利用Python进行数据分析——绘图和可视化(八)(1)

Python有许多可视化工具，但是我主要讲解matplotlib（http://matplotlib.sourceforge.net）。此外，还可以利用诸如d3.js（http://d3js.org/）之类的工具为Web应用构建交互式图像。

matplotlib是一个用于创建出版质量图表的桌面绘图包（主要是2D方面）。该项目是由John Hunter于2002年启动的，其目的是为Python构建一个MATLAB式的绘图接口。如果结合使用一种GUI工具包（如IPython），matplotlib还具有诸如缩放和平移等交互功能。它不仅支持各种操作系统上许多不同的GUI后端，而且还能将图片导出为各种常见的矢量（vector）和光栅（raster）图：PDF、SVG、JPG、PNG、BMP、GIF等。

matplotlib还有许多插件工具集，如用于3D图形的mplot3d以及用于地图和投影的basemap。要使用本章中的代码示例，请确保你的IPython是以Pylab模式启动的（ipython  --pylab），或通过%gui魔术命令打开了GUI事件循环集成。

1、matplotlib API入门

使用matplotlib的办法有很多种，最常用的方式是Python模式的IPython（ipython  -pylab）。这样会将IPython配置为使用你所指定的matplotlib GUI后端（Tk、wxPython、PyQt、Mac OS X native、GTK）。对大部分用户而言，默认的后端就已经够用了。Pylab模式还会向IPython引入一大堆模块和函数以提供一种更接近于MATLAB的界面。绘制一张简单的图表即可测试是否一切准备就绪：

如果一切都没有问题，就会弹出一个新窗口，其中绘制的是一条直线。你可以用鼠标或输入close()来关闭它。matplotlib API函数（如plot和close）都位于matplotlib.pyllot模块中，其通常的引入约定是：

In [2]: import matplotlib.pyplot as plt

2、Figure和Subplot

matplotlib的图像都位于Figure对象中。你可以用plt.figure创建一个新的Figure：

In [3]: fig = plt.figure()

不能通过空Figure绘图。必须用add_subplot创建一个或多个subplot才行：

In [4]: ax1 = fig.add_subplot(2, 2, 1)

这条代码的意思是：图像应该是22的，且当前选中的是4个subplot中的第一个（编号从1开始）。如果再把后面两个subplot也创建出来，最终得到的图像如下所示：

如果这时发出一条绘图命令哪个（如plt.plot([1.5, 3.5, -2, 1.6])），matplotlib就会在最后一个用过的subplot（如果没有则创建一个）上进行绘制。因此，如果我们执行下列命令，你就会得到如下所示的效果：

“k--”是一个线型选项，用于告诉matplotlib绘制黑色虚线图。上面那些由fig.add_subplot所返回的对象是AxesSubplot对象，直接调用它们的实例方法就可以在其他空着的格子里面画图了，如下所示：

In [9]: _ = ax1.hist(randn(100), bins=20, color=‘k‘, alpha=0.3)

In [10]: ax2.scatter(np.arange(30), np.arange(30) + 3 * randn(30))
Out[10]: <matplotlib.collections.PathCollection at 0xa8201cc>

你可以在matplotlib的文档中找到各种图标类型。由于根据特定布局创建Figure和subplot是一件非常常见的任务，于是便出现了一个更为方便的方法（plt.subplots），它可以创建一个新的Figure，并返回一个含有已创建的subplot对象的NumPy数组：

In [13]: fig, axes = plt.subplots(2, 3)

In [14]: axes
Out[14]: 
array([[<matplotlib.axes.AxesSubplot object at 0xa76c7ec>,
        <matplotlib.axes.AxesSubplot object at 0xae8f1ec>,
        <matplotlib.axes.AxesSubplot object at 0xb40bc8c>],
       [<matplotlib.axes.AxesSubplot object at 0xb5b7dac>,
        <matplotlib.axes.AxesSubplot object at 0xadf680c>,
        <matplotlib.axes.AxesSubplot object at 0xad6222c>]], dtype=object)

3、调整subplot周围的间距

默认情况下，matplotlib会在subplot外围留下一定的边距，并在subplot之间留下一定的间距。间距跟图像的高度和宽度有关，因此，如果你调整了图像的大小（不管是编程还是手工），间距也会自动调整。利用Figure的subplots_adjust方法可以轻而易举地修改间距，此外，它也是个顶级函数：

In [15]: subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)

不难看出，其中的轴标签重叠了。matplotlib不会检查标签是否重叠，所以对于这种情况，你只能自己设定刻度位置和刻度标签。

4、颜色、标记和线型

matplotlib的plot函数接受一组X和Y坐标，还可以接受一个表示颜色和线型的字符串缩写。例如，要根据x和y绘制绿色虚线，你可以执行如下代码：

In [18]: ax.plot(x, y, ‘g--‘)

In [19]: ax.plot(x, y, linestyle=‘--‘, color=‘g‘)

线型图还可以加上一些标记（marker），以强调实际的数据点。由于matplotlib创建的是连续的线型图（点与点之间插值），因此有时可能不太容易看出真实数据点的位置。标记也可以放到格式字符串中，但标记类型和线型必须放在颜色后面。

In [20]: plt.plot(randn(30).cumsum(), ‘ko--‘)
Out[20]: [<matplotlib.lines.Line2D at 0xb86924c>]

还可以将其写成更为明确的形式：

In [19]: plot(randn(30).cumsum(), color=‘k‘, linestyle=‘dashed‘, marker=‘o‘)

In [18]: plt.plot(randn(30).cumsum(), ‘ko--‘)
Out[18]: [<matplotlib.lines.Line2D at 0xb86924c>]

In [19]: data = randn(30).cumsum()

In [20]: plt.plot(data, ‘k--‘, label=‘Default‘)
Out[20]: [<matplotlib.lines.Line2D at 0xba62c8c>]

In [21]: plt.plot(data, ‘k--‘, drawstyle=‘steps-post‘, label=‘steps-post‘)
Out[21]: [<matplotlib.lines.Line2D at 0xba758ac>]

In [22]: plt.legend(loc=‘best‘)
Out[22]: <matplotlib.legend.Legend at 0xba75bcc>

5、刻度、标签和图例

对于大多数的图表装饰项，其主要实现方式有二：使用过程型的pyplot接口以及更为面向对象的原生matplotlib API。pyplot接口的设计目的就是交互式作用，含有诸如xlim、xticks和xticklabels之类的方法。它们分别控制图表的范围、刻度位置、刻度标签等。其使用方式有以下两种：

• 调用时不带参数，则返回当前的参数值。例如，plt.xlim()返回当前的X轴绘图范围。
• 调用时带参数，则设置参数值。因此，plt.xlim([0, 10])会将X轴的范围设置为0到10。

所有这些方法都是对当前或最近创建的AxesSubplot起作用的。它们各自对应subplot对象上的两个方法，以xlim为例，就是ax.get_xlim和ax.set_xlim。我更喜欢使用subplot的实例方法，当然你完全可以选择自己觉得方便的那个。

(1)设置标题、轴标签、刻度以及刻度标签

为了说明轴的自定义，我将创建一个简单的图像并绘制一段随机漫步：

In [23]: fig = plt.figure();

In [24]: ax = fig.add_subplot(1, 1, 1)

In [25]: ax.plot(randn(1000).cumsum())
Out[25]: [<matplotlib.lines.Line2D at 0xbc4da6c>]

要修改X轴的刻度，最简单的办法是使用set_xticks和set_xticklabels。前者告诉matplotlib要将刻度放在数据范围中的哪些位置，默认情况下，这些位置也就是刻度标签。但我们可以通过set_xticklabels将任何其他的值用作标签：

In [28]: fig = plt.figure();

In [29]: ax = fig.add_subplot(1, 1, 1)

In [30]: ax.plot(randn(1000).cumsum())
Out[30]: [<matplotlib.lines.Line2D at 0xbd4684c>]

In [31]: ticks = ax.set_xticks([0, 250, 500, 750, 1000])

In [32]: labels = ax.set_xticklabels([‘one‘, ‘two‘, ‘three‘, ‘four‘, ‘five‘], rotation=30, fontsize=‘small‘)

In [33]: ax.set_title(‘My first matplotlib plot‘)
Out[33]: <matplotlib.text.Text at 0xbd1ed0c>

In [34]: ax.set_xlabel(‘Stages‘)
Out[34]: <matplotlib.text.Text at 0xba911cc>

Y轴的修改方式与此类似，只需将上述代码中的x替换为y即可。

(2)添加图例

图例（legend）是另一种用于标识图表元素的重要工具。添加图例的方式有二。最简单的是在添加subplot的时候传入label参数：

In [35]: fig = plt.figure(); ax = fig.add_subplot(1, 1, 1)

In [36]: ax.plot(randn(1000).cumsum(), ‘k‘, label=‘one‘)
Out[36]: [<matplotlib.lines.Line2D at 0xc0e49cc>]

In [37]: ax.plot(randn(1000).cumsum(), ‘k--‘, label=‘two‘)
Out[37]: [<matplotlib.lines.Line2D at 0xc0e7e2c>]

In [38]: ax.plot(randn(1000).cumsum(), ‘k.‘, label=‘three‘)
Out[38]: [<matplotlib.lines.Line2D at 0xc0f238c>]

In [40]: ax.legend(loc=‘best‘)
Out[40]: <matplotlib.legend.Legend at 0xc0e7dcc>

利用Python进行数据分析——绘图和可视化(八)(1),古老的榕树,5-wow.com