NumPy 与 Matplotlib 可视化

NumPy负责高效的数据生成与处理，而Matplotlib则是Python中最流行的绘图库。将两者结合，可以快速将数值结果转化为直观的图表，是数据分析与科学计算的标准工作流。本章将介绍如何使用NumPy创建数据，并用Matplotlib绘制常见图形。

1. 快速入门：绘制一条曲线

首先导入必要的库，使用NumPy生成一组等间隔的x值，并计算对应的正弦值，然后通过Matplotlib绘制线图。

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

# 绘图
plt.plot(x, y)
plt.title('正弦曲线')
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.grid(True)
plt.show()

运行上述代码将显示一条正弦波曲线。

2. 常见图表类型

2.1 线图（多曲线）

可以在一张图上绘制多条曲线，并添加图例。

x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1, label='sin(x)')
plt.plot(x, y2, label='cos(x)')
plt.legend()
plt.title('正弦与余弦')
plt.show()

2.2 散点图

使用scatter绘制散点图，通常用于展示两个变量的关系。

# 生成随机数据
rng = np.random.default_rng(42)
x = rng.normal(0, 1, 200)
y = rng.normal(0, 1, 200)
colors = rng.random(200)
sizes = rng.integers(20, 100, 200)

plt.scatter(x, y, c=colors, s=sizes, alpha=0.6, cmap='viridis')
plt.colorbar(label='随机值')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('散点图示例')
plt.show()

2.3 直方图

直方图用于展示数据的分布情况。NumPy的random模块可以轻松生成符合特定分布的数据。

data = np.random.normal(170, 10, 1000)  # 均值170，标准差10，1000个样本

plt.hist(data, bins=30, edgecolor='black', alpha=0.7)
plt.xlabel('身高 (cm)')
plt.ylabel('频数')
plt.title('身高分布直方图')
plt.show()

2.4 图像显示

NumPy数组可以直接作为图像数据传递给imshow。例如，生成一个随机矩阵并显示为灰度图。

# 生成一个随机图像（8x8 像素）
image = np.random.rand(8, 8)

plt.imshow(image, cmap='gray', interpolation='nearest')
plt.colorbar()
plt.title('随机图像')
plt.show()

也可以读取外部图片（通过matplotlib.image.imread或plt.imread），返回NumPy数组，然后进行处理。

3. 自定义样式

Matplotlib提供了丰富的自定义选项，如颜色、线型、标记等。

x = np.linspace(0, 10, 20)
y = x ** 2

plt.plot(x, y, color='red', linestyle='--', marker='o', markersize=8, label='二次函数')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()

4. 子图（Subplots）

使用plt.subplots可以在一张画布上创建多个子图，方便对比。

x = np.linspace(0, 2 * np.pi, 100)

fig, axes = plt.subplots(2, 2, figsize=(10, 8))
axes[0, 0].plot(x, np.sin(x))
axes[0, 0].set_title('sin(x)')

axes[0, 1].plot(x, np.cos(x))
axes[0, 1].set_title('cos(x)')

axes[1, 0].plot(x, np.tan(x))
axes[1, 0].set_ylim(-5, 5)
axes[1, 0].set_title('tan(x)')

axes[1, 1].plot(x, np.exp(-x) * np.sin(x))
axes[1, 1].set_title('阻尼振荡')

plt.tight_layout()
plt.show()

5. 保存图形

使用savefig将图形保存为文件（如PNG、PDF、SVG等）。

x = np.linspace(0, 10, 100)
plt.plot(x, np.sin(x))
plt.title('正弦曲线')
plt.savefig('sine_wave.png', dpi=300, bbox_inches='tight')
plt.close()  # 关闭当前图形，释放内存

6. 与Pandas的协同

虽然本章聚焦NumPy与Matplotlib，但实际中常与Pandas结合使用：Pandas的DataFrame.plot()方法本质是对Matplotlib的封装，可以直接调用。例如：

import pandas as pd
df = pd.DataFrame({'x': np.linspace(0, 10, 100),
                   'y': np.sin(np.linspace(0, 10, 100))})
df.plot(x='x', y='y')
plt.show()

但为了最大灵活性，通常还是直接使用Matplotlib操作NumPy数组。

总结

NumPy和Matplotlib是Python科学计算生态中的基石。通过NumPy生成或处理数据，再借助Matplotlib将其可视化，能够帮助我们更直观地理解数据特征和模式。掌握这两者的结合使用，是成为数据科学家的必备技能。