本文的原作者是 Jamal Moir，是 Python 科學計算系列的第一篇文章。
本文譯者 linkmyth，校對 EarlGrey@編程派。linkmyth 是同濟大學的在讀碩士，主攻web開發、機器學習等方向。
以下是原文正文：
數據的處理、分析和可視化已經成為 Python 近年來最重要的應用之一。這種現象又進一步引出「大數據」分析等類似的話題，而大數據分析在人們所能預見的諸多領域內都有廣泛應用，這其中就包含筆者個人感興趣的機器學習。
Python 在處理數據、分析數據以及數據可視化方面擁有很多功能強大的工具，這也是 Python 在科學領域中能夠迅速發展的一個主要原因。
在接下來的一系列文章中，我們將介紹 Python 科學計算中涉及的主要的庫，並且學習如何使用它們處理數據以滿足我們的需求。但是我們並非只是停留在快速寫出模板代碼來使用這些庫的層面上，我們還會了解這些庫背後的數學知識，以幫助我們更好地理解庫的運行原理。
首先，我們將從一個功能非常強大的庫 Matplotlib 開始介紹，在後面的文章中也會一直用到這個庫。
什麼是 Matplotlib?簡單來說，Matplotlib 是 Python 的一個繪圖庫。它包含了大量的工具，你可以使用這些工具創建各種圖形，包括簡單的散點圖，正弦曲線，甚至是三維圖形。Python 科學計算社區經常使用它完成數據可視化的工作。
你可以在他們的網站上了解到更多 Matplotlib 背後的設計思想，但是我強烈建議你先瀏覽一下他們的圖庫，體會一下這個庫的各種神奇功能。
畫一個簡單的圖形首先我們要畫一條在 [0, 2pi] 上的正弦曲線。讀者應該會注意到我們在這裡使用了 Numpy 庫，但是即便你沒有使用過這個庫也不用擔心，在後面的文章中我們也會介紹到 Numpy 庫。
import matplotlib.pyplot as plt
import numpy as np
以上這些就是我們將要用到的導入模塊。在我的上一篇文章(以及另一篇文章)中都提到過 from x import * 是一種糟糕的導入方式。我們不想在程序裡重複書寫 matplotlib.pyplot 和 numpy，這種書寫方式過於冗長，因此我們採用了上面的折中寫法。
# 簡單的繪圖
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x)) # 如果沒有第一個參數 x，圖形的 x 坐標默認為數組的索引
plt.show() # 顯示圖形
上面的代碼將畫出一個簡單的正弦曲線。np.linspace(0, 2 * np.pi, 50) 這段代碼將會生成一個包含 50 個元素的數組，這 50 個元素均勻的分布在 [0, 2pi] 的區間上。
plot 命令以一種簡潔優雅的方式創建了圖形。提醒一下，如果沒有第一個參數 x，圖形的 x 軸坐標將不再是 0 到 2pi，而應該是數組的索引範圍。
最後一行代碼 plt.show() 將圖形顯示出來，如果沒有這行代碼圖像就不會顯示。
運行代碼後應該會類似得到下面的圖形：
在一張圖上繪製兩個數據集大多數時候讀者可能更想在一張圖上繪製多個數據集。用 Matplotlib 也可以輕鬆實現這一點。
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x),
x, np.sin(2 * x))
plt.show()
上面的代碼同時繪製了表示函數 sin(x) 和 sin(2x) 的圖形。這段代碼和前面繪製一個數據集的代碼幾乎完全相同，只有一點例外，這段代碼在調用 plt.plot() 的時候多傳入了一個數據集，並用逗號與第一個數據集分隔開。
最後你會得到類似於下面包含兩條曲線的圖形：
自定義圖形的外觀當在同一個圖形上展示多個數據集時，通過改變線條的外觀來區分不同的數據集變得非常必要。
# 自定義曲線的外觀
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x), 'r-o',
x, np.cos(x), 'g--')
plt.show()
上述代碼展示了兩種不同的曲線樣式：'r-o' 和 'g--'。字母 『r』 和 『g』 代表線條的顏色，後面的符號代表線和點標記的類型。例如 '-o' 代表包含實心點標記的實線，'--' 代表虛線。其他的參數需要讀者自己去嘗試，這也是學習 Matplotlib 最好的方式。
顏色：
藍色 - 『b』
綠色 - 『g』
紅色 - 『r』
青色 - 『c』
品紅 - 『m』
黃色 - 『y』
黑色 - 『k』（』b』代表藍色，所以這裡用黑色的最後一個字母）
白色 - 『w』
線：
直線 - 『-『
虛線 - 『—『
點線 - 『:』
點劃線 - 『-.』
常用點標記
點 - 『.』
像素 - 『,』
圓 - 『o』
方形 - 『s』
三角形 - 『^』
更多點標記樣式點擊這裡
最後你會得到類似下面的圖形：
使用子圖使用子圖可以在一個窗口繪製多張圖。
# 使用子圖
x = np.linspace(0, 2 * np.pi, 50)
plt.subplot(2, 1, 1) # （行，列，活躍區）
plt.plot(x, np.sin(x), 'r')
plt.subplot(2, 1, 2)
plt.plot(x, np.cos(x), 'g')
plt.show()
使用子圖只需要一個額外的步驟，就可以像前面的例子一樣繪製數據集。即在調用 plot() 函數之前需要先調用 subplot() 函數。該函數的第一個參數代表子圖的總行數，第二個參數代表子圖的總列數，第三個參數代表活躍區域。
活躍區域代表當前子圖所在繪圖區域，繪圖區域是按從左至右，從上至下的順序編號。例如在 4×4 的方格上，活躍區域 6 在方格上的坐標為 (2, 2)。
最終你會得到類似下面的圖形：
簡單的散點圖散點圖是一堆離散點的集合。用 Matplotlib 畫散點圖也同樣非常簡單。
# 簡單的散點圖
x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)
plt.scatter(x,y)
plt.show()
正如上面代碼所示，你只需要調用 scatter() 函數並傳入兩個分別代表 x 坐標和 y 坐標的數組。注意，我們通過 plot 命令並將線的樣式設置為 'bo' 也可以實現同樣的效果。
最後你會得到類似下面的無線圖形：
彩色映射散點圖另一種你可能用到的圖形是彩色映射散點圖。這裡我們會根據數據的大小給每個點賦予不同的顏色和大小，並在圖中添加一個顏色欄。
# 彩色映射散點圖
x = np.random.rand(1000)
y = np.random.rand(1000)
size = np.random.rand(1000) * 50
colour = np.random.rand(1000)
plt.scatter(x, y, size, colour)
plt.colorbar()
plt.show()
上面的代碼大量的用到了 np.random.rand(1000)，原因是我們繪圖的數據都是隨機產生的。
同前面一樣我們用到了 scatter() 函數，但是這次我們傳入了另外的兩個參數，分別為所繪點的大小和顏色。通過這種方式使得圖上點的大小和顏色根據數據的大小產生變化。
然後我們用 colorbar() 函數添加了一個顏色欄。
最後你會得到類似於下面的彩色散點圖：
直方圖直方圖是另一種常見的圖形，也可以通過幾行代碼創建出來。
# 直方圖
x = np.random.randn(1000)
plt.hist(x, 50)
plt.show()
直方圖是 Matplotlib 中最簡單的圖形之一。你只需要給 hist() 函數傳入一個包含數據的數組。第二個參數代表數據容器的個數。數據容器代表不同的值的間隔，並用來包含我們的數據。數據容器越多，圖形上的數據條就越多。
最終你會得到類似下面的直方圖：
標題，標籤和圖例當需要快速創建圖形時，你可能不需要為圖形添加標籤。但是當構建需要展示的圖形時，你就需要添加標題，標籤和圖例。
# 添加標題，坐標軸標記和圖例
x = np.linspace(0, 2 * np.pi, 50)
plt.plot(x, np.sin(x), 'r-x', label='Sin(x)')
plt.plot(x, np.cos(x), 'g-^', label='Cos(x)')
plt.legend() # 展示圖例
plt.xlabel('Rads') # 給 x 軸添加標籤
plt.ylabel('Amplitude') # 給 y 軸添加標籤
plt.title('Sin and Cos Waves') # 添加圖形標題
plt.show()
為了給圖形添加圖例，我們需要在 plot() 函數中添加命名參數 'label' 並賦予該參數相應的標籤。然後調用 legend() 函數就會在我們的圖形中添加圖例。
接下來我們只需要調用函數 title()，xlabel() 和 ylabel() 就可以為圖形添加標題和標籤。
你會得到類似於下面這張擁有標題、標籤和圖例的圖形：
以上內容應該足夠幫助讀者開始使用 Matplotlib 和 Python 實現數據可視化，但是這些內容並不全面。我強烈建議讀者親自嘗試使用這個工具，筆者也是通過這種方式掌握了這個工具。畫一些圖形，改變樣式並使用子圖功能，然後你就會很快掌握 Matplotlib 的使用方式。
這是一篇是關於如何使用 Matplotlib 和 Python 完成數據可視化的文章，也是 Python 科學計算系列文章中的第一篇。我希望讀者能從中有所收穫，並且對 Matplotlib 庫更加熟悉。
不要忘記分享和關注請記得分享這篇文章讓更多的人看到它！另外，記得訂閱這個博客的郵件列表，關注我的Twitter並在Google+上添加我，這樣你就不會錯過任何有價值的文章！
我會閱讀所有的評論，所以無論你有什麼想要說的，或者是想要分享的，甚至是問題之類的，都可以在下面留言。