matplotlib 小用法

1 - 加入代码

import matplotlib as plt

2 - 第一个正弦函数

假设想要画出正弦函数sin(x)的线性图。得到函数在x坐标轴上0 ≤ x＜10内所有点的值。我们将使用 NumPy 中的 linspace 函数来在x坐标轴上创建一个从0到10的线性空间，以及100个采样点：

import numpy as np
x = np.linspace( 0, 10, 100 )

可以使用 NumPy 中的sin函数得到所有x点的值，并通过调用plt中的plot函数把结果画出来：

plt.plot(x, np.sin(x)) 
plt.show()

让我们对外部数据集进行可视化，比如scikit-learn中的数字数据集。

3 - 批量可视化

需要三个可视化工具：

• scikit-learn用于获取实际数据
• NumPy 用于数据再加工
• Matplotlib

那么开始引入这些包吧：

import numpy as np
from sklearn import datasets
import matplotlib.pyplot as plt

第一步是载入实际数据：

digits = datasets.load_digits()

如果没记错的话，digits应该有两个不同的数据域：data域包含了真正的图像数据，target域包含了图像的标签。相对于相信我们的记忆，我们还是应该对digits稍加探索。输入它的名字，添加一个点号，然后按Tab键：digits.，这个操作将向我们展示digits也包含了一些其他的域，比如一个名为images的域。images和data这两个域，似乎简单从形状上就可以区分。

print(digits.data.shape)
print(digits.images.shape)

两种情况中，第一维对应的都是数据集中的图像数量。然而，data中所有像素都在一个大的向量中排列，而images保留了各个图像8×8的空间排列。

因此，如果想要绘制出一副单独的图像，使用images将更加合适。首先，使用NumPy的数组切片从数据集中获取一幅图像：

img = digits.images[0, :, :]

这里是从1797个元素的数组中获取了它的第一行数据，这行数据对应的是8×8=64个像素。下面就可以使用plt中的imshow函数来绘制这幅图像：

plt.imshow(img, cmap= 'gray')

此外，这里也使用cmap参数指定了一个颜色映射。默认情况下，Matplotlib 使用MATLAB默认的颜色映射jet。然而，在灰度图像的情况下，gray颜色映射更有效。

最后，可以使用plt的subplot函数绘制全部数字的样例。subplot函数与MATLAB中的函数一样，需要指定行数、列数以及当前的子绘图索引（从1开始计算）。我们将使用for 循环在数据集中迭代出前十张图像，每张图像都分配到一个单独的子绘图中。

for image_index in range(10):
	subplot_index = image_index + 1
	plt.subplot( 2, 5, subplot_index)
	plt.imshow(digits.images[image_index, :, :], cmap= 'gray')