九、使用 Python 进行数据可视化
原文：Data Visualization with Python
译者：飞龙
数据可视化可能意味着不同的东西。
在这里，我们将使用 Matplotlib 来处理基本的 2D 绘图，Matplotlib 是一个 Python 绘图库。
Matplotlib 非常支持一些示例，你可以用来弄清楚它是如何工作的。
在这里，我们将浏览 matplotlib 的快速介绍，其中的示例改编自官方资料。
数据可视化是一种“查看”数据，用于数据探索和数据通信的方法。
查看 matplotlibs 官方网站，包括他们的介绍教程，以及示例列表。
Pyplot vs Pylab
请注意，matplotlib 是一个旧的，非常庞大的模块，实际上有几种不同的方式来使用它。
简短版本：导入matplotlib.pyplot，就像我们在这里做的，或许是最常见的，并且会起作用！
长版本：请按照以下链接了解可以使用 matplotlib 的不同方式（pyplot，pylab 等）。
最终，它都调用相同的底层代码来访问所有内容，只是语法不同。
与 matplotlib 交互的不同方法的描述，在这里。
# 导入 matplotlib - 主要的 Python 绘图模块
import matplotlib.pyplot as plt
# 导入 numpy 函数来为绘图生成测试数据
import numpy as np
from numpy.random import rand
# 这个魔术命令直接在笔记本中绘制图形
%matplotlib inline
# 这为图形设置了更高的分辨率
%config InlineBackend.figure_format = 'retina'
折线图
# 让我们创建一些假数据来绘制
x = np.arange(0, 11)
y = x**2
# 在 matplotlib 中，我们可以制作一个图形，然后绘制它
# 生成图形
f = plt.figure()
# 要绘图，只需将 x 和 y 数据传递给绘图函数即可
plt.plot(x, y)
# [<matplotlib.lines.Line2D at 0x119df8710>]
没有任何其他信息，默认情况下 matplotlib 将添加许多绘图属性。
例如，默认情况下，我们获得了图表周围的线条，刻度线以及轴编号标签。
我们可以自定义所有这些内容，并为绘图添加更多内容。
散点图
让我们尝试创建一个散点图。让我们想象两组数据，我们想要在散点图上一起绘制来进行比较。
# 创建一些数据
n = 50 # n 是数据点的数量
x = rand(n) # 随机创建 x 数据点
y1 = rand(n) # 随机创建 y 数据点的第一组
y2 = rand(n) # 随机创建 y 数据点的第二组
创建散点图
scatter命令与plot命令的工作方式大致相同，但是会生成散点图而不是直线。
在这里，我们添加另一个参数c，它指定了点的颜色
我们可以向plot和scatter添加许多可选参数
# 绘制第一组数据
plt.scatter(x, y1, c='blue')
# 我们现在想在同一个图上绘制第二组数据。
# 'hold' 命令告诉 Python 保持当前图形并向其添加下一个数据。
plt.hold
# 绘制第二组数据
plt.scatter(x, y2, c='red')
# <matplotlib.collections.PathCollection at 0x11aac7d68>
我们现在有一个散点图！
但是，它看起来不太好。 让我们看看我们是否可以改进它。让我们尝试添加大量的自定义函数来制作更好的图形。
# 创建新的图形
fig = plt.figure()
# 向图形添加轴域
ax = plt.axes()
# 再次绘制数据
ax.scatter(x, y1, c='blue', alpha=0.6, label='Group 1', s=50)
plt.hold
ax.scatter(x, y2, c='red', alpha=0.6, label='Group 2', s=50)
# 这里我们添加了一些可选参数。
# alpha - 设置数据点的透明度
# label - 为我们绘制的数据制作标签，可以在图例中使用
# s - 大小。 改变我们绘制的点的大小
# 向我们的图形添加标题
plt.title('My Awesome Scatter Plot', fontsize=18, fontweight='bold')
# 添加数据标签
plt.xlabel('X Data Label', fontsize=16, fontweight='bold')
plt.ylabel('Y Data Label', fontsize=16, fontweight='bold')
# 设置范围来绘制 x 和 y 变量
plt.xlim([-0.1, 1.1])
plt.ylim([-0.1, 1.1])
# 设置刻度标签
ax.set_xticks(np.array([0.0, 0.2, 0.4, 0.6, 0.8, 1.0]))
ax.set_yticks(np.array([0.0, 0.2, 0.4, 0.6, 0.8, 1.0]))
# 关闭顶部和右侧边线
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(False)
# 将刻度线设置为仅位于底部和左侧。
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
# 设置剩余刻度的线宽
ax.spines['left'].set_linewidth(2)
ax.spines['bottom'].set_linewidth(2)
# 添加图例。这将使用你在设置数据时定义的标签。
plt.legend(loc='upper left', scatterpoints=1, frameon=False)
# 图例不需要任何参数。
# 在这里，我们可以选择指定图例的位置（'loc'），
# 图例中使用的点数（'scatterpoints'），
# 以及图例周围是否有一个框（'frameon'）。
# <matplotlib.legend.Legend at 0x11a655cf8>
数字和轴域
请注意，有时我们在ax上调用这些函数，有时我们用plt调用
我们还创造了一个叫做fig的东西 这一切是什么？
plt只是 matplotlib 模块的昵称- 在这里，当我们使用
plt时，我们在当前图中隐式地从 matplotlib 调用一个函数
- 在这里，当我们使用
fig只是我们分配给图形对象的任意变量名。- 我们可以在创建它之后使用
fig（或我们称之为图形）来更新它
- 我们可以在创建它之后使用
ax也只是当前轴域的任意变量名。- 我们可以使用
ax（或者我们称之为轴域），在我们创建它之后更新特定的轴域
- 我们可以使用
# 'fig'是我们正在制作的图形的标签。
# gcf() 是找到当前图形的方式
print(type(fig)) # Figure 是 matplotlib 中的一个对象
print(fig) # 这是我们之前制作的图形的句柄 'fig'
print(plt.gcf(), '\n') # gcf 引用了当前的图形。在这种情况下，当前图形与 'fig' 相同
'''
<class 'matplotlib.figure.Figure'>
Figure(432x288)
Figure(432x288)
<matplotlib.figure.Figure at 0x117779588>
'''
# 'ax' 是当前轴域的名称。一个图形可以有很多个轴域（图形可以有子图）
print(type(ax)) # Axes 是 matplotlib 中的一个类
print(ax) # 这是我们之前制作的轴域的句柄 'ax'
#print(plt.gca(), '\n') # gca 引用了当前轴域。
# 在这种情况下，当前轴是'ax'。在绘制轴时关闭。
# 请注意，这里 gca 绘制一个空轴。
'''
<class 'matplotlib.axes._subplots.AxesSubplot'>
Axes(0.125,0.125;0.775x0.755)
'''
跟踪图形和轴域，并知道调用什么，最初可能有点混乱。
请注意，很多内容都是在幕后进行管理的 - 你没有明确创建新的图形或轴域。Matplotlib 将在需要时创建新的数字和轴域，而无需明确告知。
如果你想知道为什么我们会纠结于使用fig和ax：
- 我们通常不需要，但是在需要的时候，让标签引用我们的图形（并操纵它）会非常有用。
例如，我们可以通过访问它的名称来获取我们的图形。
# 用 'fig' 变量名称重绘图
fig
除官方文档外，还有另一个有用的教程在这里。