《Python 数据分析》第三版

第 9 章 绘图和可视化 绘图和可视化

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

制作信息可视化图（有时称为 图）是数据分析中最重要的任务之一。它可能是探索过程的一部分--例如，帮助识别异常值或所需的数据转换，或者作为产生模型想法的一种方式。对其他人来说，为网络构建交互式可视化可能是最终目标。Python 有许多用于制作静态或动态可视化的附加库，但我将主要关注matplotlib和建立在它之上的库。

matplotlib 是一个桌面绘图软件包，用于创建适合出版的绘图和数字。 该项目由 John Hunter 于 2002 年发起，目的是在 Python 中实现类似 MATLAB 的绘图界面。matplotlib 支持所有操作系统上的各种图形用户界面后端，并能将可视化输出为所有常见的矢量和光栅图形格式（PDF、SVG、JPG、PNG、BMP、GIF 等）。除少数图表外，本书中几乎所有的图形都是使用 matplotlib 制作的。

随着时间的推移，matplotlib 衍生出了许多用于数据可视化的附加工具包，这些工具包使用 matplotlib 进行底层绘图。本章稍后将探讨的seaborn 就是其中之一。

学习本章代码示例的最简单方法是在 Jupyter 笔记本中输出绘图。要进行设置，请在 Jupyter 笔记本中执行以下语句：

%matplotlib inline

备注

自本书 2012 年第一版以来，许多新的数据可视化库应运而生，其中一些（如 Bokeh 和 Altair）利用现代网络技术创建了与 Jupyter 笔记本集成良好的交互式可视化。在本书中，我没有使用多种可视化工具，而是决定坚持使用 matplotlib 讲授基础知识，特别是因为 pandas 与 matplotlib 有很好的集成。你也可以根据本章的原则来学习如何使用其他可视化库。

9.1 matplotlib API 简介

对于 matplotlib，我们使用以下导入约定：

In [13]: import matplotlib.pyplot as plt

在 Jupyter 中运行%matplotlib notebook （或在 IPython 中运行 ，简称%matplotlib ）后，我们可以尝试创建一个简单的曲线图。如果一切设置正确，就会出现图 9-1 所示的折线图：

In [14]: data = np.arange(10)

In [15]: data
Out[15]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [16]: plt.plot(data)

图 9-1. 简单折线图

虽然类似 seaborn 和 pandas 的内置绘图函数库可以处理制作绘图的许多琐碎细节，但如果您希望在所提供的函数选项之外对其进行自定义，则需要了解一些 matplotlib API。

备注

本书没有足够的篇幅来全面介绍 matplotlib 功能的广度和深度。它应该足以教会你如何上手和运行。matplotlib 图库和文档是学习高级功能的最佳资源。

数字和分镜头

matplotlib 中的图形位于Figure 对象中。可以通过plt.figure 创建一个新图形：

In [17]: fig = plt.figure()

在 IPython ...