被迫从ggplot2转向matplotlib的第一天之matplotlib初体验！

作为一个ggplot2的死忠粉，迫于生计，开始学习matplotlib，这里是一些随想随记，Giao！我对matplotlib其实一点意见都没有，只是因为R是我系的官方语言，而且确实ggplot2的体验还是可以的，那一套东西也有严格的理论根据，厉害吧，一个有理论支持的画图工具。所以一直没尝试去理解过matplotlib的作图逻辑，现在嘛，因为要回国，感觉国内其实大家对R的使用率还是有点低，所以，随大流咯，学一波。

我是跟着DataCamp的课来学的，之后也会一直分析自己的笔记，上课的原版PPT也会分享在CSDN。
我这里安利一下DataCamp，虽然它完全没有给我钱，很多人觉得DataCamp的课程很智障，但是我真的觉得很棒很棒，特别是对于入门基础知识的同学，因为请的老师，绝大多数都是大牛，很多甚至是先驱级别的任务，更有很多API的原开发着，顺着他们的设计思路来学，会有容易，也能理解到精髓！
但是如果想学什么机器学习原理，或者是什么深度学习框架的，这个肯定是不适合的，就我个人感觉，DataCamp是绝对绝对特别适合数据分析师的！可能不是那么时候数据挖掘，数据工程师之类的岗位！

下面就是笔记提纲啦！
选API的原则就是，什么用的人多，那就用什么！所以一开始肯定是：

import matplotlib.pyplot as plt

然后就是我今天学到的最重要的一个东西！懂了这个关键的地方，之后的就触类旁通了！

fig, ax = plt.subplots()
# fig: Figure Object is a container that holds everything you see on the page
# ax: Axes is the part of the page that holds the data. It is the canvas on which we will draw with our data to visualize it.

之前看到有些博文教程一会儿plt, 一会儿ax的感觉乱的不得了，特别是ax这个东西，真的很迷，一直不知道是啥。现在其实说白了，就是个容器(Container)， 在Python中自然是个类，它存贮了坐标系，做标轴，刻度等等。而我们画图所需要做的，其实就是把数据，以合适的方式/你想要的方式，放进ax里，然后画出来。

懂了这个之后，下面的几乎就全是语法了。

我通过截取代码片段来附加说明，可以不用在意代码中的数据。

1. 如何放入数据：ax.plot()

fig, ax = plt.subplots() 
# 1. 放数据
# 2. 设定格式: marker, linstyle, color...
ax.plot(seattle_weather["MONTH"], seattle_weather["MLY-TAVG-NORMAL"], marker="v", linestyle="--", color="r")
plt.show()

2. 如何设置坐标

ax.set_xlabel("Time (months)") 
ax.set_ylabel("Average temperature (Fahrenheit degrees)")

3. 如何画多个子图：plt.subplots(m, n)

fig, ax = plt.subplots(m, n)
# 此时，fig, ax都变成相应维度（m, n）的List，

4. 如何在一张图上展现多组数据

fig, ax = plt.subplots() 
# .index熟悉pandas都知道是把作为index的那一列提取出来
ax.plot(climate_change.index, climate_change["co2"], color='blue')
ax.set_xlabel('Time') ax.set_ylabel('CO2 (ppm)', color='blue') 
# 改变tick的颜色
ax.tick_params('y', colors='blue')

# 创建一个新的container, ax2来存放另外一组数据
# 此时，两个container共享x坐标轴，且会自动调整y轴尺寸和比例
ax2 = ax.twinx() 

ax2.plot(climate_change.index,climate_change["relative_temp"], color='red')
ax2.set_ylabel('Relative temperature (Celsius)', color='red') 
# 改变tick的颜色
ax2.tick_params('y', colors='red') 

plt.show()

5. 如何创建标注：ax.annotate()

fig, ax = plt.subplots()
plot_timeseries(ax, climate_change.index, climate_change['co2'], 'blue', 'Time', 'CO2 (ppm)')

ax2 = ax.twinx() plot_timeseries(ax2, climate_change.index, climate_change['relative_temp'],'red', 'Time', 'Relative temperature (Celsius)')

# xy指定标注对象的位置
# xytext指定标注文本的位置
# arrowprops连接标注文本和标注对象
ax2.annotate(">1 degree", 
             xy=(pd.Timestamp('2015-10-06'), 1), 
             xytext=(pd.Timestamp('2008-10-06'), -0.2),
             arrowprops={"arrowstyle":"->", "color":"gray"}) 
plt.show()

6. 如何创建各种统计图

# Bar: 需要指定x坐标，y坐标本身和位置
# 可以一个一个Bar的加，下面的代码时一类一类的Bars在加
ax.bar(medals.index, medals["Gold"])
ax.bar(medals.index, medals["Silver"],bottom=medals["Gold"]) ax.bar(medals.index, medals["Bronze"], bottom=medals["Gold"] + medals["Silver"])
# 这里还有errorbar之类的操作，但我平时用的也不多，就跳过了。

# Histogram
# 指定bin的个数
ax.hist(mens_rowing["Height"], label="Rowing", bins=5) 
# 指定bin的大小
ax.hist(mens_rowing["Height"], label="Rowing", bins=[150, 160, 170, 180, 190, 200, 210])

# Boxplot: 需要在数据放入后单独指定x的坐标
ax.boxplot([mens_rowing["Height"],mens_gymnastics["Height"]])
ax.set_xticklabels(["Rowing", "Gymnastics"])

# Scatter
# 这里的c我感觉就是类的缩写，虽然表现出来时颜色，我觉得和ggplot里面的group很像
ax.scatter(climate_change["co2"], climate_change["relative_temp"], c=climate_change.index)

7. 如何改变图片的风格，注意这里是plt

plt.style.use("ggplot")
# 回到默认值
plt.style.use("default")
plt.style.use("bmh")
plt.style.use("seaborn-colorblind")

8. 如何保存图片，注意这里是fig

fig.savefig("gold_medals.png", dpi=300)
fig.savefig("gold_medals.jpg", quality=50)

9. 如何改变图片大小，注意这里是fig

fig.set_size_inches([5, 3])

不论如何，我绝对之后至少我对matplotlib先天的恐惧就没有啦，再也不会稍微需要画图的时候就把数据导入Rstudio里面了啊哈哈哈哈哈！