Matplotlib是一個Python語言的2D繪相簿，它支援各種平臺，並且功能強大，能夠輕易繪製出各種專業的影像。本文是對它的一個入門教程。
執行環境
由於這是一個Python語言的軟體包，因此需要你的機器上首先安裝好Python語言的環境。關於這一點，請自行在網路上搜尋獲取方法。
關於如何安裝Matplotlib請參見這裡：Matplotlib Installing。
筆者推薦大家通過pip的方式進行安裝，具體方法如下：
|
1 2 |
sudo pip3 install matplotlib |
本文中的原始碼和測試資料可以在這裡獲取：matplotlib_tutorial
本文的程式碼示例會用到另外一個Python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，參見這裡：Python 機器學習庫 NumPy 教程。
本文的程式碼在如下環境中測試：
- 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指令碼
- IPython shell
- Jupyter notebook
- Web應用伺服器
- 使用者圖形介面工具包
使用Matplotlib，能夠的輕易生成各種型別的影像，例如：直方圖，波譜圖，條形圖，散點圖等。並且，可以非常輕鬆的實現定製。
入門程式碼示例
下面我們先看一個最簡單的程式碼示例，讓我們感受一下Matplotlib是什麼樣的：
|
1 2 3 4 5 6 7 8 9 |
# 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：
- 通過
np.arange(100, 201)生成一個[100, 200]之間的整數陣列，它的值是：[100, 101, 102, … , 200] - 通過
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 - 通過
plt.show()將這個圖形顯示出來
這段程式碼非常的簡單，執行起來也是一樣。如果你已經有了本文的執行環境，將上面的程式碼儲存到一個文字檔案中（或者通過Github獲取本文的原始碼），然後通過下面的命令就可以在你自己的電腦上看到上面的圖形了:
|
1 2 |
python3 test.py |
注1：後面的教程中，我們會逐步講解如何定製圖中的每一個細節。例如：座標軸，圖形，著色，線條樣式，等等。
注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。
可以通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，我們也可以通過plt.figure()建立更多個。如下面的程式碼所示：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
# 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：
注：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。下面是一段程式碼示例：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
# 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函式之外都是我們熟悉的內容。subplot函式的前兩個引數指定了subplot數量，即：它們是以矩陣的形式來分割當前圖形，兩個整數分別指定了矩陣的行數和列數。而第三個引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。
|
1 2 |
plt.subplot(2, 1, 1) |
下面這行程式碼指的是：2行1列subplot中的第2個subplot。
|
1 2 |
plt.subplot(2, 1, 2) |
所以這段程式碼的結果是這個樣子：
subplot函式的引數不僅僅支援上面這種形式，還可以將三個整數（10之內的）合併一個整數。例如：2, 1, 1可以寫成211，2, 1, 2可以寫成212。
因此，下面這段程式碼的結果是一樣的：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
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函式的詳細說明參見這裡：matplotlib.pyplot.subplot
常用圖形示例
Matplotlib可以生成非常多的圖形式樣，多到令人驚歎的地步。大家可以在這裡：Matplotlib Gallery 感受一下。
本文作為第一次的入門教程，我們先來看看最常用的一些圖形的繪製。
線性圖
前面的例子中，線性圖的橫軸的點都是自動生成的，而我們很可能希望主動設定它。另外，線條我們可能也希望對其進行定製。看一下下面這個例子：
|
1 2 3 4 5 6 7 8 9 |
# 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() |
這段程式碼可以讓我們得到這樣的圖形：
這段程式碼說明如下：
plot函式的第一個陣列是橫軸的值，第二個陣列是縱軸的值，所以它們一個是直線，一個是折線；- 最後一個引數是由兩個字元構成的，分別是線條的樣式和顏色。前者是紅色的直線，後者是綠色的點線。關於樣式和顏色的說明請參見
plot函式的API Doc：matplotlib.pyplot.plot
散點圖
scatter函式用來繪製散點圖。同樣，這個函式也需要兩組配對的資料指定x和y軸的座標。下面是一段程式碼示例：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 |
# 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() |
這段程式碼說明如下：
- 這幅圖包含了三組資料，每組資料都包含了20個隨機座標的位置
- 引數
c表示點的顏色，s是點的大小，alpha是透明度
這段程式碼繪製的圖形如下所示：
scatter函式的詳細說明參見這裡：matplotlib.pyplot.scatter
餅狀圖
pie函式用來繪製餅狀圖。餅狀圖通常用來表達集合中各個部分的百分比。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
# 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() |
這段程式碼說明如下：
data是一組包含7個資料的隨機數值- 圖中的標籤通過
labels來指定 autopct指定了數值的精度格式plt.axis('equal')設定了座標軸大小一致plt.legend()指明要繪製圖例（見下圖的右上角）
這段程式碼輸出的圖形如下所示：
pie函式的詳細說明參見這裡：matplotlib.pyplot.pie
條形圖
bar函式用來繪製條形圖。條形圖常常用來描述一組資料的對比情況，例如：一週七天，每天的城市車流量。
下面是一個程式碼示例：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
# 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() |
這段程式碼說明如下：
- 這幅圖展示了一組包含7個隨機數值的結果，每個數值是[0, 100]的隨機數
- 它們的顏色也是通過隨機數生成的。
np.random.rand(N * 3).reshape(N, -1)表示先生成21（N x 3）個隨機數，然後將它們組裝成7行，那麼每行就是三個數，這對應了顏色的三個組成部分。如果不理解這行程式碼，請先學習一下Python 機器學習庫 NumPy 教程 title指定了圖形的標題，labels指定了標籤，alpha是透明度
這段程式碼輸出的圖形如下所示：
bar函式的詳細說明參見這裡：matplotlib.pyplot.bar
直方圖
hist函式用來繪製直方圖。直方圖看起來是條形圖有些類似。但它們的含義是不一樣的，直方圖描述了資料中某個範圍內資料出現的頻度。這麼說有些抽象，我們通過一個程式碼示例來描述就好理解了：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
# 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() |
上面這段程式碼中，[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含了三個陣列的陣列，這其中：
- 第一個陣列包含了3000個隨機數，這些隨機數的範圍是 [0, 3000)
- 第二個陣列包含了4000個隨機數，這些隨機數的範圍是 [0, 4000)
- 第三個陣列包含了5000個隨機數，這些隨機數的範圍是 [0, 5000)
bins陣列用來指定我們顯示的直方圖的邊界，即：[0, 100) 會有一個資料點，[100, 500)會有一個資料點，以此類推。所以最終結果一共會顯示7個資料點。同樣的，我們指定了標籤和圖例。
這段程式碼的輸出如下圖所示：
在這幅圖中，我們看到，三組資料在3000以下都有資料，並且頻度是差不多的。但藍色條只有3000以下的資料，橙色條只有4000以下的資料。這與我們的隨機陣列資料剛好吻合。
hist函式的詳細說明參見這裡：matplotlib.pyplot.hist
結束語
通過本文，我們已經知道了Matplotlib的大致使用方法和幾種最基本的圖形的繪製方式。
需要說明的是，由於是入門教程，因此本文中我們只給出了這些函式和圖形最基本的使用方法。但實際上，它們的功能遠不止這麼簡單。因此本文中我們貼出了這些函式的API地址以便讀者進一步的研究。
在後面的文章中，我們會看到更多深入的內容，敬請期待。