python数组plot_python之matplotlib画图教程(1)

最近迷上了用matplotlib去绘制数据，如果你也需要经常与数据，图表打交道，那可以说是肥肠推荐使用了。

---

一段时间之前，微软在其官方发起了一个小的投票，咨询广大网友是否可以考虑用python代替VBA，成为Excel的官方脚本语言。

首先不管最终微软是否会将此付诸实践，值得一提的是，VBA确实太老了，相对独立，语法奇特，还没有啥特别好的社区氛围。细数一下真的是槽点满满，但是没办法啊，人家依附着Excel而存在。就像你想吃一顿法式大餐，就得接受穿一身不那么舒服的晚礼服。

如果一个都市白领，每天繁忙的与各种数据打交道，焦头烂额。我首先建议你能学会用VBA替代绝大多的手工工作。真正的在工作岗位去做决策的人并不多，更多的都是在重复劳动。

加班？不存在的。

当然扯远了，我们这一次要来聊一聊使用python中的matplotlib库来绘图。

平心而论，作为宇宙最强办公室套装--Office来说，用起来绝对没毛病，但绝大多人用过的功能也只能算九牛一毛，Excel数据绘图真是又好看又好用。

既然Excel这么棒，那为什么要用matplotlib来画图呢？

首先来说，matplotlib支持的更广，配合上numpy和pandas，更加如虎添翼。做起来数学以及科学方面的研究，简直可以说爽歪歪。（numpy和pandas是啥？呃。。）

再扯一个闲话，你可以考虑下为什么很多人觉得立体几何无法理解？简单的来说不就是因为看不见摸不着么，如果作为一个数学老师，每讲一题都要给学生每人做一套塑料模型，大家一边观察模型一边解题，那不太合适。

但是如果用代码绘制出一套模型，一边展示成品一边去分析题目，效果应该会好很多吧。（想法很美好，但是逼着一个人学python应该比逼着他学数学更难吧。）

比如，下面是我用代码画的一个魔方。如果闲得无聊可以自己解着玩。。（我是多无聊。。）

matplotlib绘制可以玩的魔方https://www.zhihu.com/video/1129447590256955392

---

回到正题，如果你还是个新手，只是会用python，那咱们就把当下流行的几个科学研究的python库一起学习下吧~

首先，matplotlib可以看做是matlab中的绘图功能在python上的移植。如果你并不知道MATLAB是什么，也没有关系。它是一款主要针对算法研发，科学计算，数据可视化之类的工具，由于内部优化非常棒，功能覆盖面极广，可以算是工程师最爱的软件之一，当然现在大有被python取代之势，还是那句话“人生苦短，我用python”。据说matplotlib的开发者也是因为用matlab绘图遇到瓶颈，决定另起炉灶才有了现在这个下载量超过数千万的第三方库。

MATLAB_百度百科​baike.baidu.com

numpy则可以看做是将matlab中大部分常用的数学计算相关功能进行了抽离。主要进行矩阵操作，也就是你我所熟知的线性代数相关。你觉得线性代数很无聊？机器学习，深度学习就是一个一个矩阵堆出来的啊。

pandas可以看做是对于numpy又进行了一次的封装，在数据处理，清洗数据等方面有着非常亮眼的表现。当然这不是我们本篇内容要去讨论的了。

别懵，其实不用把这个过程想的特别复杂，简单的说就两步

1. numpy和pandas负责把数据准备好
2. matplotlib负责把数据制作成图。

我不建议你现在去看这些第三方库的官方文档，虽然很详尽，但是从学习路径而言，请尽量用什么学什么，有目的性的学习更容易接受。

---

前面叨叨了这么多，咱们就动手开始做一些简单的数据绘制。

比如我们现在绘制一幅离散图，但是要玩就别玩太简单的，我们现在绘制一个基于某函数，并在其一定范围震动的离散图，听起来是不是很懵，没关系，咱们画出来就明白了。

总体的想法是我们先绘制一个函数

这个函数明显是我随手瞎编的。那又如何理解在一定范围内震动呢？其实。。就是对于y加个随机数，比如我们在

范围内波动吧。

话不多说，上代码！

import numpy as np
import matplotlib.pyplot as plt

def trans(x):
    random_data=-5+10*np.random.random(x.shape)
    y=1/100*x**4-8/300*x**3-3+random_data+np.log(x)
    return y

x=np.linspace(-10,10,50)
y=trans(x)
fig=plt.figure()
ax=fig.add_subplot(111)
ax.scatter(x,y,marker='x',color='r')
plt.show()
#fig.savefig('a.png') #储存结果

咱们先看代码。

首先我们加入了numpy以及matplotlib.pyplot两个库。

x=np.linspace(-10,10,50)，代表从-10到10之间，等分成50个数字，这时候的x是一个长度为50的数组。

定义了trans方法，按照上方的函数定义x,y之间的关系，由于numpy有着非常好的传播机制，也就是你不用管这时候是单纯的数字间计算或者是数组间计算，我们只需要关注逻辑就够了，这时候的y也应该是一个含有50个元素的数组。（对于random_data为何如此赋值，可以自己考虑考虑。或者说非常值得考虑考虑。）

不过我这里挖了个坑，对于ln(x)函数而言，如果x是负值，那么是没有意义的。算法很机智的自己避开了，虽然我们设定

，但是算法屏蔽了非正区间，

点赞！

---

对于一个输出框（plot）而言，它由最基础的几个部分组成

• fig--figure，可以理解为绘制图像的容器。
• ax--axes，理解为每一个绘图区域，因为现在我们只分配了一个区域，所以看起来沾满了整个figure。别急，咱们再画个分4个区域的。

丑是丑了点，但是注意看代码。

ax1=fig.add_subplot(411) #分为4行一列，现在是第一行
ax2=fig.add_subplot(412) #分为4行一列，现在是第二行
ax3=fig.add_subplot(413) #分为4行一列，现在是第三行
ax4=fig.add_subplot(414) #分为4行一列，现在是第四行
ax1.plot(x,x)
ax2.plot(x,2*x)
ax3.plot(x,-1*x)
ax4.plot(x,-2*x)

这样的写法就可以将一个figure拆分成多快，如果你愿意可以拆成各种奇怪的样子。

• ax.scatter(x,y,marker='x',color='r')，首先ax.scatter代表了在ax的绘制区域内，需要画一幅离散图，marker='x'代表了每个点如何显示，比如上方的点状图，我们是用一个红x来表示每个点，当然marker的样子还有许多其他的。

https://matplotlib.org/api/markers_api.html​matplotlib.org

• plt.show()则可以将我们绘制好的图形进行显示，或者你想存储为图片，也可以调用fig.savefig('a.png')，但是注意savefig方法只能在fig上使用。

---

如果现在我不想画这样的点点图，我想画一个函数的曲线呢？

安排！

import numpy as np
import matplotlib.pyplot as plt


def trans(x):
    
    y=1/100*x**4-8/300*x**3-3+np.log(x)
    return y

x=np.linspace(-10,10,50)
y=trans(x)
fig=plt.figure()
ax=fig.add_subplot(111)

ax.plot(x,y,ls='-.',label='$y=1/100x^4-8/300x^3-3+ln(x)$')
plt.legend()
plt.show()
#fig.savefig('r5.png')

几乎一样，我们只是把ax.scatter改成了ax.plot

这里请注意ls='-.'，注意看上面的曲线，ls的意思是line-style代表了现在曲线的样式，当然我也可以改成‘--’

或者用最简单的'-'。

根据个人喜好随意调换。

• plt.legend()代表了绘制图形的同时，写出图形对应的标签，我们在label里声明了这个函数是什么，所以请注意看图像的左上角，都有了相应的说明。

今天先说这么多，咱们下回继续！自己动手试试哦~