pyplot的一些知識

matplotlab中的對象：

matplotlib是面向對象的，在畫圖的時候我們了解一些對象，對我們畫圖是有幫助的。繪圖的對象大致分為三層：

• backend_bases.FigureCanvas : 圖表的繪制領域
• backend_bases.Renderer : 知道如何在FigureCanvas上繪圖
• artist.Artist : 知道如何使用Renderer在FigureCanvas上繪圖

這些是一層一層封裝起來的，從底層到高層依次為上面的畫布->顏料->畫家（canvas->renderer->artist）。但是我們平時畫圖的時候，基本是使用最上層的封裝Artist。我們在畫圖的時候使用的Figure，Axes，Axis都屬於Artist對象。關於這三者的區分是這樣的，Figure是我們運行程序後生成的圖片，Axes是一個坐標系（最常用的是笛卡爾坐標系，當然還有極坐標系等），我們在這個坐標系上面繪制出我們的圖形，Axis是一個坐標軸，比如笛卡爾坐標系中的X軸或者Y軸。

使用pyplot進行畫圖：

當我們進行畫圖的時候，需要有個figure還有一個axes，假如我們沒有指定的話，pyplot會默認為我們指定一個。用plt.plot()進行繪圖的時候，默認的是使用當前figure的當前axes進行繪圖。

使用subplot的時候，它返回一個axes供我們畫圖，subplot傳入的前三個參數是nrows,ncols,index。它表示的是我們在一個figure當中有 nrow*ncols個axes，我們使用第index個axes來進行畫圖。 當這些值均小於10的時候，可以直接將這三個數寫為一個三位數。比如plt.subplot(1,2,1) 和 plt.subplot(121)是一樣的，都表示創建一行兩列個axes，並且返回第第一個axes讓我們來畫圖。

除了可以指定多個axes以外，還可以指定多個figure， fig1 = plt.figure(1), fig2 = plt.figure(2)等。當number不存在的時候，會創建一個新的figure，當這個number是已經存在的figure.number的時候，它會切換到那個figure。

總之，pyplot是在當前figure上面的當前axes進行畫圖的藝術。

經典的畫圖的例子是這樣的，來自 官網Multiple subplots

import numpy as np
import matplotlib.pyplot as plt

x1 = np.linspace(0.0, 5.0)
x2 
 
= np.linspace(0.0, 2.0)
y1 = np.cos(2 * np.pi * x1) * np.exp(-x1)
y2 = np.cos(2 * np.pi * x2)

plt.subplot(2, 1, 1)
plt.plot(x1, y1, ‘o-‘)
plt.title(‘A tale of 2 subplots‘)
plt.ylabel(‘Damped oscillation‘)

plt.subplot(2, 1, 2)
plt.plot(x2, y2, ‘.-‘)
plt.xlabel(‘time (s)‘)
plt.ylabel(‘Undamped‘)

plt.show()

上面使用了兩個axes，（假如使用fig = plt.figure()會更加的正規）畫出的圖形是這樣的：

其實這裏主要是讓你明白畫圖的時候figure還有axes的概念，當我們畫一個圖的時候，總是畫在一個特定的figure的特定axes上面。

plt還有一個subplots方法，返回一個figure還有一組axes,這在我們繪制過個圖形當中非常的重要，在本文的最後將會看到例子。

Seaborn進行畫圖

seaborn是基於matplotlib進行的更上一層的封裝，如果說matplotlib是將容易的事情變容易，難的事情成為可能，那麽seaborn是將難的事情變的容易。下面我將用一些簡答的例子來說明seaborn的繪圖，更詳細的用法可以參考官網的API。

進行數據的準備：

import seaborn as sns
from matplotlib import pyplot as plt
#導入數據
titanic = sns.load_dataset(‘titanic‘)
#做一些簡單的缺失值處理
titanic = titanic.drop(‘deck‘, axis=1)
titanic[‘age‘].fillna(titanic[‘age‘].median(), inplace=True)
titanic[‘embark_town‘].fillna(titanic[‘embark_town‘].mode()[0], inplace=True)
titanic[‘embarked‘].fillna(titanic[‘embarked‘].mode()[0], inplace=True)

FacetGrid：觀察多變量之間的關系

假如想要觀察多變量之間的關系，我們可以使用FacetGrid。

FacetGrid 可以指定三個和我們想要觀察變量有關的變量，看他們對於目標變量的影響情況。row， col， hue分別是行，列，顏色。FacetGrid使用的一般流程是先創建FacetGrid對象，指定data，row，col，hue等信息，然後使用map來進行畫圖，這期間可以調用pyplot的函數，也可以調用seaborn的函數。

grid = sns.FacetGrid(titanic, row=‘pclass‘, col=‘survived‘)
grid.map(plt.hist, ‘age‘, bins=20)
plt.show()

從下面的圖片可以看出來，我們要觀察在不同的pclass和survived的情況下我們的age分布情況，這個時候，我們可以把survived指定為列，pclass指定為行， 在map函數裏面，第一個為指定的函數的繪圖方式，後面為該方式所使用的變量，該繪圖方式既可以是plt裏面的方法，也可以是seaborn裏面的方法。

分類變量

seaborn提供了很多繪制分類變量的方法，下面介紹一些

pointplot: 可以進行點圖的繪制

sns.pointplot( x=‘class‘,y=‘age‘,  data=titanic)
plt.show()

countplot: 可以對變量進行計數

sns.countplot(x=‘class‘, hue=‘sex‘,  data=titanic)
plt.show()

barplot：柱狀圖，可以看點估計和置信區間

sns.barplot(x=‘class‘, y=‘age‘,  data=titanic)

plt.show()

boxplot 線箱圖，可以發現異常值

sns.boxplot( x=‘class‘,y=‘fare‘,  data=titanic)

factorplot

factorplot本身是為分類變量準備的，它可以畫上面的所有類型的分類變量的圖，只需要指定kind類型就可以，包含{point, bar, count, box, violin, strip}，默認的情況是點圖.

還有一些函數可以觀察多個變量之間的關系

pairplot 繪制兩兩變量之間的關系

sns.pairplot(data=titanic)
plt.show()

heatmap 可以展示出變量的相關情況

sns.heatmap(titanic.corr())
plt.show()

在一個figure上面繪制多個axes

上面的繪圖情況都是默認使用當前figure的當前axes，並且一個figure上面有一個axes，假如你想要在一個figure上面繪制多個axes的話，可以使用subplots和seaborn函數當中的ax參數

fig, (ax1, ax2, ax3) = plt.subplots(1,3, figsize=(15,5))

#我們在這裏生成一個fig和三個axes，在下面繪圖的時候只需要用ax參數來指定特定的axes就可以了
sns.barplot(x=‘class‘, y=‘age‘, data=titanic, ax=ax1)
sns.countplot(x=‘sex‘, data=titanic, ax=ax2)
sns.distplot(titanic[‘age‘], ax=ax3)
plt.show()

參考：

matplotlib核心概念

繪圖: matplotlib核心剖析

Python圖表繪制：matplotlib繪圖庫入門

使用pyplot和seaborn進行可視化