]

▲图2-5 生成单张图像的示例结果

此外，我们还可以使用cmap参数指定一个彩图。在默认情况下，Matplotlib使用MATLAB的默认彩图jet。可是，对于灰度图像，gray彩图更有意义。

最后，我们可以利用plt的subplot函数绘制一组数字样本。subplot函数与在MATLAB中一样，我们指定行数、列数以及当前子图的索引（从1开始）。我们将使用一个for循环遍历数据集中的前10个图像，每个图像都有自己的子图：

plt.figure(figsize=(14, 4))
    
    for image_index in range(10):
        # images are 0-indexed, subplots are 1-indexed
        subplot_index = image_index + 1
        plt.subplot(2, 5, subplot_index)
        plt.imshow(digits.images[image_index, :, :], cmap='gray')

生成的输出如图2-6所示。

![format_png 4][]

▲图2-6 生成包含10个数字的一组子图

对于各种数据集，另一个很好的资源是本书作者迈克尔·贝耶勒的母校加州大学欧文分校的机器学习资源库：

http://archive.ics.uci.edu/ml/index.php

**关于作者：阿迪蒂亚·夏尔马**（Aditya Sharma），罗伯特·博世（Robert Bosch）公司的一名高级工程师，致力于解决真实世界的自动计算机视觉问题。曾获得罗伯特·博世公司2019年人工智能编程马拉松的首名。

**维什韦什·拉维·什里马利**（Vishwesh Ravi Shrimali），于2018年毕业于彼拉尼博拉理工学院（BITS Pilani）机械工程专业。此后一直在BigVision LLC从事深度学习和计算机视觉方面的工作，还参与了官方OpenCV课程的创建。

**迈克尔·贝耶勒**（Michael Beyeler），是华盛顿大学神经工程和数据科学的博士后研究员，致力于仿生视觉的计算模型研究，以为盲人植入人工视网膜（仿生眼睛），改善盲人的感知体验。他的工作属于神经科学、计算机工程、计算机视觉和机器学习的交叉领域。

本文摘编自《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》，经出版方授权发布。

延伸阅读《机器学习》

点击上图了解及购买

转载请联系微信：DoctorData

**推荐语：**保姆级OpenCV入门实战手册——“蝴蝶书”全新升级！通过具体的编程实践案例，介绍最新OpenCV 4版本所提供的大量新特性和平台改进。通过书中提供的用例代码，你可以快速熟悉并掌握机器学习领域的相关知识，掌握使用OpenCV 4构建智能计算机视觉应用程序所需要的机器学习技能。

![音符][format_png 5]

**划重点????**

**干货直达????**

*  [详解华为12种数据采集技术及应用实践][12]  
    
 *  [如何让图表更有说服力？6大准则和1个经典案例给你讲明白][6_1]  
    
 *  [Python循环语句代码逐行详解：while、for、break和continue][Python_while_for_break_continue]  
    
 *  [手把手教你用Python的NumPy包处理数据][Python_NumPy]

**更多精彩****????**

在公众号对话框输入以下**关键词**

查看更多优质内容！

**PPT** | **读书** | **书单** | **硬核** | **干货**** **| **讲明白 **|** 神操作**

**大数据** | **云计算** | **数据库** | **Python** | **可视化**

**AI** | **人工智能** | **机器学习** | **深度学习** | **NLP**

**5G**** **|** 中台 **|** 用户画像**** **| **1024** | **数学 **|** 算法 **| **数字孪生**

据统计，99%的大咖都完成了这个神操作

**????**

![format_png 6][]

![format_png 7][]

[format_png]: /images/20221120/952e730a23854a2fb8bed4ffea11cb0b.png
[format_png 1]: /images/20221120/1d905572a15a45a59615044411897b18.png
[format_png 2]: /images/20221120/2f6b11bb6d88421d926584ea0e8896aa.png
[format_png 3]: /images/20221120/1afd024c848a4827a3de4a28883beda7.png
[format_png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9MU09qeWliNWdpYVZkRk56ekwyc2FqcHhrNVNpYVlXUFRQM3hOZVY5eWFpY2dhODBpYmFENXlLeWpkOWNqaHlqcFBVaWNieGZoYThjb0ppY3FrTzR0ZkFuc2lhMGtBLzY0MA?x-oss-process=image/format,png
[format_png 5]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6L2NaVjJoUnB1QVBpYUpRWFdHeUM5d3JVeklpY2liZ1hheXJnaWJUWWFyVDNBMXl6dHRidGFPMEpsVjIxd01xcm9HWVQzUXRQcTJDN0hNWXN2aWNTQjJwN2RUQmcvNjQw?x-oss-process=image/format,png
[12]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8cd92cdbfb503a29a3aceb329c13f3a216b8e50a7c0f2efc9210977cc595ec57566d2e969d&idx=1&mid=2247520448&scene=21&sn=c86e143a1b70bc37de42f8a71b7baec7#wechat_redirect
[6_1]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8cd952dbfb5044d073b7fadfd28b5bd1c6e8f0e407f45d63666d24594dd2795c5491bba3de&idx=3&mid=2247520446&scene=21&sn=2438eaa2ced66df0ef367325284a567e#wechat_redirect
[Python_while_for_break_continue]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8cc60ddbfb4f1bf2e9e249ca948e18246da53377d7d285bbbc73c90fb2028efcd1a018c207&idx=2&mid=2247520225&scene=21&sn=5b6609961f7c62e0bb941c868ae45870#wechat_redirect
[Python_NumPy]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8cc692dbfb4f84b8d4ec47443a24ca48ae8de046f9c5d54565e57298f7c649c4417f5c98ae&idx=2&mid=2247520126&scene=21&sn=fac18dc004c6d7c6adbdce54b499fb04#wechat_redirect
[format_png 6]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2dpZi9MU09qeWliNWdpYVZkUFFyOEtxQllFaHlvS2RNc2cwRWxPRjFrMmVOd2dpY2NnanBWbmNWaWJzRGljUk9pY2p2SVpTRndPR0FkM250UzNYQWlhS1U3ME1QSW0wVncvNjQw?x-oss-process=image/format,png
[format_png 7]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9MU09qeWliNWdpYVZkR2JGdk8wSXRRRDFkM29GaWNPc0hMNFZ6WDFqOHpHTExTaWEzWm9EcHBhRldBRUFZM2VPamlhSkZSZnpaR3BCNXEzendLRlNVb2JMekhnLzY0MA?x-oss-process=image/format,png