ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

机器学习应用中级Python编程
章节 1: 进阶Python结构用于数据科学
Python 基础知识回顾
列表推导式和生成器表达式
使用迭代器和生成器
高级函数参数
代码重用性中的装饰器
用于资源管理的上下文管理器
机器学习中的面向对象编程原则
错误处理与异常管理
实践:应用高级Python技术
第 1 章测验
章节 2: NumPy 数值计算
NumPy 数组简介
数组创建方法
NumPy 数组的索引与切片
数组计算与通用函数
广播规则及应用
NumPy 中的线性代数运算
NumPy中的统计函数
读取和写入数组数据到文件
动手实践:NumPy 数组操作
第 2 章测验
章节 3: Pandas 数据操作
Pandas数据结构简介
从多种来源加载数据
数据索引与选择
处理缺失数据
数据清洗与数据转换技巧
分组和聚合操作
合并、连接和拼接数据帧
Pandas中的时间序列数据处理
实践:使用 Pandas 整理数据
第 3 章测验
章节 4: 使用 Matplotlib 和 Seaborn 进行数据可视化
Matplotlib 绘图基本原理
创建常用图表类型
图表自定义
使用子图
用于统计数据可视化的 Seaborn 简介
使用 Seaborn 创建高级图表
分布与关系的可视化
保存绘图用于报告和演示文稿
动手实践:数据可视化查看
第 4 章测验
章节 5: 为机器学习准备数据
机器学习工作流程概览
特征工程原理
处理分类数据
特征缩放和标准化方法
将数据划分为训练集和测试集
Scikit-learn 管道介绍
保持数据变换的一致性
实践:构建数据准备管道
第 5 章测验
章节 6: 为机器学习编写高效且可维护的 Python 代码
代码风格与可读性
机器学习项目结构化
编写高效的函数和模块
虚拟环境简介
Python 代码性能分析
优化 NumPy 和 Pandas 的方法
机器学习单元测试介绍
Git 版本控制基础
实践:重构与优化机器学习代码片段
第 6 章测验

Matplotlib 绘图基本原理

Matplotlib 是一个基础库,用于在 Python 中创建静态、交互式和动态可视化。尽管 Seaborn(我们很快会讲到)等其他库为特定统计图表提供了更高级的接口,但理解 Matplotlib 的结构很重要,因为许多其他绘图库都是在其基础上构建的。可以将 Matplotlib 视为支撑 Python 大部分 2D 绘图功能的核心。

为了有效使用 Matplotlib,理解其主要组成部分会有所帮助。可视化是逐层构建的,从整体容器开始,逐步添加特定的绘图元素。

Matplotlib 绘图的结构

在最高层级,我们有 Figure。可以把它想象成绘制所有内容的整个窗口或页面。它是所有绘图元素的顶层容器,包括标题、图例,以及最重要的是,一个或多个 Axes。

一个 Axes 对象代表一个独立的图或图表(不要混淆复数 Axes 和单数 Axis)。它是用 X 轴和 Y 轴(或 3D 中的其他坐标)绘制数据的区域。一个 Figure 可以包含多个 Axes 对象,通常排列成网格。这对于并排比较数据的不同视图很有用。每个 Axes 都有自己的标题、X 轴标签和 Y 轴标签。

在一个 Axes 内部,有 Axis 对象(对于 2D 图通常有两个:X 轴和 Y 轴)。这些对象处理数据范围(限制)的缩放、刻度线(沿轴的位置)以及刻度标签(表示刻度处值的文本)。

以下是其分解:

该图表展示了层次结构:一个 Figure 包含一个或多个 Axes,每个 Axes 包含 Axis 对象和实际绘制的数据(线条、点等),以及标题和标签等描述性元素。

两种接口:pyplot 和面向对象

Matplotlib 提供了两种主要的绘图方式:

  1. pyplot 模块: 这提供了一组函数(plt.plot()、plt.title() 等),它们隐式地作用于“当前”的图形和坐标系。它常用于快速、交互式绘图,因为它启动所需代码量少。它维护一个内部状态,在需要时自动创建图形和坐标系。
  2. 面向对象 (OO) 接口: 这涉及显式地创建 Figure 和 Axes 对象,然后直接在这些对象上调用方法(例如 ax.plot()、ax.set_title())。这种方法通常推荐用于更复杂的图表、可重用函数,或者需要对图形元素进行更精细控制的情况。它使代码更清楚地指示正在修改哪个图。

尽管 pyplot 对于简单任务很方便,但本课程将主要侧重于面向对象的方法,因为它更符合构建更结构化、可能更复杂的视觉效果的需求,这在机器学习 (machine learning)工作流中常会用到。

创建你的第一个图(面向对象风格)

让我们看看如何使用 OO 接口创建一个基本图。标准的第一个步骤是导入必要的库:

import matplotlib.pyplot as plt
import numpy as np

我们通常将 matplotlib.pyplot 导入为 plt。即使在使用 OO 接口时,pyplot 仍用于创建图形和坐标系(plt.subplots())以及显示图表(plt.show())等函数。

接下来,我们创建一个 Figure 和一组 Axes。plt.subplots() 函数是完成此操作的便捷方法。它返回一个包含 Figure 对象和一个或多个 Axes 对象的元组。

# 示例数据
x = np.linspace(0, 10, 100) # 从 0 到 10 的 100 个点
y = np.sin(x)

# 创建一个 Figure 和一个 Axes 对象
fig, ax = plt.subplots()

# 在 Axes 上绘图
ax.plot(x, y, color='#1c7ed6', linewidth=2) # 蓝色线条

# 使用 Axes 方法自定义图表
ax.set_title("简单的正弦波")
ax.set_xlabel("X 值")
ax.set_ylabel("Y 值 (sin(x))")
ax.grid(True, linestyle=':', color='#adb5bd') # 添加一个浅灰色网格

# 显示图表
plt.show()

此代码片段执行以下操作:

  1. 导入 matplotlib.pyplot 和 numpy。
  2. 使用 NumPy 生成一些示例数据。
  3. plt.subplots() 创建一个 Figure(赋值给 fig)和该图形内的一个 Axes(赋值给 ax)。
  4. ax.plot(x, y, ...) 直接在 Axes 对象 ax 上绘制折线图。我们指定数据并可选地自定义其外观(颜色、线宽)。
  5. ax.set_title()、ax.set_xlabel() 和 ax.set_ylabel() 为图表添加描述性文本,同样是通过在 ax 对象上调用方法。
  6. ax.grid(True, ...) 添加背景网格以便于阅读。
  7. plt.show() 显示包含我们图表的图形。在某些环境(如 Jupyter Notebooks)中,图表可能会自动渲染,但明确调用 plt.show() 是一个好习惯,尤其是在脚本中。

这种使用 fig, ax = plt.subplots() 然后在 ax 上调用方法(如 ax.plot、ax.set_title)的基本结构,构成了使用 Matplotlib 创建各种可视化的基础,我们将在接下来的章节中在此基础上进行构建。理解 Figure 和 Axes 对象的作用是掌握 Python 数据可视化的第一步。

  • Anatomy of a Matplotlib Plot, The Matplotlib Development Team, 2024 - 详细介绍了Matplotlib图表的基本组成部分,例如Figure、Axes和Axis对象,它们构成了可视化的基础。
  • Usage Guide, The Matplotlib Development Team, 2024 - 介绍了Matplotlib中绘图的两种主要接口(pyplot和面向对象),阐明了它们的使用场景和典型工作流程。
  • Python for Data Analysis, Wes McKinney, 2022 (O'Reilly Media) - 一本标准资源,其中包含专门的Matplotlib章节,在数据分析的更广阔背景下解释其数据可视化用途。

© 2026 ApX Machine Learning