返回文章列表
玄貓（BlackCat）

Matplotlib資料視覺化技巧與圖表應用

本文深入探討 Matplotlib 的資料視覺化技巧，涵蓋線型、顏色、軸限設定、散點圖、錯誤條、等高線圖、密度圖、3D 圖表以及多維度直方圖和核密度估計等進階應用，提供程式碼範例與圖表說明，幫助讀者快速掌握 Matplotlib 的核心功能。

資料視覺化 Python
Matplotlib 資料視覺化 Python 圖表 KDE 等高線圖

Matplotlib 提供了豐富的 API，可以繪製各種圖表，從簡單的線圖到複雜的 3D 圖表，都能輕鬆應付。設定線型、顏色和軸限是 Matplotlib 的基本操作，可以根據需求調整圖表的外觀。此外，散點圖和誤差條可以有效地呈現資料的分佈和不確定性。

更進一步，Matplotlib 還支援等高線圖、密度圖和 3D 圖表，可以將多維資料以更直觀的方式呈現。對於需要更精細地控制圖表元素的使用者，Matplotlib 提供了自定義圖例的功能，可以調整圖例的位置、樣式和內容。

對於更進階的應用，Matplotlib 還提供了多維度直方圖和核密度估計（KDE）等功能。多維度直方圖可以顯示多個變數之間的關係，而 KDE 可以估計未知密度函式，提供更平滑的資料分佈圖。這些功能使得 Matplotlib 成為一個強大的資料視覺化工具，可以滿足各種資料分析和呈現的需求。

線型

Matplotlib提供了多種線型選擇，包括實線、虛線、點虛線和點線。可以使用linestyle引數來指定線型。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)

plt.plot(x, x + 1, linestyle='dashed')  # 虛線
plt.plot(x, x + 2, linestyle='dashdot')  # 點虛線
plt.plot(x, x + 3, linestyle='dotted')  # 點線

# 也可以使用簡寫形式
plt.plot(x, x + 4, linestyle='-')  # 實線
plt.plot(x, x + 5, linestyle='--')  # 虛線
plt.plot(x, x + 6, linestyle='-.')  # 點虛線
plt.plot(x, x + 7, linestyle=':')  # 點線

顏色

Matplotlib也提供了多種顏色選擇，可以使用顏色名稱或顏色程式碼來指定顏色。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)

plt.plot(x, x + 0, '-g')  # 實線綠色
plt.plot(x, x + 1, '--c')  # 虛線青色
plt.plot(x, x + 2, '-.k')  # 點虛線黑色
plt.plot(x, x + 3, ':r')  # 點線紅色

軸限

Matplotlib可以自動選擇軸限，但也可以手動設定軸限。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)

plt.plot(x, np.sin(x))
plt.xlim(-1, 11)  # 設定x軸限
plt.ylim(-1.5, 1.5)  # 設定y軸限

也可以使用plt.axis函式來設定軸限。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)

plt.plot(x, np.sin(x))
plt.axis([-1, 11, -1.5, 1.5])  # 設定軸限

圖表翻譯：

以上程式碼展示瞭如何使用Matplotlib進行繪圖，包括自定義線型和顏色，以及設定軸限。可以使用linestyle引數來指定線型，使用顏色名稱或顏色程式碼來指定顏色。也可以使用plt.xlim和plt.ylim函式來設定軸限，或者使用plt.axis函式來設定軸限。

自然繪圖與標籤設定

在繪圖過程中，設定適當的軸線比例和標籤是非常重要的。Matplotlib提供了多種方式來設定軸線比例，包括「tight」、「equal」和「square」等。

軸線比例設定

  • Tight: 這個選項可以自動調整軸線的範圍，使得繪圖區域緊密地包圍著資料點。
  • Equal: 這個選項可以設定x軸和y軸的單位為相同的，這樣可以保證圖形的比例正確。
  • Square: 這個選項可以設定繪圖區域為正方形，這樣可以保證x軸和y軸的單位相同。
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.plot(x, y)
plt.axis('tight')  # 設定軸線為tight模式
plt.show()

標籤設定

標籤是用來描述繪圖的內容，包括標題、x軸標籤和y軸標籤。Matplotlib提供了多種方式來設定標籤，包括使用plt.title()、plt.xlabel()和plt.ylabel()等函式。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.plot(x, y)
plt.title("A Sine Curve")  # 設定標題
plt.xlabel("x")  # 設定x軸標籤
plt.ylabel("sin(x)")  # 設定y軸標籤
plt.show()

圖例設定

當有多個線條需要在同一個繪圖區域中顯示時，圖例可以幫助使用者區分不同的線條。Matplotlib提供了plt.legend()函式來設定圖例。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1, label="sin(x)")  # 設定線條標籤
plt.plot(x, y2, label="cos(x)")  # 設定線條標籤
plt.legend()  # 顯示圖例
plt.show()

Matplotlib常見問題

在使用Matplotlib時，可能會遇到一些常見問題，例如如何設定軸線比例、如何設定標籤和圖例等。這些問題可以透過查閱Matplotlib的檔案或尋求他人的幫助來解決。

軸線比例設定

在Matplotlib中，可以使用plt.axis()函式來設定軸線比例。例如，可以使用plt.axis('tight')來設定軸線為tight模式。

標籤設定

在Matplotlib中，可以使用plt.title()、plt.xlabel()和plt.ylabel()等函式來設定標籤。

圖例設定

在Matplotlib中，可以使用plt.legend()函式來設定圖例。

簡單散點圖

散點圖是一種常見的繪圖型別，與線圖密切相關。不同於線圖，散點圖中的點不會被連線起來，而是以獨立的點、圓圈或其他形狀表示。下面我們將探討如何使用Matplotlib建立簡單的散點圖。

使用plt.plot建立散點圖

在前面的章節中，我們學習瞭如何使用plt.plot函式建立線圖。事實上，這個函式也可以用來建立散點圖。只需要在函式呼叫中新增一個字元引數來指定符號型別。

import matplotlib.pyplot as plt
import numpy as np

# 建立資料
x = np.linspace(0, 10, 30)
y = np.sin(x)

# 建立散點圖
plt.plot(x, y, 'o', color='black')
plt.show()

這裡， 'o' 引數指定了使用圓圈作為符號。

使用plt.scatter建立散點圖

另一個建立散點圖的方法是使用plt.scatter函式。這個函式比plt.plot更強大，因為它可以讓你控制每個點的屬性，例如大小、顔色等。

import matplotlib.pyplot as plt
import numpy as np

# 建立資料
x = np.linspace(0, 10, 30)
y = np.sin(x)

# 建立散點圖
plt.scatter(x, y, marker='o')
plt.show()

自定義散點圖

你可以使用各種引數來自定義散點圖的外觀。例如，你可以使用marker引數來指定符號型別，使用color引數來指定顔色，使用s引數來指定點的大小等。

import matplotlib.pyplot as plt
import numpy as np

# 建立資料
x = np.linspace(0, 10, 30)
y = np.sin(x)

# 建立自定義散點圖
plt.scatter(x, y, marker='o', color='gray', s=100)
plt.show()

結合線和點

你也可以結合線和點來建立更複雜的圖形。

import matplotlib.pyplot as plt
import numpy as np

# 建立資料
x = np.linspace(0, 10, 30)
y = np.sin(x)

# 建立結合線和點的圖形
plt.plot(x, y, '-o', color='black')
plt.show()

這裡， '-' 引數指定了使用線， 'o' 引數指定了使用圓圈作為符號。

內容解密：

上述程式碼示範瞭如何使用Matplotlib建立簡單的散點圖。透過使用plt.plot和plt.scatter函式，你可以建立各種自定義的散點圖。同時，你也可以結合線和點來建立更複雜的圖形。這些功能使得Matplotlib成為了一個強大的繪圖工具。

圖表翻譯：

下面是使用Plantuml語法建立的一個簡單的流程圖，示範瞭如何建立散點圖。 這個流程圖展示了建立散點圖的基本步驟，從匯入Matplotlib到顯示最終的圖形。

使用Matplotlib進行資料視覺化

在資料科學中，視覺化是探索和呈現資料的重要工具。Matplotlib是一個強大的Python函式庫，提供了多種工具來建立高品質的2D和3D圖表。在這篇文章中，我們將探討如何使用Matplotlib進行資料視覺化，包括散點圖、誤差條和其他高階功能。

散點圖

散點圖是展示兩個變數之間關係的有效方式。Matplotlib的scatter函式可以用來建立散點圖。例如：

import matplotlib.pyplot as plt
import numpy as np

x = np.random.rand(100)
y = np.random.rand(100)
sizes = 1000 * np.random.rand(100)

plt.scatter(x, y, c='blue', s=sizes, alpha=0.3)
plt.show()

這個範例建立了一個散點圖，其中每個點的大小和顏色都可以用來表示額外的資訊。

錯誤條

在科學研究中，準確地表示不確定性是非常重要的。Matplotlib的errorbar函式可以用來建立錯誤條。例如：

import matplotlib.pyplot as plt
import numpy as np

x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 6, 8, 10])
yerr = np.array([0.1, 0.2, 0.3, 0.4, 0.5])

plt.errorbar(x, y, yerr=yerr, fmt='o')
plt.show()

這個範例建立了一個錯誤條圖，其中每個點都有一個垂直的錯誤條，用來表示該點的不確定性。

高階功能

Matplotlib還提供了許多高階功能，例如3D圖表、動畫和互動式圖表。例如：

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

x = np.random.rand(100)
y = np.random.rand(100)
z = np.random.rand(100)

ax.scatter(x, y, z, c='red')
plt.show()

這個範例建立了一個3D散點圖，其中每個點都有一個隨機的x、y和z座標。

使用Matplotlib繪製錯誤條與連續錯誤

在資料視覺化中，錯誤條（errorbar）是一種常用的圖表型別，用於顯示資料點的不確定性或變異性。Matplotlib提供了plt.errorbar函式來繪製錯誤條。

基本錯誤條

以下是基本錯誤條的範例：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 50)
dy = 0.8
y = np.sin(x) + dy * np.random.randn(50)

plt.errorbar(x, y, yerr=dy, fmt='.k')
plt.show()

這個範例會生成一個簡單的錯誤條圖，顯示了y值的不確定性。

自訂錯誤條

plt.errorbar函式提供了許多選項來自訂錯誤條的外觀。例如，可以使用fmt引數來指定點的樣式，可以使用color引數來指定點的顏色，可以使用ecolor引數來指定錯誤條的顏色，可以使用elinewidth引數來指定錯誤條的寬度，可以使用capsize引數來指定錯誤條的長度。

plt.errorbar(x, y, yerr=dy, fmt='o', color='black', ecolor='lightgray', elinewidth=3, capsize=0)
plt.show()

這個範例會生成一個自訂的錯誤條圖，具有指定的點樣式、顏色和錯誤條寬度。

連續錯誤

在某些情況下，需要顯示連續的錯誤。雖然Matplotlib沒有內建的便捷函式來繪製連續錯誤，但可以使用plt.plot和plt.fill_between函式來達到類別似的效果。

以下是連續錯誤的範例：

from sklearn.gaussian_process import GaussianProcessRegressor
import numpy as np
import matplotlib.pyplot as plt

# 定義模型和資料
model = lambda x: x * np.sin(x)
xdata = np.array([1, 3, 5, 6, 8])
ydata = model(xdata)

# 計算高斯過程擬合
gp = GaussianProcessRegressor()
gp.fit(xdata[:, np.newaxis], ydata)

xfit = np.linspace(0, 10, 1000)
yfit, dyfit = gp.predict(xfit[:, np.newaxis], return_std=True)

# 繪製結果
plt.plot(xdata, ydata, 'or')
plt.fill_between(xfit, yfit - dyfit, yfit + dyfit, alpha=0.2)
plt.show()

這個範例會生成一個連續錯誤圖，顯示了高斯過程擬合的不確定性。

使用Matplotlib進行等高線和密度繪圖

在資料視覺化中，瞭解如何使用Matplotlib來建立等高線和密度繪圖是非常重要的。這些繪圖可以幫助我們更好地理解三維資料在二維空間中的分佈。

等高線繪圖

首先，我們需要定義一個三維函式$z = f(x, y)$。下面是一個簡單的例子：

import numpy as np
import matplotlib.pyplot as plt

def f(x, y):
    return np.sin(np.sqrt(x**2 + y**2))

x = np.linspace(-10, 10, 100)
y = np.linspace(-10, 10, 100)
X, Y = np.meshgrid(x, y)
Z = f(X, Y)

接下來，我們可以使用plt.contour()函式來建立等高線繪圖：

plt.contour(X, Y, Z, levels=20, cmap='RdGy')
plt.show()

這將建立一個具有20個等高線的等高線繪圖，並使用RdGy色階來區分正負值。

密度繪圖

除了等高線繪圖外，我們還可以使用plt.imshow()函式來建立密度繪圖：

plt.imshow(Z, cmap='RdGy', origin='lower', extent=(x.min(), x.max(), y.min(), y.max()))
plt.show()

這將建立一個密度繪圖，並使用RdGy色階來區分正負值。

顏色對映

Matplotlib提供了多種顏色對映（colormap）供我們選擇。例如，我們可以使用plt.cm模組來瀏覽所有可用的顏色對映：

import matplotlib.cm as cm

print(cm.datad)

這將列出所有可用的顏色對映，並提供其名稱和描述。

內容解密：

上述程式碼使用了np.meshgrid()函式來建立二維格子，並使用plt.contour()函式來建立等高線繪圖。同時，我們還使用了plt.imshow()函式來建立密度繪圖。顏色對映的選擇對於區分正負值非常重要，我們可以使用plt.cm模組來瀏覽所有可用的顏色對映。

圖表翻譯：

上述圖表展示瞭如何使用Matplotlib來建立等高線和密度繪圖。等高線繪圖可以幫助我們瞭解三維資料在二維空間中的分佈，而密度繪圖可以提供更多的細節。顏色對映的選擇對於區分正負值非常重要，我們可以根據實際需求選擇合適的顏色對映。

使用Matplotlib進行三維資料視覺化

當處理三維資料時，選擇合適的視覺化工具至關重要。Matplotlib提供了多種方法來展示三維資料，包括等高線圖和影像對映。

等高線圖

等高線圖是展示三維資料的一種有效方法。它可以透過plt.contour函式實作。以下是一個示例：

import numpy as np
import matplotlib.pyplot as plt

# 建立三維資料
x = np.linspace(0, 5, 100)
y = np.linspace(0, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 繪製等高線圖
plt.contour(X, Y, Z, cmap='RdGy')
plt.show()

這將生成一個等高線圖，顯示三維資料的輪廓。

影像對映

影像對映是另一種展示三維資料的方法。它可以透過plt.imshow函式實作。以下是一個示例：

import numpy as np
import matplotlib.pyplot as plt

# 建立三維資料
x = np.linspace(0, 5, 100)
y = np.linspace(0, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 繪製影像對映
plt.imshow(Z, extent=[0, 5, 0, 5], origin='lower', cmap='RdGy')
plt.show()

這將生成一個影像對映，顯示三維資料的分佈。

結合等高線圖和影像對映

有時候，結合等高線圖和影像對映可以更好地展示三維資料。以下是一個示例：

import numpy as np
import matplotlib.pyplot as plt

# 建立三維資料
x = np.linspace(0, 5, 100)
y = np.linspace(0, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 繪製影像對映
plt.imshow(Z, extent=[0, 5, 0, 5], origin='lower', cmap='RdGy', alpha=0.5)

# 繪製等高線圖
contours = plt.contour(X, Y, Z, colors='black')
plt.clabel(contours, inline=True, fontsize=8)

plt.show()

這將生成一個結合了等高線圖和影像對映的圖片，顯示三維資料的分佈和輪廓。

直方圖

直方圖是展示一維資料分佈的有效方法。Matplotlib提供了plt.hist函式來繪製直方圖。以下是一個示例：

import numpy as np
import matplotlib.pyplot as plt

# 建立一維資料
data = np.random.normal(size=1000)

# 繪製直方圖
plt.hist(data, bins=30, density=True, alpha=0.5, histtype='stepfilled', color='steelblue', edgecolor='none')
plt.show()

這將生成一個直方圖，顯示一維資料的分佈。

自定義直方圖

有時候，需要自定義直方圖的外觀。Matplotlib提供了多種選項來自定義直方圖。以下是一個示例：

import numpy as np
import matplotlib.pyplot as plt

# 建立一維資料
x1 = np.random.normal(0, 0.8, 1000)
x2 = np.random.normal(-2, 1, 1000)
x3 = np.random.normal(3, 2, 1000)

# 繪製自定義直方圖
kwargs = dict(histtype='stepfilled', alpha=0.3, density=True, bins=40)
plt.hist(x1, **kwargs)
plt.hist(x2, **kwargs)
plt.hist(x3, **kwargs)
plt.show()

這將生成一個自定義直方圖，顯示多個一維資料的分佈。

多維度直方圖與核密度估計

在前面的章節中，我們討論瞭如何使用直方圖（histogram）來視覺化一維資料的分佈。在本文中，我們將探討如何擴充套件這個概念到多維資料，並介紹幾種不同的方法來建立多維度直方圖。

二維直方圖

首先，讓我們建立一個二維直方圖。為此，我們可以使用 Matplotlib 的 plt.hist2d 函式。這個函式可以根據給定的 x 和 y 陣列建立一個二維直方圖。

import numpy as np
import matplotlib.pyplot as plt

# 生成一些隨機資料
mean = [0, 0]
cov = [[1, 1], [1, 2]]
x, y = np.random.multivariate_normal(mean, cov, 10000).T

# 建立二維直方圖
plt.hist2d(x, y, bins=30)
cb = plt.colorbar()
cb.set_label('counts in bin')
plt.show()

這個程式碼會生成一個二維直方圖，顯示 x 和 y 資料之間的關係。

六邊形二元組

除了使用正方形作為二維直方圖的單元外，我們還可以使用六邊形。Matplotlib 的 plt.hexbin 函式可以根據給定的 x 和 y 陣列建立一個六邊形二元組。

import numpy as np
import matplotlib.pyplot as plt

# 生成一些隨機資料
mean = [0, 0]
cov = [[1, 1], [1, 2]]
x, y = np.random.multivariate_normal(mean, cov, 10000).T

# 建立六邊形二元組
plt.hexbin(x, y, gridsize=30)
plt.show()

這個程式碼會生成一個六邊形二元組，顯示 x 和 y 資料之間的關係。

核密度估計

最後，讓我們簡要介紹一下核密度估計（KDE）。KDE 是一種用於估計多維資料分佈的方法。它透過在每個資料點上新增一個核函式來實作這一點。

import numpy as np
from scipy.stats import gaussian_kde

# 生成一些隨機資料
mean = [0, 0]
cov = [[1, 1], [1, 2]]
x, y = np.random.multivariate_normal(mean, cov, 10000).T

# 進行核密度估計
kde = gaussian_kde(np.vstack([x, y]))

# 繪製結果
xgrid = np.linspace(-3, 3, 100)
ygrid = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(xgrid, ygrid)
Z = kde.evaluate(np.vstack([X.ravel(), Y.ravel()]))
Z = Z.reshape(X.shape)

import matplotlib.pyplot as plt
plt.contourf(X, Y, Z)
plt.show()

這個程式碼會生成一個核密度估計的結果，顯示 x 和 y 資料之間的關係。

內容解密：

  • np.histogram 函式可以用於計算一維資料的直方圖。
  • np.histogram2d 函式可以用於計算二維資料的直方圖。
  • plt.hist2d 函式可以用於繪製二維直方圖。
  • plt.hexbin 函式可以用於繪製六邊形二元組。
  • 核密度估計（KDE）是一種用於估計多維資料分佈的方法。

圖表翻譯：

  • 圖 28-8 顯示了一個過度繪製的多個直方圖的例子。
  • 圖 28-9 顯示了一個使用 plt.hist2d 函式建立的二維直方圖。
  • 圖 28-10 顯示了一個使用 plt.hexbin 函式建立的六邊形二元組。
  • 圖 28-11 顯示了一個使用核密度估計（KDE）建立的結果。

自定義圖表與Kernel Density Estimation（KDE）

在資料視覺化中，瞭解資料的分佈和密度是非常重要的。Kernel Density Estimation（KDE）是一種用於估計未知密度函式的方法，透過對觀察資料進行平滑處理來獲得連續的機率分佈。

Kernel Density Estimation（KDE）

KDE是一種非引數方法，透過對資料進行加權平均來估計密度函式。其基本思想是對每個資料點進行加權，權重由一個稱為核函式（kernel function）的函式決定。核函式是一個對稱的函式，通常使用高斯函式作為核函式。

import numpy as np
from scipy.stats import gaussian_kde
import matplotlib.pyplot as plt

# 生成隨機資料
np.random.seed(0)
x = np.random.normal(0, 1, 100)
y = np.random.normal(0, 1, 100)

# 將x和y疊加起來，形成一個2D陣列
data = np.vstack([x, y])

# 進行KDE估計
kde = gaussian_kde(data)

# 定義網格範圍
xgrid = np.linspace(-3.5, 3.5, 40)
ygrid = np.linspace(-6, 6, 40)

# 建立網格
Xgrid, Ygrid = np.meshgrid(xgrid, ygrid)

# 對網格進行KDE估計
Z = kde.evaluate(np.vstack([Xgrid.ravel(), Ygrid.ravel()]))

# 繪製結果
plt.imshow(Z.reshape(Xgrid.shape), origin='lower', aspect='auto', extent=[-3.5, 3.5, -6, 6])
plt.show()

自定義圖表

在Matplotlib中，可以透過plt.legend()函式來新增圖例。圖例可以幫助使用者瞭解不同plot元素的含義。

import matplotlib.pyplot as plt
import numpy as np

# 生成隨機資料
np.random.seed(0)
x = np.random.normal(0, 1, 100)
y = np.random.normal(0, 1, 100)

# 繪製圖表
plt.plot(x, y, label='Random Data')

# 新增圖例
plt.legend()

# 顯示圖表
plt.show()

結合KDE和自定義圖表

可以結合KDE估計和自定義圖表來獲得更好的視覺化效果。

import numpy as np
from scipy.stats import gaussian_kde
import matplotlib.pyplot as plt

# 生成隨機資料
np.random.seed(0)
x = np.random.normal(0, 1, 100)
y = np.random.normal(0, 1, 100)

# 將x和y疊加起來，形成一個2D陣列
data = np.vstack([x, y])

# 進行KDE估計
kde = gaussian_kde(data)

# 定義網格範圍
xgrid = np.linspace(-3.5, 3.5, 40)
ygrid = np.linspace(-6, 6, 40)

# 建立網格
Xgrid, Ygrid = np.meshgrid(xgrid, ygrid)

# 對網格進行KDE估計
Z = kde.evaluate(np.vstack([Xgrid.ravel(), Ygrid.ravel()]))

# 繪製結果
plt.imshow(Z.reshape(Xgrid.shape), origin='lower', aspect='auto', extent=[-3.5, 3.5, -6, 6])

# 新增圖例
plt.legend()

# 顯示圖表
plt.show()

圖表翻譯：

上述程式碼使用KDE估計了隨機資料的密度分佈，並將結果繪製成了一個熱度圖。熱度圖中，顏色越深代表密度越高。同時，程式碼還增加了圖例，以便使用者瞭解不同plot元素的含義。

使用Matplotlib進行圖表自訂

在使用Matplotlib進行資料視覺化時，瞭解如何自訂圖表的各個元素至關重要。其中，圖例（legend）是一個重要的組成部分，它能夠幫助觀眾快速理解圖表中不同線條或元素的含義。在本文中，我們將探討如何自訂Matplotlib中的圖例。

基本圖例

首先，讓我們建立一個簡單的圖表，並新增一個基本的圖例。以下是示例程式碼：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 1000)
fig, ax = plt.subplots()
ax.plot(x, np.sin(x), '-b', label='Sine')
ax.axis('equal')
leg = ax.legend()

這將建立一個簡單的正弦波圖表，並在右上角新增一個圖例。

自訂圖例

但是，預設的圖例可能並不完全符合我們的需求。例如，我們可能想要更改圖例的位置、新增框架、或使用多欄式顯示。Matplotlib提供了多種方式來自訂圖例。以下是一些示例：

# 更改圖例位置
ax.legend(loc='upper left', frameon=True)

# 使用多欄式顯示
ax.legend(loc='lower center', ncol=2)

# 新增圓角框架和陰影
ax.legend(frameon=True, fancybox=True, framealpha=1, shadow=True, borderpad=1)

這些程式碼片段展示瞭如何自訂圖例的位置、樣式和外觀。

選擇圖例元素

在某些情況下，我們可能只想要在圖例中顯示特定的元素。Matplotlib提供了一種方式來實作這一點。以下是示例程式碼：

y = np.sin(x[:, np.newaxis] + np.pi * np.arange(0, 2, 0.5))
lines = plt.plot(x, y)
plt.legend(lines[:2], ['first', 'second'], frameon=True)

在這個示例中，我們建立了多個正弦波線條，並只選擇前兩個線條新增到圖例中。

內容解密：
  • np.linspace(0, 10, 1000)：建立一個從0到10的等差數列，共1000個資料點。
  • ax.plot(x, np.sin(x), '-b', label='Sine')：繪製正弦波線條，線條顏色為藍色，標籤為’Sine’。
  • ax.axis('equal')：設定軸比例為等比例，以保證圖表的正確性。
  • leg = ax.legend()：新增預設的圖例。
  • ax.legend(loc='upper left', frameon=True)：更改圖例位置為左上角，並新增框架。
  • ax.legend(loc='lower center', ncol=2)：使用多欄式顯示，圖例位置為下方中央。
  • ax.legend(frameon=True, fancybox=True, framealpha=1, shadow=True, borderpad=1)：新增圓角框架和陰影，設定框架透明度和邊距。

圖表翻譯：

此圖表展示瞭如何使用Matplotlib自訂圖表中的圖例。從基本的圖例建立到高階的自訂選項，Matplotlib提供了多種方式來滿足不同的需求。透過掌握這些技巧，您可以建立出更有效、更美觀的資料視覺化圖表。

@startuml
skinparam backgroundColor #FEFEFE
skinparam componentStyle rectangle

title Matplotlib資料視覺化技巧與圖表應用

package "資料視覺化流程" {
    package "資料準備" {
        component [資料載入] as load
        component [資料清洗] as clean
        component [資料轉換] as transform
    }

    package "圖表類型" {
        component [折線圖 Line] as line
        component [長條圖 Bar] as bar
        component [散佈圖 Scatter] as scatter
        component [熱力圖 Heatmap] as heatmap
    }

    package "美化輸出" {
        component [樣式設定] as style
        component [標籤註解] as label
        component [匯出儲存] as export
    }
}

load --> clean --> transform
transform --> line
transform --> bar
transform --> scatter
transform --> heatmap
line --> style --> export
bar --> label --> export

note right of scatter
  探索變數關係
  發現異常值
end note

@enduml

使用Matplotlib進行資料視覺化

在資料科學中，視覺化是呈現資料的一種強大工具。Matplotlib是一個流行的Python函式庫，提供了豐富的功能來建立高品質的2D和3D圖表。以下是使用Matplotlib進行資料視覺化的範例。

從使用者經驗視角來看，Matplotlib 雖然功能強大，足以繪製各種複雜圖表，包含線圖、散點圖、等高線圖、直方圖、3D 圖表等等，並提供豐富的自訂選項，但其學習曲線較陡峭。對於初學者而言，需要花費一定時間才能掌握其使用方法。尤其在處理多子圖、圖例、軸標籤等細節設定時，程式碼容易變得冗長繁瑣。

評估 Matplotlib 在資料視覺化領域的應用，其高度客製化的特性有利於專業使用者製作精確且符合特定需求的圖表。然而，對於快速製作原型或進行探索性資料分析，其略顯複雜的 API 設計則可能降低效率。考量到 Python 生態圈中其他視覺化工具的崛起，例如 Seaborn 和 Plotly，它們提供更簡潔的語法和互動式功能，Matplotlib 的易用性略顯不足。

展望未來，Matplotlib 仍將是 Python 資料視覺化的重要根本，但它需要持續最佳化使用者經驗，例如簡化 API 設計、提供更直觀的圖表設定方式，並加強互動式功能，才能在競爭激烈的視覺化工具市場中保持領先地位。對於使用者而言，建議根據自身需求和技術水平選擇合適的工具。如果需要高度客製化的圖表，Matplotlib 是理想選擇；如果追求快速開發和互動式體驗，則可以考慮其他替代方案。玄貓認為，持續關注 Matplotlib 的發展，並學習其他新興視覺化工具，將有助於提升資料視覺化的效率和品質。