前置機器學習（五）：30分鐘掌握常用Matplotlib用法

CaiYongji發表於2020-12-25

Matplotlib 是建立在NumPy基礎之上的Python繪相簿，是在機器學習中用於資料視覺化的工具。

我們在前面的文章講過NumPy的用法，這裡我們就不展開討論NumPy的相關知識了。
Matplotlib具有很強的工具屬性，也就是說它只是為我所用的，我們不必花太多的精力去精進它。我們只需要知道它可以做那些事，可以繪製哪些圖形，有一個印象就足夠了。我們在實際使用中用什麼拿什麼，我們用到了自然就熟練了，用不到的功能也就說明它對你沒什麼用。
這就是按需學習(Learn on Demand) 。這點我在《如何成為十倍速程式設計師》裡提到過類似的理念。

一、Matplotlib常見用法

1. 繪製簡單影像

我們以機器學習中最常見的啟用函式sigmoid舉例，我們來繪製它。

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-10,10,1000)
y = 1 / (1 + np.exp(-x))
plt.plot(x,y)
plt.show()

其中sigmoid的公式為： $y = f(x) =\frac{1}{1+e^{-x}}$
plot()方法展示變數間的趨勢，show()方法展示影像。
我們得到如圖所示影像：

2. 新增常用元素

我們新增一些參考元素，各函式的解釋我在程式碼中進行了詳細的標註。

x = np.linspace(-10,10,1000)

#寫入公式
y = 1 / (1 + np.exp(-x))

#x軸範圍限制
plt.xlim(-5,5)

#y軸範圍限制
plt.ylim(-0.2,1.2)

#x軸新增標籤
plt.xlabel("X axis")

#y軸新增標籤
plt.ylabel("Y axis")

#標題
plt.title("sigmoid function")

#設定網格，途中紅色虛線
plt.grid(linestyle=":", color ="red")

#設定水平參考線
plt.axhline(y=0.5, color="green", linestyle="--", linewidth=2)

#設定垂直參考線
plt.axvline(x=0.0, color="green", linestyle="--", linewidth=2)

#繪製曲線
plt.plot(x,y)

#儲存影像
plt.savefig("./sigmoid.png",format='png', dpi=300)

以上程式碼包含了限制X、Y軸範圍，新增標題和標籤，設定網格，新增參考線，儲存影像等內容。
繪製影像如下：

3. 繪製多曲線

#生成均勻分佈的1000個數值
x = np.linspace(-10,10,1000)

#寫入sigmoid公式
y = 1 / (1 + np.exp(-x))
z = x**2
plt.xlim(-2,2)
plt.ylim(0,1)

#繪製sigmoid
plt.plot(x,y,color='#E0BF1D',linestyle='-', label ="sigmoid")

#繪製y=x*x
plt.plot(x,z,color='purple',linestyle='-.', label = "y=x*x")

#繪製legend，即下圖角落的圖例
plt.legend(loc="upper left")

#展示
plt.show()

繪製多影像直接呼叫多個plot()即可。注意：如果不呼叫legend()方法，不會繪製左上角的legend（圖例）。其中color引數支援hex表示。

4. 認識figure(畫布)

首先我們認識figure(畫布)，比如legend我們在上文中提到過，是線條標籤的展示。grid所圈住的虛線是網格參考線。Title/x axislabel等文字標籤。
這張圖有助於我們對figure有一個值觀的理解。

5. 繪製多影像

一個figure是可以對應多個plot的，現在我們試著在一個figure上繪製多影像。

x = np.linspace(-2*np.pi, 2*np.pi, 400)
y = np.sin(x**2)
z = 1 / (1 + np.exp(-x))
a = np.random.randint(0,100,400)
b = np.maximum(x,0.1*x)

#建立兩行兩列的子影像
fig, ax_list = plt.subplots(nrows=2, ncols=2)

# 'r-'其中r表示color=red，-表示linestyle='-'
ax_list[0][0].plot(x,y,'r-')
ax_list[0][0].title.set_text('sin')

ax_list[0][1].scatter(x,a,s=1)
ax_list[0][1].title.set_text('scatter')

ax_list[1][0].plot(x,b,'b-.')
ax_list[1][0].title.set_text('leaky relu')

ax_list[1][1].plot(x,z,'g')
ax_list[1][1].title.set_text('sigmoid')

#調整子影像的佈局
fig.subplots_adjust(wspace=0.9,hspace=0.5)
fig.suptitle("Figure graphs",fontsize=16)

其中，最關鍵的是subplots方法，生成2行2列的子影像，然後我們呼叫ax_list中的各繪圖方法。
其中'r-'，'b-.'引數為繪圖的縮寫寫法，本文後續引數縮寫段落會單獨講解。

6. 繪製常用圖

我們常用圖來表示資料之間的關係，常見的圖包括直方圖、柱狀圖、餅圖、散點圖等等。

#使繪圖支援中文
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
#建立兩行兩列的子影像
fig, [[ax1,ax2],[ax3,ax4],[ax5,ax6]] = plt.subplots(nrows=3, ncols=2,figsize=(8,8))

#繪製柱狀圖bar
value = (2, 3, 4, 1, 2)
index = np.arange(5)
ax1.bar(index, value,alpha=0.4, color='b')
ax1.set_xlabel('Group')
ax1.set_ylabel('Scores')
ax1.set_title('柱狀圖')

#繪製直方圖histogram
h = 100 + 15 * np.random.randn(437)
ax2.hist(h, bins=50)
ax2.title.set_text('直方圖')

#繪製餅圖pie
labels = 'Frogs', 'Cai', 'Yongji', 'Logs'
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0)
ax3.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
        shadow=True, startangle=90)
ax3.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.
ax3.title.set_text('餅圖')

#繪製棉棒圖stem
x = np.linspace(0.5, 2*np.pi, 20)
y = np.random.randn(20)
ax4.stem(x,y, linefmt="-.", markerfmt="o", basefmt='-')
ax4.set_title("棉棒圖")

#繪製氣泡圖scatter
a = np.random.randn(100)
b = np.random.randn(100)
ax5.scatter(a, b, s=np.power(2*a+4*b,2), c=np.random.rand(100), cmap=plt.cm.RdYlBu, marker="o")

#繪製極線圖polar
fig.delaxes(ax6)

ax6 = fig.add_subplot(236, projection='polar')
#ax6 = fig.add_subplot(2,3,6, projection='polar')#2行，3列，第6個圖
r = np.arange(0, 2, 0.01)
theta = 2 * np.pi * r
ax6.plot(theta, r)
ax6.set_rmax(2)
ax6.set_rticks([0.5, 1, 1.5, 2])  # Less radial ticks
ax6.set_rlabel_position(-22.5)  # Move radial labels away from plotted line
ax6.grid(True)

#調整子影像的佈局
fig.subplots_adjust(wspace=1,hspace=1.2)
fig.suptitle("圖形繪製",fontsize=16)

繪製影像如下：

7. 引數簡寫

因為matplotlib支援引數的縮寫，所以我認為有必要單獨拿出來講一講各引數縮寫的表示。

x = np.linspace(-10,10,20)
y = 1 / (1 + np.exp(-x))
plt.plot(x,y,c='k',ls='-',lw=5, label ="sigmoid", marker="o", ms=15, mfc='r')
plt.legend()

繪製影像如下：

7.1 c代表color(顏色)

字元	顏色
‘b’	blue
‘g’	green
‘r’	red
‘c’	cyan
‘m’	magenta
‘y’	yellow
‘k’	black
‘w’	white

7.2 ls代表linestyle(線條樣式)

字元	描述
'-'	solid line style
'--'	dashed line style
'-.'	dash-dot line style
':'	dotted line style
'.'	point marker
','	pixel marker
'o'	circle marker
'v'	triangle_down marker
'^'	triangle_up marker
'<'	triangle_left marker
'>'	triangle_right marker
'1'	tri_down marker
'2'	tri_up marker
'3'	tri_left marker
'4'	tri_right marker
's'	square marker
'p'	pentagon marker
'*'	star marker
'h'	hexagon1 marker
'H'	hexagon2 marker
'+'	plus marker
'x'	x marker
'D'	diamond marker
'd'	thin_diamond marker
'\|'	vline marker
'_'	hline marker

7.3 marker(記號樣式)

記號樣式展示如下：

7.4 其他縮寫

lw代表linewidth(線條寬度)，如：lw=2.5
ms代表markersize（記號尺寸），如：ms=5
mfc代表markerfacecolor（記號顏色），如：mfc='red'

二、Matplotlib進階用法

1. 新增文字註釋

我們可以在畫布(figure)上新增文字、箭頭等標註，來讓影像表述更清晰準確。
我們通過呼叫annotate方法來繪製註釋。

fig, ax = plt.subplots(figsize=(8, 8))

t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)

# 繪製一條曲線
line, = ax.plot(t, s)

#新增註釋
ax.annotate('figure pixels',
            xy=(10, 10), xycoords='figure pixels')
ax.annotate('figure points',
            xy=(80, 80), xycoords='figure points')
ax.annotate('figure fraction',
            xy=(.025, .975), xycoords='figure fraction',
            horizontalalignment='left', verticalalignment='top',
            fontsize=20)

#第一個箭頭
ax.annotate('point offset from data',
            xy=(2, 1), xycoords='data',
            xytext=(-15, 25), textcoords='offset points',
            arrowprops=dict(facecolor='black', shrink=0.05),
            horizontalalignment='right', verticalalignment='bottom')

#第二個箭頭
ax.annotate('axes fraction',
            xy=(3, 1), xycoords='data',
            xytext=(0.8, 0.95), textcoords='axes fraction',
            arrowprops=dict(facecolor='black', shrink=0.05),
            horizontalalignment='right', verticalalignment='top')

ax.set(xlim=(-1, 5), ylim=(-3, 5))

繪製影像如下：

2. 繪製3D影像

繪製3D影像需要匯入Axes3D庫。

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
from matplotlib import cm
from matplotlib.ticker import LinearLocator, FormatStrFormatter
import numpy as np


fig = plt.figure(figsize=(15,15))
ax = fig.gca(projection='3d')

# Make data.
X = np.arange(-5, 5, 0.25)
Y = np.arange(-5, 5, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)

# Plot the surface.
surf = ax.plot_surface(X, Y, Z, cmap=cm.coolwarm,
                       linewidth=0, antialiased=False)

# Customize the z axis.
ax.set_zlim(-1.01, 1.01)
ax.zaxis.set_major_locator(LinearLocator(10))
ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))

# Add a color bar which maps values to colors.
fig.colorbar(surf, shrink=0.5, aspect=5)

其中cmap意為colormap，用來繪製顏色分佈、漸變色等。cmap通常配合colorbar使用，來繪製影像的顏色欄。

3. 匯入影像（加州房價）

引入mpimg庫，來匯入影像。
我們以美國加州房價資料為例，匯入加州房價資料繪製散點圖，同時匯入加州地圖圖片，檢視地圖經緯度對應房價的資料。同時使用顏色欄，繪製熱度影像。
程式碼如下：

import os
import urllib
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.image as mpimg

#加州房價資料(大家不用在意域名)
housing = pd.read_csv("http://blog.caiyongji.com/assets/housing.csv")
#加州地圖
url = "http://blog.caiyongji.com/assets/california.png"
urllib.request.urlretrieve("http://blog.caiyongji.com/assets/california.png", os.path.join("./", "california.png"))
california_img=mpimg.imread(os.path.join("./", "california.png"))

#根據經緯度繪製房價散點圖
ax = housing.plot(kind="scatter", x="longitude", y="latitude", figsize=(10,7),
                       s=housing['population']/100, label="Population",
                       c="median_house_value", cmap=plt.get_cmap("jet"),
                       colorbar=False, alpha=0.4,
                      )
plt.imshow(california_img, extent=[-124.55, -113.80, 32.45, 42.05], alpha=0.5,
           cmap=plt.get_cmap("jet"))
plt.ylabel("Latitude", fontsize=14)
plt.xlabel("Longitude", fontsize=14)

prices = housing["median_house_value"]
tick_values = np.linspace(prices.min(), prices.max(), 11)

#顏色欄，熱度地圖
cbar = plt.colorbar(ticks=tick_values/prices.max())
cbar.ax.set_yticklabels(["$%dk"%(round(v/1000)) for v in tick_values], fontsize=14)
cbar.set_label('Median House Value', fontsize=16)
v
plt.legend(fontsize=16)

繪製影像如下：
紅色昂貴，藍色便宜，圓圈大小表示人口多少

4. 繪製等高線

等高線對於在二維空間內繪製三維影像很有用。

def f(x, y):
    return np.sin(x) ** 10 + np.cos(10 + y * x) * np.cos(x)

x = np.linspace(0, 5, 50)
y = np.linspace(0, 5, 40)

X, Y = np.meshgrid(x, y)
Z = f(X, Y)
plt.contourf(X, Y, Z, 20, cmap='RdGy')
plt.colorbar()

繪製影像如下：
黑色地方是峰，紅色地方是谷。

繪製動畫

繪製動畫需要引入animation庫，通過呼叫FuncAnimation方法來實現繪製動畫。

import numpy as np
from matplotlib import pyplot as plt
from matplotlib import animation

fig = plt.figure()
ax = plt.axes(xlim=(0, 2), ylim=(-2, 2))
line, = ax.plot([], [], lw=2)

# 初始化方法
def init():
    line.set_data([], [])
    return line,

# 資料更新方法，週期性呼叫
def animate(i):
    x = np.linspace(0, 2, 1000)
    y = np.sin(2 * np.pi * (x - 0.01 * i))
    line.set_data(x, y)
    return line,

#繪製動畫，frames幀數，interval週期行呼叫animate方法
anim = animation.FuncAnimation(fig, animate, init_func=init,
                               frames=200, interval=20, blit=True)
anim.save('ccccc.gif', fps=30)

plt.show()

上述程式碼中anim.save()方法支援儲存mp4格式檔案。
繪製動圖如下：

結語

到此，前置機器學習系列就結束了，我們已經為上手機器學習做足了準備。檢視完整《前置機器學習系列》請關注公眾號【caiyongji】或訪問我的個人部落格blog.caiyongji.com同步更新。
大家可能發現了，我的教程中偏向實踐的方向更多。接下來的機器學習系列教程也會更多的偏向於實際使用，而非理論方向。

對數學畏懼的同學不要慌，跟著我慢慢學就好。

前置機器學習（三）：30分鐘掌握常用NumPy用法
2020-12-06
機器學習
前置機器學習（四）：一文掌握Pandas用法
2020-12-13
機器學習
五個常用的機器學習python庫!
2021-06-21
機器學習Python
【火爐煉AI】機器學習028-五分鐘教你打造機器學習流水線
2018-09-10
AI機器學習
Docker下，五分鐘極速體驗機器學習
2022-10-02
Docker機器學習
五分鐘學Java：如何學習Java面試必考的JVM虛擬機器
2020-03-19
Java面試JVM虛擬機
一文掌握5種常用的機器學習模型及其優缺點
2020-09-15
機器學習模型
機器學習(一)：5分鐘理解機器學習並上手實踐
2021-01-16
機器學習
五分鐘學後端技術：如何學習Java工程師必須掌握的RPC
2020-03-30
後端Java工程師RPC
掌握Mainframe系列之 10分鐘學習COBOL
2020-12-06
AI
【機器學習】帶你3分鐘看完《機器學習實戰》總結篇
2018-03-10
機器學習
機器學習強化下，機器人將掌握工具的使用
2019-04-18
機器學習機器人
五分鐘掌握 JavaScript 中的 IoC
2020-04-04
JavaScript
機器學習常用的分類器比較
2018-04-02
機器學習
6分鐘瞭解所有機器學習模型
2020-09-23
機器學習模型
大資料分析/機器學習基礎之matplotlib繪圖篇
2023-11-25
大資料機器學習繪圖
33個機器學習常用資料集
2019-04-19
機器學習
分散式機器學習常用資料集
2021-11-28
分散式機器學習
機器學習筆試題精選（五）
2018-07-31
機器學習筆試
機器學習第五節第八課
2020-11-08
機器學習
機器學習第五節第九課
2020-11-09
機器學習
5分鐘內看懂機器學習和深度學習的區別
2018-09-12
機器學習深度學習
java學習(五) —— 常用API類概述
2019-01-19
JavaAPI
matplotlib 強化學習
2020-06-21
強化學習
機器學習入門 - 快速掌握邏輯迴歸模型
2019-01-15
機器學習邏輯迴歸模型
【機器學習】深度解析機器學習五大流派中主演算法精髓
2018-04-07
機器學習演算法
17個機器學習的常用演算法
2022-08-11
機器學習演算法
JVM學習筆記五--虛擬機器棧
2020-12-15
JVM筆記虛擬機
掌握這五點建議，Linux學習不再難
2022-05-26
Linux
10分鐘快速精通rollup.js——前置學習之基礎知識篇
2018-11-23
JS
【推薦】最常用的Python機器學習及深度學習庫合集！
2022-11-23
Python機器學習深度學習
10個python常用且好用的機器學習及深度學習庫!
2022-12-02
Python機器學習深度學習
【機器學習】機器學習簡介
2018-11-29
機器學習
python——Matplotlib學習筆記
2020-03-10
Python筆記
【盤點】Python機器學習常用的10個庫!
2022-07-26
Python機器學習
機器學習Sklearn系列：（五）聚類演算法
2021-07-22
機器學習聚類演算法
10分鐘快速精通rollup.js——前置學習之rollup.js外掛篇
2018-11-23
JS
僅需10分鐘：開啟你的機器學習之路
2019-05-05
機器學習

前置機器學習（五）：30分鐘掌握常用Matplotlib用法

一、Matplotlib常見用法

1. 繪製簡單影像

2. 新增常用元素

3. 繪製多曲線

4. 認識figure(畫布)

5. 繪製多影像

6. 繪製常用圖

7. 引數簡寫

7.1 c代表color(顏色)

7.2 ls代表linestyle(線條樣式)

7.3 marker(記號樣式)

7.4 其他縮寫

二、Matplotlib進階用法

1. 新增文字註釋

2. 繪製3D影像

3. 匯入影像（加州房價）

4. 繪製等高線

繪製動畫

結語

相關文章