【深度学习】 Python 和 NumPy 系列教程（廿七）：Matplotlib详解：3、多子图和布局：散点矩阵图（Scatter Matrix Plot）

目录

一、前言

二、实验环境

三、Matplotlib详解

1、2d绘图类型

2、3d绘图类型

3、多子图和布局

1. subplot()函数

2. subplots()函数

3. 散点矩阵图（Scatter Matrix Plot）

---

一、前言

        Python是一种高级编程语言，由Guido van Rossum于1991年创建。它以简洁、易读的语法而闻名，并且具有强大的功能和广泛的应用领域。Python具有丰富的标准库和第三方库，可以用于开发各种类型的应用程序，包括Web开发、数据分析、人工智能、科学计算、自动化脚本等。

        Python本身是一种伟大的通用编程语言，在一些流行的库（numpy，scipy，matplotlib）的帮助下，成为了科学计算的强大环境。本系列将介绍Python编程语言和使用Python进行科学计算的方法，主要包含以下内容：

• Python：基本数据类型、容器（列表、元组、集合、字典）、函数、类
• Numpy：数组创建、数组操作、数组数学、广播
• Matplotlib：2d绘图、3d绘图、图表自定义、多子图和布局
• IPython：创建笔记本、典型工作流程

二、实验环境

matplotlib	3.5.3
numpy	1.21.6
python	3.7.16

• 运行下述命令检查Python版本

 python --version 

• 运行下述代码检查Python、NumPy、Matplotlib版本

import sys
import numpy as np
import matplotlib

print("Python 版本:", sys.version)
print("NumPy 版本:", np.__version__)
print("matplotlib 版本:", matplotlib.__version__)

三、Matplotlib详解

        Matplotlib是一个用于创建数据可视化的Python库。它提供了广泛的绘图选项，能够生成各种类型的图表、图形和可视化效果。下面是Matplotlib的一些主要功能：

1. 绘图风格和类型：Matplotlib支持各种绘图风格和类型，包括线图、散点图、柱状图、饼图、等高线图、3D图等，可以根据需要选择适合的图表类型来展示和分析数据。

2. 数据可视化：Matplotlib使得将数据转化为可视化表示变得简单，可以使用Matplotlib绘制图表来展示数据的分布、趋势、关系等，这有助于更好地理解数据和发现潜在的模式和关联。

3. 图表自定义：Matplotlib提供了丰富的图表自定义选项，可以调整图表的标题、标签、坐标轴、线条样式、颜色等。这使得您能够创建符合特定需求和品味的高质量图表。

4. 多子图和布局：Matplotlib允许您在单个图像中创建多个子图，以便同时展示多个相关的图表或数据视图。您可以自定义子图的布局和排列，以满足特定的展示需求。

5. 导出图像：Matplotlib支持将图像导出为多种格式，包括PNG、JPEG、PDF、SVG等。这使得您可以方便地将生成的图表保存为文件，或嵌入到文档、报告和演示文稿中。

        无论是进行科学研究、数据分析、报告撰写还是可视化展示，Matplotlib都是一个强大而灵活的工具。它广泛应用于各个领域，如数据科学、机器学习、金融分析、工程可视化等。

1、2d绘图类型

2d绘图（上）：折线图、散点图、柱状图、直方图、饼图_QomolangmaH的博客-CSDN博客​编辑https://blog.csdn.net/m0_63834988/article/details/132872575?spm=1001.2014.3001.5501​编辑https://blog.csdn.net/m0_63834988/article/details/132872575?spm=1001.2014.3001.5501​编辑https://blog.csdn.net/m0_63834988/article/details/132872575?spm=1001.2014.3001.5501https://blog.csdn.net/m0_63834988/article/details/132872575?spm=1001.2014.3001.5501

2d绘图（下）：箱线图、热力图、面积图、等高线图、极坐标图_QomolangmaH的博客-CSDN博客​编辑https://blog.csdn.net/m0_63834988/article/details/132890656?spm=1001.2014.3001.5501​编辑https://blog.csdn.net/m0_63834988/article/details/132890656?spm=1001.2014.3001.5501​编辑https://blog.csdn.net/m0_63834988/article/details/132890656?spm=1001.2014.3001.5501https://blog.csdn.net/m0_63834988/article/details/132890656?spm=1001.2014.3001.5501

2、3d绘图类型

Matplotlib绘图_QomolangmaH的博客-CSDN博客​编辑https://blog.csdn.net/m0_63834988/category_12441299.htmlhttps://blog.csdn.net/m0_63834988/category_12441299.html

3、多子图和布局

1. subplot()函数

   

Matplotlib多子图和布局：subplot()函数_QomolangmaH的博客-CSDN博客https://blog.csdn.net/m0_63834988/article/details/132908035?spm=1001.2014.3001.5501

2. subplots()函数

Matplotlib多子图和布局：subplots()函数_QomolangmaH的博客-CSDN博客https://blog.csdn.net/m0_63834988/article/details/132908388?spm=1001.2014.3001.5502

3. 散点矩阵图（Scatter Matrix Plot）

        用于可视化多个变量之间的关系，通过绘制多个散点图组合在一起形成一个矩阵

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
np.random.seed(0)
data = np.random.rand(4, 100)  # 生成一个4行100列的随机数组

# 计算变量的数量
num_vars = data.shape[0]

# 创建一个具有适当形状的子图网格
fig, axes = plt.subplots(num_vars, num_vars, figsize=(8, 8))

# 遍历每对变量并绘制散点图
for i in range(num_vars):
    for j in range(num_vars):
        axes[i, j].scatter(data[i], data[j])
        axes[i, j].set_xlabel('x{}'.format(i+1))
        axes[i, j].set_ylabel('x{}'.format(j+1))

# 调整子图之间的间距
plt.tight_layout()

# 显示图形
plt.show()

• 使用np.random.rand函数生成一个4行100列的随机数组作为随机数据。
• 根据变量的数量创建了一个具有适当形状的子图网格。
• 使用双重循环遍历每对变量，并在相应的子图中绘制散点图。scatter函数用于绘制散点图，set_xlabel和set_ylabel函数用于设置坐标轴标签。
• 使用plt.tight_layout()调整子图之间的间距，并使用plt.show()显示图形。