數據分析
▲行文目錄結構，重點是右三分支
01 關於Matplotlib
Matplotlib是Python的一個繪圖庫，與Numpy、pandas共享數據科學三劍客的美譽，也是很多高級可視化庫的基礎。Matplotlib不是Python內置庫，調用前需手動安裝，且需依賴Numpy庫。截至當前，Matplotlib發行版本號爲3.2.1，適配Python3.6及以上版本。
Matplotlib，是matrix + plot + library的縮寫，雖然命名很是直觀，但個人接觸之初卻是常常不禁嗤之以鼻：
-
類比Numpy、pandas、sklearn這些簡潔易寫的庫名，Matplotlib由三個單詞縮略而成，冗餘得多；尤其是後面加了個lib，好像不加lib就不是庫？
-
Matplotlib自身名字長也就罷了，但調用它的時候居然還不能簡單的直接調用，而是要用它的子模塊pyplot。那既然pyplot是核心繪圖模塊，爲什麼不把其接口引入到頂層呢？那樣直接import matplotlib就行，而無需每次都import matplotlib.pyplot as plt了
-
雖然pyplot是Matplotlib下的子模塊，但二者的調用關係卻不是Matplotlib調用pyplot，而是在pyplot中調用Matplotlib，略顯本末倒置？
當然，我等作爲使用者、調包俠，自然是無法領會開發者的獨特考慮，也絕無資格對其評三道四，僅做吐槽一二。
▲pyplot部分調用模塊
前面說到，調用Matplotlib庫繪圖一般是用pyplot子模塊，其集成了絕大部分常用方法接口，查看pyplot源碼文件可以發現，它內部調用了Matplotlib路徑下的大部分子模塊（不是全部），共同完成各種豐富的繪圖功能。
其中有兩個需要重點指出：figure和axes，其中前者爲所有繪圖操作定義了頂層類對象Figure，相當於是提供了畫板；而後者則定義了畫板中的每一個繪圖對象Axes，相當於畫板內的各個子圖。
換句話說，figure是axes的父容器，而axes是figure的內部元素，而我們常用的各種圖表、圖例、座標軸等則又是axes的內部元素。
當然，之所以不能稱pyplot爲一級命名空間的原因，不僅僅在於它在形式上隸屬於Matplotlib，最主要的在於它還不算是Matplotlib的“獨裁者”，因爲Matplotlib的另一個重要模塊——pylab——或許稱得上是真正意義上的集大成者：
pylab被定位是Python中對MATLAB的替代產品，也就是說凡是MATLAB可以實現的功能，pylab通通都要有，例如矩陣運算（包括常規矩陣運算、線性代數、隨機數、FFT等）、繪圖功能等等。
▲pylab導入的那些重量級模塊
至此，關於Matplotlib的pyplot和pylab兩個子模塊，我們可以得出2點結論：
-
pyplot的功能定位決定其不能成爲一級命名空間：即便是尋找Matplotlib的替代包名，那麼也該是pylab而不是pyplot
-
簡單地講，以後也不用import numpy 和 import matplotlib.pyplot了，直接import matplotlib.pylab就夠了，畢竟它集成了二者的全部功能
▲pylab集成了Numpy和pyplot全部功能
當了解pylab模塊功能之後，才真正理解開發者的深謀遠慮：原以爲Matplotlib的意思是"面向矩陣的繪圖庫"，哪知其真正意義是"矩陣+繪圖庫"，繪圖只是它的一半。不過，也正因爲pylab模塊集成了過多的功能，直接調用並不是一個明智的選擇，官方已不建議用其繪圖。
注：按照慣例，本文後續多以plt作爲matplotlib.pyplot別名使用。
02 3種繪圖接口
用Matplotlib繪製可視化圖表，主要有3種接口形式：
-
plt接口，例如常用的plt.plot()，用官方文檔的原話，它是Matplotlib的一個state-based交互接口，相關操作不面向特定的實例對象，而是面向"當前"圖
-
面向對象接口，這裏的面向對象主要是指Figure和Axes兩類對象。前文提到，Figure提供了容納多個Axes的畫板，而Axes則是所有圖標數據、圖例配置等繪圖形元素的容器。面向對象的繪圖，就是通過調用Figure或Axes兩類實例的方法完成繪圖的過程（當然，Figure和Axes發揮的作用是不同的）。通俗的說，就是將plt中的圖形賦值給一個Figure或Axes實例，方便後續調用操作
-
pylab接口，如前所述，其引入了Numpy和pyplot的所有接口，自然也可用於繪製圖表，仍然可看做是pyplot接口形式。因其過於龐大官方不建議使用
▲plt接口和麪向對象接口混合繪圖
鑑於pylab的特殊性，Matplotlib繪圖主要採用前2種方式。而在二者之間：
-
如果是簡單的單圖表繪製，或者是交互實驗環境，則plt接口足以滿足需要，且操作簡單易用
-
如果是多圖表繪製，需要相對複雜的圖例配置和其他自定義設置，那麼毫無疑問面向對象接口繪圖是當之無愧的不二選擇
需要指出，Axes從形式上是座標軸axis一詞的複數形式，但意義上卻遠非2個或多個座標軸那麼簡單：如果將Figure比作是畫板的話，那麼Axes就是畫板中的各個子圖，這個子圖提供了真正用於繪圖的空間，除了包含純粹的兩個座標軸(axes)外，自然還包括圖形、圖例等。
所以準確的講，如果說Axes和座標軸有何關聯的話，那麼Axes應該算是廣義的座標軸，或簡單稱之爲子圖即可。
03 繪圖3步走
如同把大象裝進冰箱需要3步一樣，用Matplotlib繪圖一般也可以分3步。下面以plt接口繪圖爲例，面向對象接口繪圖流程完全一致，僅僅是個別接口方法名略有改動：
-
創建畫板，包括創建figure和axes對象，常用有3種方法
-
plt.figure，主要接收一個元組作爲figsize參數設置圖形大小，返回一個figure對象用於提供畫板
-
plt.axes，接收一個figure或在當前畫板上添加一個子圖，返回該axes對象，並將其設置爲"當前"圖，缺省時會在繪圖前自動添加
-
plt.subplot，主要接收3個數字或1個3位數（自動解析成3個數字，要求解析後數值合理）作爲子圖的行數、列數和當前子圖索引，索引從1開始（與MATLAB保存一致），返回一個axes對象用於繪圖操作。這裏，可以理解成是先隱式執行了plt.figure，然後在創建的figure對象上添加子圖，並返回當前子圖實例
-
plt.subplots，主要接收一個行數nrows和列數ncols作爲參數（不含第三個數字），創建一個figure對象和相應數量的axes對象，同時返回該figure對象和axes對象嵌套列表，並默認選擇最後一個子圖作爲"當前"圖
▲plt.subplots同時返回figure和axes實例，默認將最後一個axes子圖作爲"當前"圖
-
繪製圖表，常用圖表形式包括：
-
plot，折線圖或點圖，實際是調用了line模塊下的Line2D圖表接口
-
scatter，散點圖，常用於表述兩組數據間的分佈關係，也可由特殊形式下的plot實現
-
bar/barh，條形圖或柱狀圖，常用於表達一組離散數據的大小關係，比如一年內每個月的銷售額數據；默認豎直條形圖，可選barh繪製水平條形圖
-
hist，直方圖，形式上與條形圖很像，但表達意義卻完全不同：直方圖用於統計一組連續數據的分區間分佈情況，比如有1000個正態分佈的隨機抽樣，那麼其直方圖應該是大致滿足鍾型分佈；條形圖主要是適用於一組離散標籤下的數量對比
-
pie，餅圖，主要用於表達構成或比例關係，一般適用於少量對比
-
imshow，顯示圖像，根據像素點數據完成繪圖並顯示
▲plot接口文檔及部分參數
當然，各圖表接口參數繁多且不盡一致，全部熟記幾乎不現實，可僅記住常用參數及相關可選項，其他留作使用時查閱即可。
-
配置圖例：對所繪圖形進一步添加圖例元素，例如設置標題、座標軸、文字說明等，常用接口如下：
-
title，設置圖表標題
-
axis/xlim/ylim，設置相應座標軸範圍，其中axis是對後xlim和ylim的集成，接受4個參數分別作爲x和y軸的範圍參數
-
grid，添加圖表網格線
-
legend，在圖表中添加label圖例參數後，通過legend進行顯示
-
xlabel/ylabel，分別用於設置x、y軸標題
-
xticks/yticks，分別用於自定義座標軸刻度顯示
-
text/arrow/annotation，分別在圖例指定位置添加文字、箭頭和標記，一般很少用
▲關於圖例配置的官方解釋
▲plt接口繪圖中配置常用圖例
前面提到，繪圖接口有2種形式，分別是面向"當前"圖的plt接口和麪向對象接口，在這2種方式的相應接口中，多數接口名是一致的，例如：plt.plot()和axes.plot()、plt.legend()和axes.legend()，但也有一些不一致的接口：
-
plt.axes()——fig.add_axes()
-
plt.subplot()——fig.add_subplot()
-
plt.GridSped()——fig.add_gridspec()
-
plt.xlabel()——axes.set_xlabel()
-
plt.ylabel()——axes.set_ylabel()
-
plt.xlim()——axes.set_xlim()
-
plt.ylim()——axes.set_ylim()
-
plt.title()——axes.set_title()
對此，一方面兩類接口雖然略有區別，但也還算有規律；另一方面，在面向對象繪圖配置圖例時，有更爲便捷的設置圖例接口axes.set()，其可以接收多種參數一次性完成所有配置，這也正是面向對象繪圖的強大之處。
04 自定義子圖
前面提到，figure爲繪圖創建了畫板，而axes基於當前畫板創建了1個或多個子圖對象。爲了創建各種形式的子圖，Matplotlib主要支持4種添加子圖的方式。
常用的添加子圖的方法莫過於subplot和subplots兩個接口，其中前者用於一次添加一個子圖，而後者則是創建一組子圖。
除此之外，plt.axes也可通過接收尺寸參數實現多子圖繪製：在添加子圖時傳入一個含有4個數值的元組，分別表示子圖的底座標和左座標（設置子圖原點位置）、寬度和高度（設置子圖大小），從而間接實現子圖僅佔據畫板的一塊子區域。
相應的方法接口在面向對象接口中是fig.add_axes()，僅僅是接口名字不同，但參數和原理是一致的。例如：
▲應用plt.axes繪製多子圖
通過axes繪製多子圖，應對簡單需求尚可，但面對複雜圖表繪製時難免過於繁瑣：需要手工計算各子圖的原點位置和大小，意味着可能需要多次嘗試。此時，可選的另一種繪製多子圖的接口是plt.GridSpec。
實際上，GridSpec只是對subplot接口的一個變形，本質上仍然是執行類似subplot多子圖流程：通過切片將多子圖合併，實現不規則多子圖的繪製。與subplot、axes在面向對象和plt兩類繪圖接口間的區別類似，GridSpec在面向對象時的接口爲add_gridspec()。
這裏直接給出官網的一個繪製圖例，具體可查看官方示例代碼：
▲應用plt.GridSpec實現複雜多子圖繪製
05 自定義配置
實際上，前述在配置圖例過程中，每次繪製都需要進行大量自定義代碼設置（這也是Matplotlib的一個短板），在少量繪圖工作時尚可接受，但在大量相似繪圖存在重複操作時，仍然採取這一方法不會是一個明智的選擇（雖然也可以簡單的封裝成一個函數）。
爲此，Matplotlib提供了自定義參數實現批量配置——rcParams，全稱runtime configuration Parameters，即運行時配置參數。顧名思義，就是在Python程序運行時臨時執行的配置參數。
rcParams是一個字典格式，當前共有299個鍵值對，分別對應一組參數配置選項。其中用得最多的可能是通過設置字體和減號編碼來解決亂碼的問題，但實際上它的功能強大之處可遠非如此。
▲設置rcParams解決中文亂碼的問題
另一個簡單易用的自定義配置選項是style，即設置繪圖風格，最早在Matplotlib1.4版本中引入，當前共支持26種繪圖風格，這裏的繪圖風格類似於很多IDE支持不同主題。可以通過plt.style.available命令查看，返回一個可選風格的列表。例如，以下命令設置繪圖爲senborn風格：
▲設置seaborn繪圖風格
06 走向3D
在可視化愈發重要的當下，Matplotlib當然不僅支持簡單的2D圖表繪製，其也提供了對3D繪圖的豐富接口。
-
contour，實際上是一個僞3D圖形，仍然是在2維空間繪圖，但可以表達3維信息。例如在機器學習中，contour常用於繪製分類算法的超平面：
如果需要繪製真3D圖形，則需要額外導入Matplotlib專用3D繪圖庫：mpl_toolkits，包括3D版的Axes對象和常用圖表的3D版：
-
plot3D，3D版plot，可用於繪製3維空間的折線圖或點圖
-
scatter3D，3維散點圖
-
bar3D，3維條形圖
-
contour3D，3維等高線
07 更高級的封裝
Matplotlib提供了大量豐富的可視化繪圖接口，但仍然存在短板：例如繪圖操作略顯繁瑣、圖表不夠美觀。爲此，在Matplotlib基礎上產生了一些封裝更爲便捷的可視化庫，實現更爲簡單易用的接口和美觀的圖表形式，包括：
-
pandas.plot，一個最直接的對Matplotlib繪圖的封裝，接口方法非常接近
-
seaborn，是對Matplotlib的高級封裝，具有更爲美觀的圖形樣式和顏色配置，並提供了常用的統計圖形接口，如pairplot()適用於表達多組數據間的關係
-
ggplot，也是對Matplotlib進行二次封裝的可視化庫，主要適用於pandas的DataFrame數據結構