Matplotlib Tutorial: Python Plotting
Matplotlib速查表
seaborn: 统计数据可视化. Seaborn 一个基于Matplotlib的Python可视化库。为画出美观的统计图表而提供高阶API。

工作流

Matplotlib画图，可视化数据，分为六步：

1. 准备数据
2. 创建画板（Figure、Axes）
3. 画plot
4. 调整
5. 保存savefig
6. 展示show

注意：上面步骤是按顺序执行的，莫颠倒。

下面代码段给出了一个完整的流程：

import matplotlib.pyplot as plt
import numpy as np
# step 1
x = np.linspace(start=0, stop=np.pi, num=100)
y = np.sin(x)
# step 2
fig = plt.figure()

ax = fig.add_subplot(111)

# step 3 & 4
ax.plot(x, y,
        color='lightblue',
        linewidth=3)

ax.scatter([x[20], x[49], x[79]], [y[20], y[49], y[79]],
            color='darkblue',
            marker='^')
# step 4
ax.set_xlim(0, np.pi)
# step 5
plt.savefig('foo.png', transparent=True)
# step 6
plt.show()

plt.cla()       # clean axis
plt.clf()       # clean figure
plt.close()     # close window

上面代码画出的图如下所示：

foo.png和元素分解

Figure和Axes

上面的图示除了正常的内容之外，额外添加了Matplotlib里面的画图需要理解的基本元素，即Figure和Axes。可以把Figure对象想象成一个大的画板，若要作画，还必须依赖坐标系Axes。一个Figure对象可以持有多个子图，但每个子图都需要独立的坐标系。所以步骤二创建画板，实际是在创建Figure对象，添加一个（或多个）坐标系（子图）。记住，这里子图和坐标系是同样的概念。

在Matplotlib中创建子图的方式不止一种，我这里只向大家介绍一种以免混淆。
如下代码使用fig.add_subplot()方法创建了4个子图在同一个Figure上。

fig = plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None)

ax1 = fig.add_subplot(221) # row-column-num
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(223)
ax4 = fig.add_subplot(224)

然后你就可以分别在不同的子图上展示数据了。如果是fig.add_subplot(111)，那就只返回一个子图（坐标系），就像第一个代码段那样。
上面的代码看起来略显繁琐，如果你想一次创建一个2行2列个子图在一个figure上，那么只需要一行代码就可以了：

fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2)
# fig, axes = plt.subplots(nrows=2, ncols=2)
# ax1, ax2, ax3, ax4 = axes[0,0], axes[0,1], axes[1,0], axes[1,1]

上面两种创建多个子图的方法分别使用了Figure对象的add_subplot()方法和plt的subplots()方法。

• Figure.add_subplot()方法每次添加一个子图，返回这个子图的坐标系。
• plt.subplots()方法一次性创建并返回全部坐标系。
• 如果你习惯直接调用plt，并且一次只创建一个子图，那么plt.subplot(nrows, ncols, plot_number)是不错的选择。

到此为止，给出的这些创建Axes的方法都涉及到subplot，与之对应的是另一种创建Axes的方式Figure.add_axes((left, bottom, width, height))，这个方法创建一个矩形区域，(left, bottom)是矩形左下角的坐标，width是矩形区域的宽度，height是矩形区域的高度，然后返回这个区域的坐标供画图使用。虽然都返回坐标系，但这这两种方式，subplot和Figure.add_axes，返回的是两种不同的坐标系对象:

• subplot返回的是matplotlib.axes._subplots.AxesSubplot，自带网格框架
• add_axes返回的是matplotlib.axes._axes.Axes，更自由

常用的数据图

Axes class

• ax.plot()
  matplotlib.axes.Axes.plot

• Axes.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, **kwargs)
  s是每个点的大小，当每个点的大小有意义时，特别有用，例如气泡图，每个气泡面积代表大小。
  marker默认为'o'。
  alpha为点的透明度，0为透明，1为不透明。当数据之间有遮挡，但又需要显示出来时，设置透明度，例如0.5，是个不错的选择。
  matplotlib.axes.Axes.scatter

• ax.bar()

• ax.barh()

• ax.axhline()

• ax.axvline()

• ax.fill()

• ax.fill_between()

• ax.arrow()

• ax.quiver()

• ax.streamplot()

• ax.hist()

• ax.boxplot()

• ax.violinplot()

• ax.imshow(img, cmap='gist_earth', interpolation='nerarest', vmin=-2, vmax=2)

调整你的数据图

除了基本的数据图之外，大部分情况下都需要添加更多的信息对图表进行说明，或者协调坐标系等，使数据图表更加美观、一致，表达信息更加清晰易懂！
本节内容参考Matplotlib官网

颜色color c

缩写和全称表示颜色：
‘b’ - blue
‘g’ - green
‘r’ - red
‘c’ - cyan
‘m’ - magenta
‘y’ - yellow
‘k’ - black
‘w’ - white

十六进制字符串表示颜色：
#008000

RGB或者RGBA元组：
(0,1,0,1)

灰度阶（字符串）:
'0.8'

如果你有多种类别的数据，例如10种，每种类别都需要唯一的颜色表示，这在聚类结果可视化中很常见。此时，seaborn提供了简洁的方法创建类别颜色sns.palplot(sns.color_palette("hls", 10))，这个方法直接返回一个RGB颜色三元组序列，可以直接在Matplotlib需要提供颜色的时候使用。你也许在使用之前需要先展示一下这些颜色，调用sns.palplot(colors)即可。例如

sns.palplot(sns.color_palette("hls", 8))

8种类别的颜色

这个方法产生的颜色只改变颜色见的色调hue值，同时保持亮度、对比度不变，所以人眼看起来会更加舒服。

标记marker

字符	样式
'-'	solid line style
'--'	dashed line style
'-.'	dash-dot line style
':'	dotted line style
'.'	point marker
','	pixel marker
'o'	circle marker
'v'	triangle_down marker
'^'	triangle_up marker
'<'	triangle_left marker
'1'	tri_down marker
'2'	tri_up marker
'3'	tri_left marker
'4'	tri_right marker
's'	square marker
'p'	pentagon marker
'*'	star marker
'h'	hexagon1 marker
'H'	hexagon2 marker
'+'	plus marker
'x'	x marker
'D'	diamond marker
'd'	thin_diamond marker
'|'	vline marker
'_'	hline marker