使用pyplot绘图，一般的导入方法import matplotlib.pyplot as plt

以下代码均在Jupyter Notebook中运行

先看一个简单的例子

图如下，可以看到x轴太密了，甚至都有小数。

如果想x轴只出现我们的样本值，可以使用tick_params函数修改刻度标记的大小。把上面代码中的倒数第二行取消注释，得到下面的图像。

plt.tick_params(axis='both', labelsize=15)，其中axis=both表示同时影响x、y轴的刻度，labelsize指定了刻度的字号，字号变大，同一长度下显示的坐标点数越少，反之亦反。由于将labelsize设置得比默认大了，故x、y轴显示的坐标点数变少。更符合这个例子。

还是上面的平方例子。这次使用散点图绘制。

可以看到，只是将plt.plot换成了plt.scatter，其余的代码基本没变。

若输入和输出的点比较多，可使用列表推导式。同时可以指定点的颜色及点的轮廓颜色。默认点的颜色为蓝色，轮廓为黑色。

颜色的自定义还可以使用RGB的模式，传递一个元组给参数c。元组里面包含三个[0, 1]之间的数，分别代表(R, G, B)，数字越靠近0颜色越淡，越靠近1颜色越深。比如c=(0, 0 , 0.6)表示的是一种浅蓝色。

依然是平方的图，人懒就不写标题了。

颜色映射通常是一系列颜色的渐变。在可视化中，颜色映射可反应数据的规律，比如颜色浅的值比较小，颜色深的值比较大。

看一个很简单的例子，以y轴坐标值的大小映射。

可以看到，y值小的点，颜色很浅，几乎看不到了；随着y值则增大，颜色越来越深。

先写一个随机漫步的类，目的是随机选择前进的方向

开始绘制

生成的图片，密密麻麻的点。远远看去还挺好看。绿色的是漫步起点，红色的是漫步的终点。

但是图片有点不清晰，把rw.fill_walk()的下面一行注释取消。通常在绘图前调用。

plt.figure(dpi=300, figsize=(10, 6))，dpi=300即是300像素/英寸，这个适当调高可获得清晰的图片。figsize=(10, 6)传入的参数是元组，表示绘图窗口的尺寸，也就是图片的尺寸了，单位英寸。

高清大图，爽不爽？

我们也许需要分析别人提供的数据。一般是json和csv两种格式的文件。这里有个天气的数据sitka_weather_2014.csv，是2014年美国锡特卡的天气数据。这里用matplotlib来处理csv文件，json文件的处理放到pygal中。

下载该数据sitka_weather_2014.csv

csv文件的第一行通常是是表头，真正的数据从第二行开始。我们先看下表头包含哪些数据。

打印如下

我们对最高温度和最低温度感兴趣，只需要获得第1列和第3列的数据就行。另外日期数据在第1列。

接下来不难了。从第二行开始，将最高气温放入highs列表，最低气温放入lows列表，日期放入dates列表我们想要在x轴显示日期，引入datetime模块。

看以看出，7月到9月都很热，但是5月出现过非常高的气温！

上面的代码有一行date = datetime.strptime(row[0], '%Y-%m-%d')。注意%Y-%m-%d要和row[0]字符串的格式一致。举个例子

%Y指的是四位的年份， %y是两位年份，%m是数字表示的月份，%d数字表示的月份中的一天。