前言：探索matplotlib的世界

lz作为一个几乎没有py基础的萌新，对py各种强大的开源库早有耳闻，借着这次机会，希望能通过学习matplotlib来打开python的世界的大门。（不是第一次打开了）））

matplotlib是python中一个著名的绘图库，它提供了一系列的绘图函数，可以用来绘制各种图形，包括散点图，折线图，柱状图，饼图，等等。

下载matplotlib的方法也很简单，Windows系统已经安装好了Python代码运行所需的环境，直接在命令行输入这一行代码即可，安装成功后，我们就可以开始绘图了。

1
pip install matplotlib

本文主要介绍了matplotlib的一些基本用法，包括绘制简单的散点图，分析趋势，拟合曲线等功能。（更强悍的功能有待挖掘，并不是库不够强大，只是lz水平有限+已经足够课程要求，只能说是入门级的学习笔记）

附上matplotlib官网：https://matplotlib.org，里面有丰富的教程和示例，强烈建议读者多多参考（能不能看懂又是另一回事）））。

绘制散点图

matplotlib中最简单的绘图方式就是绘制散点图，这里以code coploit给我生成的两组数据为例） 代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import matplotlib.pyplot as plt
import numpy as np

# 绘制数据
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y1 = np.array([1.5, 2.5, 3.5, 4.5, 5.5, 6.5, 7.5, 8.5, 9.5, 10.5])
y2 = np.array([1.2, 2.2, 3.2, 4.2, 5.2, 6.2, 7.2, 8.2, 9.2, 10.2])

# 绘制散点图
plt.scatter(x, y1, label='Group 1')     # Group 1为图像的名称，Group 2同理
plt.scatter(x, y2, label='Group 2')

# 设置图例
plt.legend()

# 设置标题和轴标签
plt.title('Example of Scatter Plot')        # 标题
plt.xlabel('X-axis')                      # x轴标签
plt.ylabel('Y-axis')                      # y轴标签

# 显示图形
plt.show()

可以复制代码查看运行结果，运行结果如下：

可以看到，matplotlib绘制的散点图非常直观，请读者对照着代码尝试理解。

下面提供几种常见的函数：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# 设置图例的位置，'upper left'表示左上角
plt.legend(['Group 1', 'Group 2'], loc='upper left')

# 设置坐标轴范围
plt.xlim(0, 10)
plt.ylim(0, 11)

# 设置x轴刻度
plt.xticks([1, 3, 5, 7, 9])   
# 或者如下，2为步进值
plt.xticks(np.arange(1, 11, 2))

# 设置点的颜色
plt.scatter(x, y1, c='r', label='Group 1')
# 'r'表示红色，其他颜色代码请参考matplotlib官网,'Group 1'为图像的名称

至此掌握这几种函数我们已经能绘制一些简单的散点图了，气泡图，三维图，热力图等功能请自行查找相关资料。

使用散点图拟合曲线

matplotlib中有很多函数可以用来拟合曲线，这里以拟合一条直线函数为例，代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import pearsonr    # 计算相关系数 引入pearsonr函数

x = [1, 2, 3, 1.5, 4, 2.5, 6, 4, 3, 5.5, 5, 2]
y = [3, 4, 8, 4.5, 10, 5, 15, 9, 5, 16, 13, 3]

plt.scatter(x, y, color="red")
plt.title("Scatter Plot of the data")
plt.xlabel("X")
plt.ylabel("Y")

linear_model = np.polyfit(x, y, 1)     # 拟合一条直线
linear_model_fn = np.poly1d(linear_model)    # 得到拟合函数
x_s = np.arange(0, 7)     # 定义x轴范围
plt.plot(x_s, linear_model_fn(x_s), color="green")     # 绘制拟合曲线

# 计算相关系数
corr, _ = pearsonr(x, y)
print("相关系数：", corr)
# 相关系数r

# 计算拟合曲线与原始数据的误差
y_pred = linear_model_fn(x)
mse = np.mean((y_pred - y) ** 2)
print("MSE：", mse)   
# 均方误差

# 计算拟合曲线的拟合程度
r_squared = 1 - (mse / np.var(y))
print("拟合程度：", r_squared)
# 拟合程度r^2

# 得到拟合曲线的截距和斜率
print("截距：", linear_model[1])
print("斜率：", linear_model[0])

plt.show()

运行代码结果如下：


保存之后运行代码，可以看到相关系数，MSE，拟合程度，截距，斜率等信息

（Python运行结果的很多信息都需要自己用print打印出来，并不代表他没有求）。
matplotlib已经帮我们找到一条一次函数拟合曲线，这条曲线与原始数据有着很强的相关性，想拟合更高阶的曲线，例如二次函数，把degree参数改成2即可。

tips:
想绘制折线图可以加上以下代码：

1
plt.plot(x, y,'b-', color="blue") # 'b-'表示为蓝色的折线，其他用法请参考matplotlib官网，请注意折线连接方式，为了确保折线方向一致，请将x轴数据从小到大排列

12.5更新:坐标值需要无穷时，可用float('inf')代替（实际上如果不知道的话，可以像我一样用coploit让他自己生成出来）））
至此先停笔，有新的需求时会再补充。