导读：获取数据之后，而不知道如何查看数据，用途还是有限的。幸好，我们有Matplotlib！

Matplotlib 是基于 NumPy 数组构建的多平台数据可视化库。它是John Hunter 在2002年构想的，原本的设计是给 IPython 打补丁，让命令行中也可以有交互式的 MATLAB 风格的画图工具。

在近些年，已经出现了更新更好的工具最终替代了 Matplotlib（比如 R 语言中的ggplot和ggvis）， 但 Matplotlib 依旧是一个经过良好测试的、跨平台的图形引擎。

作者：迈克尔·贝耶勒（Michael Beyeler）

如需转载请联系大数据（ID：hzdashuju）

01 引入 Matplotlib

如果已安装Anaconda Python版本，就已经安装好了可以使用的 Matplotlib。否则，可能要访问官网并从中获取安装说明：

http://matplotlib.org

正如使用np作为 NumPy 的缩写，我们将使用一些标准的缩写来表示 Matplotlib 的引入：

In [1]: import matplotlib as mplIn [2]: import matplotlib.pyplot as pltimport matplotlib as mplIn [2]: import matplotlib.pyplot as plt

在本书中，plt接口会被频繁使用。

02 生成一个简单的绘图

让我们创建第一个绘图。

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：

In [3]: import numpy as npIn [4]: x = np.linspace(0, 10, 100)import numpy as npIn [4]: 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：

In [5]: plt.plot(x, np.sin(x))

你亲自尝试了吗？发生了什么吗？有没有什么东西出现？

实际情况是，取决于你在哪里运行脚本，可能无法看到任何东西。有下面几种可能性：

1. 从.py脚本中绘图

如果从一个脚本中运行 Matplotlib，需要加上下面的这行调用：

plt.show()

在脚本末尾调用这个函数，你的绘图就会出现！

2. 从 IPython shell 中绘图

这实际上是交互式地执行Matplotlib最方便的方式。为了让绘图出现，需要在启动 IPython 后使用所谓的%matplotlib魔法命令。

In [1]: %matplotlibUsing matplotlib backend: TkAggIn [2]: import matplotlib.pyplot as pltUsing matplotlib backend: TkAggIn [2]: import matplotlib.pyplot as plt

接下来，无须每次调用plt.show()函数，所有的绘图将会自动出现。

3. 从 Jupyter Notebook 中绘图

如果你是从基于浏览器的 Jupyter Notebook 中看这段代码，需要使用同样的%matplotlib魔法命令。然而，也可以直接在notebook中嵌入图形，这会有两种输出选项：

在本书中，将会使用inline选项：

In [6]: %matplotlib inline

现在再次尝试一下：

In [7]: plt.plot(x, np.sin(x))Out[7]: [<matplotlib.lines.Line2D at 0x7f3aac426eb8>]Out[7]: [<matplotlib.lines.Line2D at 0x7f3aac426eb8>]

上面的命令会得到下面的绘图输出结果：

▲使用 Matplotlib 绘制正弦函数图像

如果想要把绘图保存下来留作以后使用，可以直接在 IPython 或者 Jupyter Notebook 使用下面的命令保存：

In [8]: plt.savefig('figures/02.03-sine.png')'figures/02.03-sine.png')

仅需要确保你使用了支持的文件后缀，比如.jpg、.png、.tif、.svg、.eps或者.pdf。

Tips：可以在引入Matplotlib后通过运行plt.style.use(style_name)来修改绘图的风格。所有可用的风格在plt.style.available中列出。比如，尝试使用plt.style.use('fivethirtyeight')、plt.style.use('ggplot')或者plt.style.use('seaborn-dark')。为了更好玩，可以运行plt.xkcd()，然后尝试绘制一些别的图形。

03 可视化外部数据集的数据

作为本章最后一个测试，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。

为此，需要三个可视化工具：

那么开始引入这些包吧：

In [1]: import numpy as np...     from sklearn import datasets...     import matplotlib.pyplot as plt...     % matplotlib inlineimport numpy as np...     from sklearn import datasets...     import matplotlib.pyplot as plt...     % matplotlib inline

第一步是载入实际数据：

In [2]: 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.<TAB>，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。

In [3]: print(digits.data.shape)...     print(digits.images.shape)Out[3]: (1797, 64)...     (1797, 8, 8)...     print(digits.images.shape)Out[3]: (1797, 64)...     (1797, 8, 8)

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：

In [4]: img = digits.images[0, :, :]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：

In [5]: plt.imshow(img, cmap='gray')Out[5]: <matplotlib.image.AxesImage at 0x7efcd27f30f0>'gray')Out[5]: <matplotlib.image.AxesImage at 0x7efcd27f30f0>

上面的命令得到下面的输出：

▲数字数据集中的一个图像样例

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。

In [6]: for image_index in range(10):...         # 图像按0开始索引，子绘图按1开始索引...         subplot_index = image_index + 1...         plt.subplot(2, 5, subplot_index)...         plt.imshow(digits.images[image_index, :, :], cmap='gray')for image_index in range(10):...         # 图像按0开始索引，子绘图按1开始索引...         subplot_index = image_index + 1...         plt.subplot(2, 5, subplot_index)...         plt.imshow(digits.images[image_index, :, :], cmap='gray')

这会得到下面的输出结果：

▲数字数据集中的十幅样例图像

Tips：另一个拥有各种数据集资源的是我的母校——加利福尼亚大学欧文分校的机器学习仓库：

http://archive.ics.uci.edu/ml

关于作者：Michael Beyeler，华盛顿大学神经工程和数据科学专业的博士后，主攻仿生视觉计算模型，用以为盲人植入人工视网膜（仿生眼睛），改善盲人的视觉体验。 他的工作属于神经科学、计算机工程、计算机视觉和机器学习的交叉领域。同时他也是多个开源项目的积极贡献者。

本文摘编自《机器学习：使用OpenCV和Python进行智能图像处理》，经出版方授权发布。

延伸阅读《机器学习》

点击上图了解及购买

转载请联系微信：DoctorData

推荐语：OpenCV是一个综合了经典和先进计算机视觉、机器学习算法的开源库。通过与Python Anaconda版本结合，你就可以获取你所需要的所有开源计算库。 本书首先介绍分类和回归等统计学习的基本概念，然后详细讲解决策树、支持向量机和贝叶斯网络等算法，以及如何把它们与其他OpenCV函数结合。

据统计，99%的大咖都完成了这个神操作

▼

更多精彩

在公众号后台对话框输入以下关键词

查看更多优质内容！

PPT | 报告 | 读书 | 书单 | 干货

大数据 | 揭秘 | Python | 可视化

AI | 人工智能 | 5G | 区块链

机器学习 | 深度学习 | 神经网络

1024 | 段子 | 数学 | 高考

猜你想看

• 有关华为、5G、芯片和操作系统，这些书你读过几本？

• 什么是数据？数据科学家需要掌握哪些技能？终于有人讲明白了

• 你为什么选择Python？4000名用户提到了这些原因

• 回顾计算机产业发展的4个阶段：美国企业统治全球市场了吗？

Q: 你在用哪些可视化工具？

欢迎留言与大家分享

觉得不错，请把这篇文章分享给你的朋友

转载 / 投稿请联系：baiyu@hzbook.com

更多精彩，请在后台点击“历史文章”查看

点击阅读原文，了解更多