01 导入 Matplotlib
如果你已经安装了完整的 Python Anaconda，那么 Matplotlib 也随之安装完成，你可以直接开始使用。如果没有，请访问官网以获取相关安装指引。
类似于我们用缩写 np 来表示 NumPy，我们也会用标准缩写来导入 Matplotlib：
import Matplotlib as mpl
import Matplotlib.pyplot as plt
其中 plt 是我们最常用的接口。
02 生成一个简单的图形
接下来，我们将创建第一个图形。
假设我们要绘制正弦函数 sin(x) 的简单线图，并希望在 x 轴（0≤x≤10）上获得所有的值。我们将利用 NumPy 的 linspace 函数在 x 轴上创建一个线性空间，x 值从 0 到 10，共 100 个样本点：
import numpy as np
x = np.linspace(0, 10, 100)
接着，我们可以使用 NumPy 的 sin 函数计算 sin 函数的所有 x 值，并通过 plt 的 plot 函数可视化结果：
plt.plot(x, np.sin(x))
你试过了吗？结果如何？有什么发现吗？
不过，显示的结果可能取决于你运行脚本的环境，以下是一些可能的情况：
1. 从 .py 脚本绘图
如果你是在一个脚本中运行 Matplotlib，只需调用 plt，如下所示：
plt.show()
调用后，图形将会显示出来！
2. 从 IPython Shell 绘图
这一方式是以交互方式运行 Matplotlib 的便捷选择。要显示绘图，需要在启动 IPython 后调用 %matplotlib 魔术命令：
%matplotlib inline
然后，所有图形都会自动显示，无需每次调用 plt.show()。
3. 从 Jupyter Notebook 绘图
如果你在浏览器的 Jupyter Notebook 上查看这段代码，同样需要使用 %matplotlib 魔术命令。此外，你还可以选择将图形直接嵌入 Notebook，这有两种方式：
%matplotlib notebook 将生成的交互式图嵌入 Notebook 中。 %matplotlib inline 将生成的静态图嵌入 Notebook 中。
通常我们选择内联选项：
%matplotlib inline
现在再试一次：
plt.plot(x, np.sin(x))
上述命令的输出如图 2-4 所示。
▲图 2-4 应用内联选项生成的图
如果你想保存图表，可以直接从 IPython 或 Jupyter Notebook 的选项中进行保存：
plt.savefig(‘figures/02.03-sine.png’)
只需确保使用支持的文件后缀，例如 .jpg、.png、.tif、.svg、.eps 或 .pdf。
在导入 Matplotlib 后，可以通过运行 plt.style.use(style_name) 来更改绘图样式。所有可用样式列在 plt.style.available 中。例如，可以尝试 plt.style.use(‘fivethirtyeight’)、plt.style.use(‘ggplot’) 或 plt.style.use(‘seaborn-dark’)。为了增加乐趣，可以运行 plt.xkcd()，再尝试绘制其他内容。
03 可视化外部数据集的数据
作为最后一个测试，我们将可视化一些来自外部数据集的数据，例如 scikit-learn 的 digits 数据集。
我们将需要三种可视化工具：
用于处理实际数据的 scikit-learn、用于数据处理的 NumPy 以及 Matplotlib。
首先，导入所有这些工具：
import numpy as np
from sklearn import datasets
import Matplotlib.pyplot as plt
%matplotlib inline
接下来，加载数据：
digits = datasets.load_digits()
根据我们的记忆，digits 应该有两个字段：一个是 data 字段，包含实际的图像数据；另一个是 target 字段，包含图像标签。
与其依赖记忆，不如研究一下 digits 对象。通过输入字段名称、添加句点，然后按 Tab 键来实现。这将显示 digits 对象还包含其他字段，例如名为 images 的字段。images 和 data 这两个字段的形状不同：
print(digits.data.shape)
print(digits.images.shape)
输出结果为：
(1797, 64)
(1797, 8, 8)
在这两个例子中，第一维对应于数据集中的图像数。data 将所有像素排列在一个大的向量中，而 images 则保留了每个图像的8×8空间排列。
因此，如果我们想绘制单张图像，images 字段会更合适。首先，使用 NumPy 的数组切片从数据集中抓取一张图像：
img = digits.images[0, :, :]
这里，我们请求抓取长度为 1797 的数组中的第一行，以及所有对应的 8×8=64 个像素。接着，使用 plt 的 imshow 函数绘制图像：
plt.imshow(img, cmap=’gray’)
plt.savefig(‘figures/02.04-digit0.png’)
上述命令的输出如图 2-5 所示。请注意，图像模糊，因为我们将该图像放大至更大的尺寸，而原始图像仅为 8×8。
▲图 2-5 生成单张图像的示例结果
此外，我们还可以使用 cmap 参数指定颜色映射。默认情况下，Matplotlib 使用 MATLAB 的默认颜色映射 jet。然而，对于灰度图像，使用 gray 颜色映射更为合适。
最后，我们可以利用 plt 的 subplot 函数绘制一组数字样本。subplot 函数的用法与 MATLAB 相似，我们指定行数、列数以及当前子图的索引（从 1 开始）。我们将用 for 循环遍历数据集中的前 10 个图像，每个图像都有自己的子图：
plt.figure(figsize=(14, 4))
for image_index in range(10):
subplot_index = image_index + 1
plt.subplot(2, 5, subplot_index)
plt.imshow(digits.images[image_index, :, :], cmap=’gray’)
生成的输出如图 2-6 所示。
▲图 2-6 生成包含 10 个数字的一组子图
