Python有許多可視化工具，但是我主要講解matplotlib（http://matplotlib.sourceforge.net）。此外，還可以利用諸如d3.js（http://d3js.org/）之類的工具為Web應用構建交互式圖像。

matplotlib是一個用于創建出版質量圖表的桌面繪圖包（主要是2D方面）。該項目是由John Hunter于2002年啟動的，其目的是為Python構建一個MATLAB式的繪圖接口。如果結合使用一種GUI工具包（如IPython），matplotlib還具有諸如縮放和平移等交互功能。它不僅支持各種操作系統上許多不同的GUI后端，而且還能將圖片導出為各種常見的矢量（vector）和光柵（raster）圖：PDF、SVG、JPG、PNG、BMP、GIF等。

matplotlib還有許多插件工具集，如用于3D圖形的mplot3d以及用于地圖和投影的basemap。要使用本章中的代碼示例，請確保你的IPython是以Pylab模式啟動的（ipython --pylab），或通過%gui魔術命令打開了GUI事件循環集成。

1、matplotlib API入門

使用matplotlib的辦法有很多種，最常用的方式是Python模式的IPython（ipython -pylab）。這樣會將IPython配置為使用你所指定的matplotlib GUI后端（Tk、wxPython、PyQt、Mac OS X native、GTK）。對大部分用戶而言，默認的后端就已經夠用了。Pylab模式還會向IPython引入一大堆模塊和函數以提供一種更接近于MATLAB的界面。繪制一張簡單的圖表即可測試是否一切準備就緒：

如果一切都沒有問題，就會彈出一個新窗口，其中繪制的是一條直線。你可以用鼠標或輸入close()來關閉它。matplotlib API函數（如plot和close）都位于matplotlib.pyllot模塊中，其通常的引入約定是：

雖然pandas的繪圖函數能夠處理許多普通的繪圖任務，但如果需要自定義一些高級功能的話就必須學習matplotlib API。matplotlib的示例庫和文檔是成為繪圖高手的最佳學習資源。

2、Figure和Subplot

matplotlib的圖像都位于Figure對象中。你可以用plt.figure創建一個新的Figure：

這時會彈出一個空窗口。plt.figure有一些選項，特別是figsize，它用于確保當圖片保存到磁盤時具有一定的大小和縱橫比。matplotlib中的Figure還支持一種MATLAB式的編號架構（如plt.figure(2)）。通過plt.gcf()即可得到當前Figure的引用。

不能通過空Figure繪圖。必須用add_subplot創建一個或多個subplot才行：

這條代碼的意思是：圖像應該是22的，且當前選中的是4個subplot中的第一個（編號從1開始）。如果再把后面兩個subplot也創建出來，最終得到的圖像如下所示：

如果這時發出一條繪圖命令哪個（如plt.plot([1.5, 3.5, -2, 1.6])），matplotlib就會在最后一個用過的subplot（如果沒有則創建一個）上進行繪制。因此，如果我們執行下列命令，你就會得到如下所示的效果：

“k--”是一個線型選項，用于告訴matplotlib繪制黑色虛線圖。上面那些由fig.add_subplot所返回的對象是AxesSubplot對象，直接調用它們的實例方法就可以在其他空著的格子里面畫圖了，如下所示：

你可以在matplotlib的文檔中找到各種圖標類型。由于根據特定布局創建Figure和subplot是一件非常常見的任務，于是便出現了一個更為方便的方法（plt.subplots），它可以創建一個新的Figure，并返回一個含有已創建的subplot對象的NumPy數組：

這是非常實用的，因為可以輕松地對axes數組進行索引，就好像是一個二維數組一樣，例如，axes[0, 1]。你還可以通過sharex和sharey指定subplot應該具有相同的X軸或Y軸。在比較相同范圍的數據時，這也是非常實用的，否則，matplotlib會自動縮放各圖表的界限。

3、調整subplot周圍的間距

默認情況下，matplotlib會在subplot外圍留下一定的邊距，并在subplot之間留下一定的間距。間距跟圖像的高度和寬度有關，因此，如果你調整了圖像的大小（不管是編程還是手工），間距也會自動調整。利用Figure的subplots_adjust方法可以輕而易舉地修改間距，此外，它也是個頂級函數：

wspace和hspace用于控制寬度和高度的百分比，可以用作subplot之間的間距。下面是一個簡單的例子，我們將間距收縮到了0：

不難看出，其中的軸標簽重疊了。matplotlib不會檢查標簽是否重疊，所以對于這種情況，你只能自己設定刻度位置和刻度標簽。

4、顏色、標記和線型

matplotlib的plot函數接受一組X和Y坐標，還可以接受一個表示顏色和線型的字符串縮寫。例如，要根據x和y繪制綠色虛線，你可以執行如下代碼：

這種在一個字符串中指定顏色和線型的方式非常方便。通過下面這種更為明確的方式也能得到同樣的效果：

常用的顏色都有一個縮寫詞，要使用其他任意顏色則可以通過指定其RGB值的形式使用（例如，'#CECECE'）。完整的linestyle列表請參見plot的文檔。

線型圖還可以加上一些標記（marker），以強調實際的數據點。由于matplotlib創建的是連續的線型圖（點與點之間插值），因此有時可能不太容易看出真實數據點的位置。標記也可以放到格式字符串中，但標記類型和線型必須放在顏色后面。

還可以將其寫成更為明確的形式：

在線型圖中，非實際數據點默認是按線性方式插值的。可以通過drawstyle選項修改：

5、刻度、標簽和圖例

對于大多數的圖表裝飾項，其主要實現方式有二：使用過程型的pyplot接口以及更為面向對象的原生matplotlib API。pyplot接口的設計目的就是交互式作用，含有諸如xlim、xticks和xticklabels之類的方法。它們分別控制圖表的范圍、刻度位置、刻度標簽等。其使用方式有以下兩種：

調用時不帶參數，則返回當前的參數值。例如，plt.xlim()返回當前的X軸繪圖范圍。

調用時帶參數，則設置參數值。因此，plt.xlim([0, 10])會將X軸的范圍設置為0到10。

所有這些方法都是對當前或最近創建的AxesSubplot起作用的。它們各自對應subplot對象上的兩個方法，以xlim為例，就是ax.get_xlim和ax.set_xlim。我更喜歡使用subplot的實例方法，當然你完全可以選擇自己覺得方便的那個。

(1)設置標題、軸標簽、刻度以及刻度標簽

為了說明軸的自定義，我將創建一個簡單的圖像并繪制一段隨機漫步：

要修改X軸的刻度，最簡單的辦法是使用set_xticks和set_xticklabels。前者告訴matplotlib要將刻度放在數據范圍中的哪些位置，默認情況下，這些位置也就是刻度標簽。但我們可以通過set_xticklabels將任何其他的值用作標簽：

說明：

Y軸的修改方式與此類似，只需將上述代碼中的x替換為y即可。

(2)添加圖例

圖例（legend）是另一種用于標識圖表元素的重要工具。添加圖例的方式有二。最簡單的是在添加subplot的時候傳入label參數：

在此之后，你可以調用ax.legend()或plt.legend()來自動創建圖例：

loc告訴matplotlib要將圖例放在哪。如果你不是吹毛求疵的話，“best”是不錯的選擇，因為它會選擇最不礙事的位置。要從圖例中去除一個或多個元素，不傳入label或傳入label='_nolegend_'即可。

6、注釋以及在Subplot上繪圖

除標準的圖表對象之外，你可能還希望繪制一些自定義的注釋（比如文本、箭頭或其他圖形等）。

注釋可以通過text、arrow和annotate等函數進行添加。text可以將文本繪制在圖表的指定坐標（x, y），還可以加上一些自定義格式：

In [41]: ax.text(x, y, ‘Hello world!‘,family=‘monospace‘, fontsize=10)

注解中可以既含有文本也含有箭頭。例如，我們根據2007年以來的標準普爾500指數收盤價格（來自Yahoo! Finance）繪制一張曲線圖，并標出2008年到2009年金融危機期間的一些重要日期。如下所示：

圖像的繪制要麻煩一些。matplotlib有一些表示常見圖形的對象。這些對象被稱為塊（patch）。其中有些可以在matplotlib.pyplot中找到（如Rectangle和Circle），但完整集合位于matplotlib.patches。

要在圖表中添加一個圖形，你需要創建一個塊對象shp，然后通過ax.add_patch(shp)將其添加到subplot中。

說明：

如果查看許多常見圖表對象的具體實現代碼，你就會發現它們其實就是由塊組裝而成的。

7、將圖表保存到文件

利用plt.savefig可以將當前圖表保存到文件。該方法相當于Figure對象的實例方法savefig。例如，要將圖表保存為SVG文件，你只需輸入：

In [42]: plt.savefig(‘figpath.svg‘)

文件類型是通過文件擴展名推斷出來的。因此，如果你使用的是.gif，就會得到一個PDF文件。我在發布圖片時最常用到兩個重要的選項是dpi（控制“每英寸點數”分辨率）和bbox_inches（可以翦除當前圖表周圍的空白部分）。要得到一張帶有最小白邊且分辨率為400DPI的PNG圖片，你只需輸入：

In [43]: plt.savefig(‘figpath.svg‘, dpi=400, bbox_inches=‘tight‘)

savefig并非一定要寫入磁盤，也可以寫入任何文件型的對象，比如StringIO：

這對在Web上提供動態生成的圖片是很實用的。Figure.savefig方法的參數及說明如下所示：

8、matplotlib配置

matplotlib自帶一些配色方案，以及為生成出版質量的圖片而設定的默認配置信息。幸運的是，幾乎所有默認行為都能通過一組全局參數進行自定義，它們可以管理圖像大小、subplot邊距、配色方案、字體大小、網格類型等。操作matplotlib配置系統的方式主要有兩種。第一種是Python編程方式，即利用rc方法。比如說，要將全局的圖像默認大小設置為10bubuko.com,布布扣10，你可以執行：

In [45]: plt.rc(‘figure‘, figsize=(10, 10))

rc的第一個參數是希望自定義的對象，如‘figure’、‘axes’、‘xtick’、‘ytick’、‘grid’、‘legend’等。其后可以跟上一系列的關鍵字參數。最簡單的辦法是將這些選項寫成一個字典：

In [46]: font_options = {‘family‘ : ‘monospace‘, ‘weight‘ : ‘bold‘, ‘size‘ : ‘small‘}

In [47]: plt.rc(‘font‘, **font_options)

要了解全部的自定義選項，請查閱matplotlib的配置文件matplotlibrc（位于matplotlib/mpl-data目錄中）。如果對該文件進行了自定義，并將其放在你自己的.matplotlib目錄中，則每次使用matplotlib時就會加載該文件。

9、pandas中的繪圖函數

不難看出，matplotlib實際上是一種比較低級的工具。要組裝一張圖表，你得用它的各種基礎組件才行：數據顯示（即圖表類型：線型圖、柱狀圖、盒形圖、散布圖、等值線圖等）、圖例、標題、刻度標簽以及其他注解型信息。這是因為要根據數據制作一張完整圖表通常都需要用到多個對象。在pandas中，我們有行標簽、列標簽以及分組信息（可能有）。這也就是說，要制作一張完整的圖表，原本需要一大堆的matplotlib代碼，現在只需要一兩條簡潔的語句就可以了。pandas有許多能夠利用DataFrame對象數組組織特點來創建標準圖表的高級繪圖方法（這些函數的數量還在不斷增加）。

10、線型圖

Series和DataFrame都有一個用于生成各類圖表的plot方法。默認情況下，它們所生成的是線型圖：

該Series對象的索引會被傳給matplotlib，并用以繪制X軸。可以通過use_index=False禁用該功能。X軸的刻度和界限可以通過xticks和xlim選項進行調節，Y軸就用yticks和ylim。plot參數的完整列表如下所示：

pandas的大部分繪圖方法都有一個可選的ax參數，它可以是一個matplotlib的subplot對象。這使你能夠在網格布局中更為靈活地處理subplot的位置。

DataFrame的plot方法會在一個subplot中為各列繪制一條線，并自動創建圖例，如下所示：

注意：

plot的其他關鍵字參數會被傳給相應的matplotlib繪圖函數，所以要更深入地自定義圖表，就必須學習更多有關matplotlib API的知識。

DataFrame還有一些用于對列進行靈活處理的選項，例如，是要將所有列都繪制到一個subplot中還是創建各自的subplot，詳細信息如下所示：

11、柱狀圖

在生成線型圖的代碼中加上kind=‘bar‘（垂直柱狀圖）或kind=‘barh‘（水平柱狀圖）即可生成柱狀圖。這時，Series和DataFrame的索引將會被用作X（bar）或Y（barh）刻度，如下所示：

對于DataFrame，柱狀圖會將每一行的值分為一組，如下所示：

DataFrame各列的名稱“Genus”被用作了圖例的標題。設置stacked=True即可為DataFrame生成堆積柱狀圖，這樣每行的值就會被堆積在一起，如下所示：

In [62]: df.plot(kind=‘bar‘, stacked=True, alpla=0.5)

注意：

柱狀圖有一個非常不錯的用法：利用value_counts圖形化顯示Series中各值的出現頻率，比如s.value_counts().plot(kind=‘bar‘)。

以小費數據集為例，假設我們想要做一張堆積柱狀圖以展示每天各種聚會規模的數據點的百分比。我用read_csv將數據加載進來，然后根據日期和聚會規模創建一張交叉表：

小費數據集：http://download.csdn.net/detail/shengshengwang/7197845

然后進行規格化，使得各行的和為1（必須轉換成浮點數，以避免Python 2.7中的整數除法問題），并生成圖表，如下所示：

說明：

通過該數據集可以看出，聚會規模在周末就會變大。

12、直方圖和密度圖

直方圖（histogram）是一種可以對值頻率進行離散化顯示的柱狀圖。數據點被拆分到離散的、間隔均勻的面元中，繪制的是各面元中數據點的數量。再以前面那個小費數據為例，通過Series的hist方法，我們可以生成一張“小費占消費總額百分比”的直方圖。In [71]: tips[‘tip_pct‘] = tips[‘tip‘] / tips[‘total_bill‘]

In [72]: tips[‘tip_pct‘].hist(bins=50)

與此相關的一種圖表類型是密度圖，它是通過計算“可能會產生觀測數據的連續概率分布的估計”而產生的。一般的過程是將該分布近似為一組核（即諸如正態（高斯）分布之類的較為簡單的分布）。因此，密度圖也被稱作KDE（Kernel Density Estimate，核密度估計），如下所示：

In [73]: tips[‘tip_pct‘].plot(kind=‘kde‘)

這兩種圖表常常會被畫在一起。直方圖以規格化形式給出（以便給出面元化密度），然后再在其上繪制核密度估計。接下來來看一個由兩個不同的標準正態分布組成的雙峰分布，如下所示：

13、散布圖

散布圖（scatter plot）是觀察兩個一維數組序列之間的關系的有效手段。matplotlib的scatter方法是繪制散布圖的主要方法。在下面這個例子中，我加載了來自statsmodels項目的macrodata數據集，選擇其中幾列，然后計算對數差：

macrodata數據集：http://download.csdn.net/detail/shengshengwang/7198003

在探索式數據分析中，同時觀察一組變量的散布圖是很有意義的，這也被稱為散布圖矩陣（scatter plot matrix）。純手工創建這樣的圖表很費工夫，所以pandas提供了一個能從DataFrame創建散布圖矩陣的scatter_matrix函數。它還支持在對角線上放置各變量的直方圖或密度圖。如下所示：

In [85]: scatter_matrix(trans_data, diagonal=‘kde‘, color=‘k‘, alpha=0.3

14、Python圖形化工具生態系統

(1)Chaco

Chaco（http://code.enthought.com/chaco/）是由Enthought開發的一個繪圖工具包，它既可以繪制靜態圖又可以生成交互式圖形。它非常適合用復雜的圖形化方式表達數據的內部關系。跟matplotlib相比，Chaco對交互的支持要好得多，而且渲染速度很快。如果要創建交互式的GUI應用程序，它確實是個不錯的選擇。

(2)mayavi

mayavi項目是一個基于開源C++圖形庫VKT的3D圖形工具包。跟matplotlib一樣，mayavi也能集成到IPython以實現交互式使用。通過鼠標和鍵盤進行操作，圖形可以被平移、旋轉、縮放。我相信它能成為WebGL（以及相關產品）的替代品，雖然其生成的圖形很難以交互的形式共享。

(3)其他庫

當然，Python領域中還有許多其他的圖形化庫和應用程序：PyQwt、Veusz、gnuplotpy、biggles等。我就曾經見過PyQwt被用在基于Qt框架（PyQt）的GUI應用程序中。許多庫都還在不斷地發展（有些已經被用在大型應用程序當中了）。近幾年來，我發現了一個總體趨勢：大部分庫都在向基于Web的技術發展，并逐漸遠離桌面圖形技術。

(4)basemap工具集（http://matplotlib.github.com/basemap，matplotlib的一個插件）使得我們能夠用Python在地圖上繪制2D數據。basemap提供了許多不同的地球投影以及一種將地球上的經緯度坐標投影轉換為二維matplotlib圖的方式。

(5)圖形化工具的未來

基于Web技術（比如JavaScript）的圖形化是必然的發展趨勢。毫無疑問，許多基于Flash或JavaScript的靜態或交互式圖形化工具已經出現了很多年，而且類似的新工具包（如d3.js及其分支項目）一直都在不斷涌現。相比之下，非Web式的圖形化開發工作在近幾年中減慢了許多。Python以及其他數據分析和統計計算環境（如R）都是如此。于是，開發方向就變成了實現數據分析和準備工具（如pandas）與Web瀏覽器之間更為緊密的集成。

end

原文鏈接：http://blog.csdn.net/ssw_1990/article/details/23739953

總結

以上是生活随笔為你收集整理的python自定义函数画图_利用Python绘图和可视化（长文慎入）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。