机器学习（四）：初级matplitlib绘图-2维绘图

注：百度百科案例

首先，我们必须导入对应的库。主要的绘图函数在子库 matplotlib.pyplot

import numpy as np
import matplitlib as nml
import matplotlib.pyplot as plt
%matplotlib inline

注：%matplotlib inline是再使用jupyter notebook或者jupyter qtconsole的时候才会用到，如果用的是pycharm或者spyder即不需要使用这个（用了还会报错）。在notebook中使用这个的作用是在你调用matplotlib.pyplot的绘图函数plot()进行绘图的时候，或者生成一个figure画布的时候，可以直接在你的python console里面生成图像。

我们将按照存储在 NumPy ndarray 对象中的数据绘制图表。当然，matplotlib 也能够按照以不同的 Python格式存储的数据（如列表对象）绘制图表。首先，我们需要用于绘制图表的数据。为此，我们生成20个标准正态分布（伪）随机数，保存在一个NumPy ndarray

np.random.seed(1000)
y = np.random.standard_normal(20)

假定：

x值：包含x坐标（横坐标）的列表或者数组

y值：包含y坐标（纵坐标）的列表或者数组

x和y值的数量必须相等，如下述代码：

x = range(len(y)) 

plt.plot(x,y) 

plt.show()

显示如图：

我们用样板数据调用 ndarray 对象上的 cumsum 方法，可以获得这些数据的总和，并且和预想的一样得到不同的输出，如下图

plt.grid(True) #添加网格线
plt.axis('tight') #紧凑坐标轴
plt.show()

plt.axis选项：

empty：返回当前坐标轴限值

off：关闭当前坐标轴线和标签

equal：使用等刻度

scaled：通过尺寸变化平衡刻度

tight：是所有数据可见（缩小限值）

image：使所有数据可见（使用数据限值）

[xmin,xmax,ymin,ymax]：将设置限定为给定的一组值

可以使用 plt.xlim 和 plt.ylim 设置每个坐标轴的最小值和最大值。为了得到更好的易理解性，图表通常包含一些标签——例如描述x和y值性质的标题和标签。这些标签分别通过 plt.title, plt.xlabe和 plt.ylabel 添加。默认情况下，即使提供的数据点是离散的，plot也绘制连续线条。离散点的绘制通过选择不同的样式选项实现。下图覆盖（红色）点和线宽为1.5个点的（蓝色）线条：

plt.figure(figsize=(7,4))
plt.plot(y.cumsum(),'b',lw=1.5)
plt.plot(y.cumsum(),'ro')
plt.grid(True) #添加网格线
plt.axis('tight') #紧凑坐标轴
plt.xlabel('index')
plt.ylabel('value')
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
plt.title('梦里是客')
plt.xlim(-1,20) #坐标轴刻度的范围
plt.ylim(np.min(y.cumsum())-1,np.max(y.cumsum())+1)
plt.show()

plt.plot 支持的颜色等可查看如下链接：

https://blog.youkuaiyun.com/qq_26376175/article/details/67637151

特殊字符，例如公式查看以下链接：

https://matplotlib.org/users/mathtext.html

一般来说，数据集包含多个单独的子集。这种数据的处理遵循matplotlib处理一维数据时的原则。但是，这种情况会出现其他一些问题，例如，两个数据集可能有不同的刻度，无法用相同的y或x轴刻度绘制。另一个问题是，你可能希望以不同的方式可视化两组不同数据，例如，一组数据使用线图，另一组使用柱状图。

我们生成一个二维样本数据集。下面的代码生成包含标准正态分布（伪）随机数的20×2 NumPy ndarray。在这个数组上调用 cumsum 计算样本数据在0轴（即第一维）上的总和。可以为每个数据集添加单独的标签并在图例中列出。plt.legend 接受不同的位置参数。0表示“最佳位置”，也就是图例尽可能少地遮盖数据。下图展示了包含两个数据集的图表，这一次带有图例。在生成代码中，我们没有传递整个 ndarray 对象，而是分别访问两个数据子集（y[:, 0]和y[:, 1]），可以为它们附加单独的标签。数据集常常有不同的刻度，用单一 y轴刻度绘制这种数据的图表通常会导致可视化信息的显著丢失。为了说明这种效果，我们将两个数据子集中的第一个扩大 100倍，再次绘制该图

np.random.seed(2000)
y = np.random.standard_normal((20,2)).cumsum(axis=0)
x = range(len(y))
y[:,0]=y[:,0]*100
plt.figure(figsize=(7,4))
plt.plot(y[:,0],lw=1.5,label='1st')
plt.plot(y[:,1],lw=1.5,label='2st')
plt.plot(y,'ro')
plt.grid(True) #添加网格线
plt.axis('tight') #紧凑坐标轴
plt.legend(loc=0)#0表示最佳位置，使图例尽可能少的遮盖数据
plt.xlabel('index')
plt.ylabel('value')
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
plt.title('梦里是客')
plt.show()

第一个数据集仍然是“在视觉上易于辨认的”，而第二个数据集在新的Y轴刻度上看起来像一条直线。在某种程度上，第二个数据集的有关信息现在“在视觉上已经丢失”。解决这个问题有两种基本方法：

1：使用 2 个 y 轴（左/右）

2：使用两个子图（上/下，左/右）

我们首先在图表中引入第二个 y 轴。下图中有两个不同的y轴，左侧的y轴用于第一个数据集，右侧的y轴用于第二个数据集，因此，有两个图例：

np.random.seed(2000)
y = np.random.standard_normal((20,2)).cumsum(axis=0)
x = range(len(y))
y[:,0]=y[:,0]*100
fig,ax1 = plt.subplots()
#plt.figure(figsize=(7,4))
plt.plot(y[:,0],'b',lw=1.5,label='1st')
plt.plot(y[:,0],'ro')
plt.grid(True) #添加网格线
plt.legend(loc=8)
plt.xlabel('index')
plt.ylabel('value 1st')
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
plt.title('梦里是客')
ax2=ax1.twinx()
plt.plot(y[:,1],'g',lw=1.5,label='2st')
plt.plot(y[:,1],'ro')
plt.legend(loc=0)
plt.ylabel('value 2st')
#plt.xlim(-1,20) #坐标轴刻度的范围
#plt.ylim(np.min(y.cumsum())-1,np.max(y.cumsum())+1)
plt.show()

通过使用 plt.subplots函数，可以直接访问底层绘图对象（图、子图等）。例如，可以用它生成和第一个子图共享x轴的第二个子图。上图中有两个相互重叠的子图。

接下来，考虑两个单独子图的情况。这个选项提供了处理两个数据集的更大自由度，如下图所示：

plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(y[:,0],lw=1.5,label='1st')
plt.plot(y[:,0],'ro')
#plt.grid(True) #添加网格线
#plt.axis('tight')
plt.legend(loc=0)
plt.xlabel('index')
plt.ylabel('value')
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
plt.title('梦里是客')

plt.subplot(212)
plt.plot(y[:,1],'g',lw=1.5,label='2st')
plt.plot(y[:,1],'ro')
plt.legend(loc=0)
plt.xlabel('index')
plt.ylabel('value')
#plt.grid(True) #添加网格线
#plt.axis('tight')
#plt.xlim(-1,20) #坐标轴刻度的范围
#plt.ylim(np.min(y.cumsum())-1,np.max(y.cumsum())+1)
plt.show()

选择两个不同的图表类型来可视化数据可能是必要的或者是理想的。利用子图方法，就可以自由地组合matplotlib提供的任意图表类型，下图组合了线图/点图和柱状图：

plt.figure(figsize=(9,4))
plt.subplot(211)
plt.plot(y[:,0],lw=1.5,label='1st')
plt.plot(y[:,0],'ro')
#plt.grid(True) #添加网格线
#plt.axis('tight')
plt.legend(loc=0)
plt.xlabel('index')
plt.ylabel('value')
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
plt.title('梦里是客')

plt.subplot(212)
plt.bar(np.arange(len(y)),y[:,1],width=0.5,color='g',label='2st')
plt.grid(True)
plt.axis('tight')
plt.legend(loc=0)
plt.xlabel('index')
plt.ylabel('value')
plt.title('shiyp')
#plt.grid(True) #添加网格线
#plt.axis('tight')
#plt.xlim(-1,20) #坐标轴刻度的范围
#plt.ylim(np.min(y.cumsum())-1,np.max(y.cumsum())+1)
plt.show()