欢迎关注博主 Mindtechnist 或加入【Linux C/C++/Python社区】一起学习和分享Linux、C、C++、Python、Matlab，机器人运动控制、多机器人协作，智能优化算法，滤波估计、多传感器信息融合，机器学习，人工智能等相关领域的知识和技术。
matplotlib
- 数据可视化
- 什么是matplotlib
- 安装matplotlib
- matplotlib.pyplot API介绍
- matplotlib绘图示例
- 图书推荐
专栏：《机器学习》
数据可视化
如果将文本数据和图表数据放在一起，人类的思维模式可能更适合于理解图表数据，因为图表数据更加直观、形象。使用图表来表示数据的方法就叫做数据可视化。可视化是在整个数据挖掘的关键辅助工具，可以帮助我们清晰的理解数据，从而调整我们的分析方法。通过可视化，能将数据更直观的呈现出来，使数据更加客观、更具说服力。
常用的数据可视化图表主要有以下五种：
什么是matplotlib
Matplotlib 是一款用于数据可视化的 Python 软件包，支持跨平台运行，它能够根据 NumPy ndarray 数组（NumPy 是 Python 科学计算的软件包，ndarray 则是 NumPy 提供的一种数组结构）来绘制 2D 图像。
matplotlib 是 Python 中类似于 matlab的绘图工具，是一个常用的 2D 绘图库，当然它也提供了3D绘图接口。如果有matlab的使用经验，学习matplotlib还是很快的。matplotlib 提供了一套API来支持面向对象绘图，配合 Python GUI 工具包（比如 PyQt，WxPython、Tkinter）在应用程序中嵌入图形。与此同时，matplotlib也支持以脚本的形式在 Python、IPython Shell、JupyterNotebook 以及 Web 应用的服务器中使用，非常方便。作为Python 中最受欢迎的数据可视化软件包之一，matplotlib支持跨平台运行，它通常与NumPy、Pandas一起使用，是数据分析中不可或缺的重要工具之一。
①脚本层scripting
脚本层是matplotlib 结构中的最顶层。我们编写的绘图代码大部分代码都在该层运行，它的主要工作是负责生成图形与坐标系。
②美工层artist
美工层是结构中的第二层，它提供了绘制图形的元素时的给各种功能，例如，绘制标题、轴标签、坐标刻度等。
③后端层backend
后端层是 matplotlib 最底层，它定义了三个基本类，首先是 FigureCanvas（图层画布类），它提供了绘图所需的画布，其次是 Renderer（绘图操作类），它提供了在画布上进行绘图的各种方法，最后是 Event（事件处理类），它提供了用来处理鼠标和键盘事件的方法。
Matplotlib的图像组成如下图所示
- Figure：指整个图形，可以把它理解成一张画布，它包括了所有的元素，比如标题、轴线等；
- Axes：绘制 2D 图像的实际区域，也称为轴域区，或者绘图区；
- Axis：指坐标系中的垂直轴与水平轴，包含轴的长度大小、轴标签（指 x 轴，y轴）和刻度标签；
- Artist：在画布上看到的所有元素都属于 Artist 对象，比如文本对象（title、xlabel、ylabel）、Line2D 对象（用于绘制2D图像）等。
安装matplotlib
matplotlib是专门用于开发2D图表(包括3D图表)，以渐进、交互式方式实现数据可视化。如果你用过matlab的话，可以简单理解为和matlab有类似的功能。
安装matplotlib，直接在命令行输入(在cmd命令行输入py -0p可查看python解释器安装路径，如果pycharm提示找不到python.exe可能就是解释器路径错误)
pip3 install matplotlib
安装后，便可以在jupyter notebook或者pycharm等其他环境使用进行数据可视化
在pyharm中使用matplotlib模块的时候，可能会出现报错
解决方法如下
首先点击“文件-设置”
进入后，选择“项目-project interpreter”，点击加号
在弹框中搜索matplotlib，并安装即可
至此，安装成功。
另一个比较好的安装方法是通过下载 Python 的 Anaconda 发行版，Anaconda 是一个开源的 Python 发行版本，其包含了 Python、NumPy、Matplotlib 等180多个科学包及其依赖项。
首先，进入 Anaconda 的官方网站点击直达下载页面，然后单击“Download”按钮，如下图所示：
根据自己的Python解释器的版本下载相应版本即可。并且Anconda 中提供了一个交互式笔记本 Jupyter。
matplotlib.pyplot API介绍
Matplotlib 中的 pyplot 模块是一个类似命令风格的函数集合，和 MATLAB 非常相似。pyplot 模块提供了可以用来绘图的各种函数，比如创建一个画布，在画布中创建一个绘图区域，或是在绘图区域添加一些线、标签等。主要如下：
matplotlib绘图示例
import matplotlib.pyplot as plt
import random
# 通过折线图展示温度变化
# 准备数据
x = range(60)
y_shanghai = [random.uniform(15, 18) for i in x]
# 创建画布
plt.figure(figsize=(20, 8), dpi=80)
# 构造x轴刻度标签
x_ticks_label = ["11:{}".format(i) for i in x]
# 构造y轴刻度
y_ticks = range(40)
# 修改x,y轴坐标的刻度显示
plt.xticks(x[::5], x_ticks_label[::5])
plt.yticks(y_ticks[::5])
# 添加网格显示
plt.grid(True, linestyle='--', alpha=0.5)
# 添加x轴、y轴描述信息及标题
plt.xlabel("time")
plt.ylabel("temperature")
plt.title("Temperature variation chart", fontsize=20)
# 绘制折线图
plt.plot(x, y_shanghai)
# 保存图片到指定路径 plt.show()会释放figure资源，如果在显示图像之后保存图片将只能保存空图片。
# plt.savefig("test.png")
# 显示图像
plt.show()
我们也可以通过参数设置线的风格
图书推荐
在人工智能时代，如何尽快掌握人工智能的核心—深度学习呢？相信这是每个欲进入此领域的人面临的主要问题。目前，深度学习框架很多，如TensorFlow、PyTorch、Keras、FastAI、CNTK等。面对众多的深度学习框架，初学者应如何选择？哪个框架既易于上手，又在工业界有广泛应用？毫无疑问，PyTorch是不二之选。一方面，PyTorch天然与Python结合，大大降低了深度学习的门槛；另一方面，它的流行度仅次于TensorFlow，而且有赶超之势，但是上手难度却比TensorFlow低很多。如果你是一位初学者，建议你选择PyTorch，待有了一定的基础之后，可以学习其他框架，如TensorFlow、CNTK等。
下面推荐一本能够指导读者快速掌握PyTorch和深度学习的著作，从PyTorch的原理到应用，从深度学习到强化学习，该书提供了全栈解决方案。
书名：《Python深度学习：基于PyTorch 第2版》
作者：吴茂贵 郁明敏 杨本法 李涛 等著
出版社：机械工业出版社
🔥图书介绍
本书分为三部分，共19章，第一部分为PyTorch基础，第二部分为深度学习基本原理，第三部分是实战内容。
第一部分（第1~4章）为Python和PyTorch基础部分，也是本书的基础部分，为后续学习打下一个坚实基础。第1章介绍了PyTorch的基石NumPy；第2章介绍PyTorch基础；第3、4章分别介绍PyTorch构建神经网络工具箱和数据处理工具箱等内容。
第二部分（第5~10章）为机器学习、深度学习部分，这是本书核心部分。第5章为机器学习基础；第6章为视觉处理基础；第7章介绍自然语言处理基础；第8章介绍注意力机制，详解介绍Transformer架构；第9章介绍目标检测与语义分割；第10章介绍生成式深度学习相关内容，包括AE,VAE,GAN、CGAN等模型。
第三部分（第11~19章）为深度学习实战，也即前面两部分的具体应用部分。这部分在介绍相关原理、架构的基础上，用PyTorch具体实现的典型实例，最后介绍了强化学习、深度强化学习等内容。具体各章节内容为，第11章用PyTorch实现人脸检测和识别；第12章用PyTorch实现迁移学习、迁移学习结合数据增强等实例；第13章用PyTorch实现中英文互译；第14章介绍了基于Transformer架构的ViT进行图像分类；第15章为语义分割实例；第16章多个生成式网络实例；第17章介绍对抗攻击原理及PyTorch实现对抗攻击实例；第18、19章介绍了强化学习、深度强化学习等基础及多个强化学习实例。
更为重要的是，为了让本书通俗易懂，在内容安排和写作方式上也颇花了一番心思。内容选择上，广泛涉猎、重点突出、注重实战；内容安排上，实例切入、由浅入深、循序渐进；表达形式上，深度抽象、化繁为简、用图说话。
