Matplotlib Tutorial: Python Plotting
Matplotlib速查表
seaborn: 統(tǒng)計數據可視化. Seaborn 一個基于Matplotlib的Python可視化庫。為畫出美觀的統(tǒng)計圖表而提供高階API。

工作流

Matplotlib畫圖，可視化數據，分為六步：

1. 準備數據
2. 創(chuàng)建畫板（Figure、Axes）
3. 畫plot
4. 調整
5. 保存savefig
6. 展示show

注意：上面步驟是按順序執(zhí)行的，莫顛倒。

下面代碼段給出了一個完整的流程：

import matplotlib.pyplot as plt
import numpy as np
# step 1
x = np.linspace(start=0, stop=np.pi, num=100)
y = np.sin(x)
# step 2
fig = plt.figure()

ax = fig.add_subplot(111)

# step 3 & 4
ax.plot(x, y,
        color='lightblue',
        linewidth=3)

ax.scatter([x[20], x[49], x[79]], [y[20], y[49], y[79]],
            color='darkblue',
            marker='^')
# step 4
ax.set_xlim(0, np.pi)
# step 5
plt.savefig('foo.png', transparent=True)
# step 6
plt.show()

plt.cla()       # clean axis
plt.clf()       # clean figure
plt.close()     # close window

上面代碼畫出的圖如下所示：

foo.png和元素分解

Figure和Axes

上面的圖示除了正常的內容之外，額外添加了Matplotlib里面的畫圖需要理解的基本元素，即Figure和Axes。可以把Figure對象想象成一個大的畫板，若要作畫，還必須依賴坐標系Axes。一個Figure對象可以持有多個子圖，但每個子圖都需要獨立的坐標系。所以步驟二創(chuàng)建畫板，實際是在創(chuàng)建Figure對象，添加一個（或多個）坐標系（子圖）。記住，這里子圖和坐標系是同樣的概念。

在Matplotlib中創(chuàng)建子圖的方式不止一種，我這里只向大家介紹一種以免混淆。
如下代碼使用fig.add_subplot()方法創(chuàng)建了4個子圖在同一個Figure上。

fig = plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None)

ax1 = fig.add_subplot(221) # row-column-num
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(223)
ax4 = fig.add_subplot(224)

然后你就可以分別在不同的子圖上展示數據了。如果是fig.add_subplot(111)，那就只返回一個子圖（坐標系），就像第一個代碼段那樣。
上面的代碼看起來略顯繁瑣，如果你想一次創(chuàng)建一個2行2列個子圖在一個figure上，那么只需要一行代碼就可以了：

fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2)
# fig, axes = plt.subplots(nrows=2, ncols=2)
# ax1, ax2, ax3, ax4 = axes[0,0], axes[0,1], axes[1,0], axes[1,1]

上面兩種創(chuàng)建多個子圖的方法分別使用了Figure對象的add_subplot()方法和plt的subplots()方法。

• Figure.add_subplot()方法每次添加一個子圖，返回這個子圖的坐標系。
• plt.subplots()方法一次性創(chuàng)建并返回全部坐標系。
• 如果你習慣直接調用plt，并且一次只創(chuàng)建一個子圖，那么plt.subplot(nrows, ncols, plot_number)是不錯的選擇。

到此為止，給出的這些創(chuàng)建Axes的方法都涉及到subplot，與之對應的是另一種創(chuàng)建Axes的方式Figure.add_axes((left, bottom, width, height))，這個方法創(chuàng)建一個矩形區(qū)域，(left, bottom)是矩形左下角的坐標，width是矩形區(qū)域的寬度，height是矩形區(qū)域的高度，然后返回這個區(qū)域的坐標供畫圖使用。雖然都返回坐標系，但這這兩種方式，subplot和Figure.add_axes，返回的是兩種不同的坐標系對象:

• subplot返回的是matplotlib.axes._subplots.AxesSubplot，自帶網格框架
• add_axes返回的是matplotlib.axes._axes.Axes，更自由

常用的數據圖

Axes class

• ax.plot()
  matplotlib.axes.Axes.plot

• Axes.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, **kwargs)
  s是每個點的大小，當每個點的大小有意義時，特別有用，例如氣泡圖，每個氣泡面積代表大小。
  marker默認為'o'。
  alpha為點的透明度，0為透明，1為不透明。當數據之間有遮擋，但又需要顯示出來時，設置透明度，例如0.5，是個不錯的選擇。
  matplotlib.axes.Axes.scatter

• ax.bar()

• ax.barh()

• ax.axhline()

• ax.axvline()

• ax.fill()

• ax.fill_between()

• ax.arrow()

• ax.quiver()

• ax.streamplot()

• ax.hist()

• ax.boxplot()

• ax.violinplot()

• ax.imshow(img, cmap='gist_earth', interpolation='nerarest', vmin=-2, vmax=2)

調整你的數據圖

除了基本的數據圖之外，大部分情況下都需要添加更多的信息對圖表進行說明，或者協(xié)調坐標系等，使數據圖表更加美觀、一致，表達信息更加清晰易懂！
本節(jié)內容參考Matplotlib官網

顏色color c

縮寫和全稱表示顏色：
‘b’ - blue
‘g’ - green
‘r’ - red
‘c’ - cyan
‘m’ - magenta
‘y’ - yellow
‘k’ - black
‘w’ - white

十六進制字符串表示顏色：
#008000

RGB或者RGBA元組：
(0,1,0,1)

灰度階（字符串）:
'0.8'

如果你有多種類別的數據，例如10種，每種類別都需要唯一的顏色表示，這在聚類結果可視化中很常見。此時，seaborn提供了簡潔的方法創(chuàng)建類別顏色sns.palplot(sns.color_palette("hls", 10))，這個方法直接返回一個RGB顏色三元組序列，可以直接在Matplotlib需要提供顏色的時候使用。你也許在使用之前需要先展示一下這些顏色，調用sns.palplot(colors)即可。例如

sns.palplot(sns.color_palette("hls", 8))

8種類別的顏色

這個方法產生的顏色只改變顏色見的色調hue值，同時保持亮度、對比度不變，所以人眼看起來會更加舒服。

標記marker