導讀：Matplotlib是建立在NumPy陣列上的一個多平臺資料視覺化庫。在2002年，約翰·亨特（John Hunter）提出Matplotlib，最初的構思是設計為IPython的一個補丁，以便能夠從命令列啟用互動式MATLAB樣式繪圖。

近幾年，更新、更炫酷的工具（例如，R語言中的ggplot和ggvis）層出不窮，最終取代了Matplotlib，可是Matplotlib仍然是一個經過良好測試的、非常重要的跨平臺圖形引擎。

01 匯入Matplotlib

如果你安裝了完整的Python Anaconda，那麼你已經安裝了Matplotlib，可以開始了。否則，你可能要訪問官網獲取安裝說明。

http://matplotlib.org

就像我們用縮寫np來表示NumPy一樣，我們也會用一些標準的縮寫來表示Matplotlib匯入：

import matplotlib as mplimport matplotlib.pyplot as plt

plt是我們最常用的一個介面。

02 生成一個簡單的圖形

言歸正傳，讓我們建立第一個圖形。

假設我們要繪製正弦函式sin(x)的一個簡單線圖。我們希望函式求x軸（0≤x≤10）上的所有值。我們將使用NumPy的linspace函式在x軸上建立一個線性空間，x值從0到10，共100個樣本點：

import numpy as npx = np.linspace(0, 10, 100)

我們可以使用NumPy的sin函式求sin函式的所有x值，並透過呼叫plt的plot函式視覺化結果：

plt.plot(x, np.sin(x))

你親自試過了嗎？發生什麼了？有什麼發現嗎？

問題是，這取決於你在何處執行這個指令碼，你可能什麼都看不到。以下是可以考慮的可能性：

1. 從.py指令碼繪圖

如果你正從一個指令碼執行matplotlib，那麼你只需要呼叫plt，如下所示：

plt.show()

呼叫後，圖形就會顯示出來！

2. 從IPython shell繪圖

這實際上是以互動方式執行matplotlib的最便捷的方式之一。要顯示繪圖，你需要在啟動IPython之後，呼叫%matplotlib魔術命令：

%matplotlibUsing matplotlib backend: Qt5Agg

import matplotlib.pyplot as plt

然後，所有圖都會自動顯示出來，不必每次都呼叫plt.show()。

3. 從Jupyter Notebook繪圖

如果你從基於瀏覽器的Jupyter Notebook上檢視這段程式碼，你需要使用同樣的%matplotlib魔術命令。可是，你還可以選擇將圖形直接嵌入notebook中，這有兩種可能的結果：

%matplotlib notebook將生成的互動式圖嵌入notebook中。%matplotlib inline將生成的靜態圖嵌入notebook中。

我們通常會選擇內聯選項：

%matplotlib inline

現在，讓我們再試一次：

plt.plot(x, np.sin(x))

上述命令給出的輸出如圖2-4所示。

▲圖2-4 應用內聯選項生成的圖

稍後，如果你想儲存圖表，可以直接從IPython或Jupyter Notebook的選項中儲存：

plt.savefig('figures/02.03-sine.png')

只要保證使用所支援的檔案字尾即可，例如.jpg、.png、.tif、.svg、.eps或者.pdf。

在匯入matplotlib之後，執行plt.style.use(style_name)，你可以更改繪圖的樣式。在plt.style.available中列出了所有可用的樣式。例如，試試plt.style.use('fivethirtyeight')、plt.style.use('ggplot')或者plt.style.use('seaborn-dark')。為了增加樂趣，可以執行plt.xkcd()，再嘗試繪製其他內容。

03 視覺化外部資料集的資料

作為本文的最後一個測試，讓我們視覺化一些來自外部資料集的資料，例如scikit-learn的digits資料集。

具體來說，我們將需要3個視覺化工具：

用於實際資料的scikit-learn用於資料處理的NumPyMatplotlib

首先，讓我們匯入所有這些視覺化工具：

import numpy as npfrom sklearn import datasetsimport matplotlib.pyplot as plt%matplotlib inline

第一步是實際載入資料：

digits = datasets.load_digits()

如果我們沒有記錯的話，digits應該有2個不同的欄位：一個是data欄位，包含實際的影象資料；另一個是target欄位，包含影象標籤。

與其相信我們的記憶，不如讓我們研究一下digits物件。這透過輸入欄位名稱、新增句點、再按下Tab鍵—digits.<TAB>來實現。這會顯示出digits物件還包含了一些其他欄位，例如一個名為images的欄位。images和data這2個欄位似乎只是形狀不同：

print(digits.data.shape)print(digits.images.shape)

輸出結果：

(1797, 64)(1797, 8, 8)

在這兩個例子中，第一維都對應於資料集中的影象數。但是data將所有畫素排列在一個大的向量中，而images則保留了每個影象的8×8空間排列。

因此，如果我們想繪製單張影象，images欄位可能更合適。首先，使用NumPy的陣列切割，從資料集中抓取一張影象：

img = digits.images[0, :, :]

這裡，我們說想要抓取長為1797項的陣列中的第一行，以及所有對應的8×8=64個畫素。然後，我們可以使用plt的imshow函式繪製圖像：

plt.imshow(img, cmap='gray')plt.savefig('figures/02.04-digit0.png')

上述命令給出的輸出如圖2-5所示。請注意，影象是模糊的，因為我們將該影象調整到了更大的尺寸。原始影象的大小隻有8×8。

▲圖2-5 生成單張影象的示例結果

此外，我們還可以使用cmap引數指定一個彩圖。在預設情況下，Matplotlib使用MATLAB的預設彩圖jet。可是，對於灰度影象，gray彩圖更有意義。

最後，我們可以利用plt的subplot函式繪製一組數字樣本。subplot函式與在MATLAB中一樣，我們指定行數、列數以及當前子圖的索引（從1開始）。我們將使用一個for迴圈遍歷資料集中的前10個影象，每個影象都有自己的子圖：

plt.figure(figsize=(14, 4))for image_index in range(10):    # images are 0-indexed, subplots are 1-indexed    subplot_index = image_index + 1    plt.subplot(2, 5, subplot_index)    plt.imshow(digits.images[image_index, :, :], cmap='gray')

生成的輸出如圖2-6所示。

▲圖2-6 生成包含10個數字的一組子圖

對於各種資料集，另一個很好的資源是本書作者邁克爾·貝耶勒的母校加州大學歐文分校的機器學習資源庫：

http://archive.ics.uci.edu/ml/index.php

維什韋什·拉維·什裡馬利（Vishwesh Ravi Shrimali），於2018年畢業於彼拉尼博拉理工學院（BITS Pilani）機械工程專業。此後一直在BigVision LLC從事深度學習和計算機視覺方面的工作，還參與了官方OpenCV課程的建立。

邁克爾·貝耶勒（Michael Beyeler），是華盛頓大學神經工程和資料科學的博士後研究員，致力於仿生視覺的計算模型研究，以為盲人植入人工視網膜（仿生眼睛），改善盲人的感知體驗。他的工作屬於神經科學、計算機工程、計算機視覺和機器學習的交叉領域。

本文摘編自《機器學習：使用OpenCV、Python和scikit-learn進行智慧影象處理（原書第2版）》，經出版方授權釋出。

延伸閱讀《機器學習：使用OpenCV、Python和scikit-learn進行智慧影象處理（原書第2版》

推薦語：保姆級OpenCV入門實戰手冊——“蝴蝶書”全新升級！透過具體的程式設計實踐案例，介紹最新OpenCV 4版本所提供的大量新特性和平臺改進。透過書中提供的用例程式碼，你可以快速熟悉並掌握機器學習領域的相關知識，掌握使用OpenCV 4構建智慧計算機視覺應用程式所需要的機器學習技能。