A. python中數據可視化的兩個庫！
1. Matplotlib：是Python中眾多數據可視化庫的鼻祖，其設計風格與20世紀80年代的商業化程序語言MATLAB十分相似，具有很多強大且復雜的可視化功能;還包含了多種類型的API，可以採用多種方式繪制圖標並對圖標進行定製。
2. Seaborn：是基於Matplotlib進行高級封裝的可視化庫，支持互動式界面，使繪制圖表功能變得簡單，且圖表的色彩更具吸引力。
3. ggplot：是基於Matplotlib並旨在以簡單方式提高Matplotlib可視化感染力的庫，採用疊加圖層的形式繪制圖形，比如先繪制坐標軸所在的圖層，再繪制點所在的圖層，最後繪制線所在的圖層，但其並不適用於個性化定製圖形。
4. Boken：是一個互動式的可視化庫，支持使用Web瀏覽器展示，可使用快速簡單的方式將大型數據集轉換成高性能的、可交互的、結構簡單的圖表。
5. Pygal：是一個可縮放矢量圖標庫，用於生成可在瀏覽器中打開的SVG格式的圖表，這種圖表能夠在不同比例的屏幕上自動縮放，方便用戶交互。
6. Pyecharts：是一個生成ECharts的庫，生成的ECharts憑借良好的交互性、精巧的設計得到了眾多開發者的認可。
B. python處理圖片數據
目錄
1.機器是如何存儲圖像的？
2.在Python中讀取圖像數據
3.從圖像數據中提取特徵的方法#1：灰度像素值特徵
4.從圖像數據中提取特徵的方法#2：通道的平均像素值
5.從圖像數據中提取特徵的方法#3：提取邊緣
是一張數字8的圖像，仔細觀察就會發現，圖像是由小方格組成的。這些小方格被稱為像素。
但是要注意，人們是以視覺的形式觀察圖像的，可以輕松區分邊緣和顏色，從而識別圖片中的內容。然而機器很難做到這一點，它們以數字的形式存儲圖像。請看下圖：
機器以數字矩陣的形式儲存圖像，矩陣大小取決於任意給定圖像的像素數。
假設圖像的尺寸為180 x 200或n x m，這些尺寸基本上是圖像中的像素數（高x寬）。
這些數字或像素值表示像素的強度或亮度，較小的數字（接近0）表示黑色，較大的數字（接近255）表示白色。通過分析下面的圖像，讀者就會弄懂到目前為止所學到的知識。
下圖的尺寸為22 x 16，讀者可以通過計算像素數來驗證：
圖片源於機器學習應用課程
剛才討論的例子是黑白圖像，如果是生活中更為普遍的彩色呢？你是否認為彩色圖像也以2D矩陣的形式存儲？
彩色圖像通常由多種顏色組成，幾乎所有顏色都可以從三原色（紅色，綠色和藍色）生成。
因此，如果是彩色圖像，則要用到三個矩陣（或通道）——紅、綠、藍。每個矩陣值介於0到255之間，表示該像素的顏色強度。觀察下圖來理解這個概念：
圖片源於機器學習應用課程
左邊有一幅彩色圖像（人類可以看到），而在右邊，紅綠藍三個顏色通道對應三個矩陣，疊加三個通道以形成彩色圖像。
請注意，由於原始矩陣非常大且可視化難度較高，因此這些不是給定圖像的原始像素值。此外，還可以用各種其他的格式來存儲圖像，RGB是最受歡迎的，所以筆者放到這里。讀者可以在此處閱讀更多關於其他流行格式的信息。
用Python讀取圖像數據
下面開始將理論知識付諸實踐。啟動Python並載入圖像以觀察矩陣：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from skimage.io import imread, imshow
image = imread('image_8_original.png', as_gray=True)
imshow(image)
#checking image shape
image.shape, image
（28，28）
矩陣有784個值，而且這只是整個矩陣的一小部分。用一個LIVE編碼窗口，不用離開本文就可以運行上述所有代碼並查看結果。
下面來深入探討本文背後的核心思想，並探索使用像素值作為特徵的各種方法。
方法#1：灰度像素值特徵
從圖像創建特徵最簡單的方法就是將原始的像素用作單獨的特徵。
考慮相同的示例，就是上面那張圖（數字『8』），圖像尺寸為28×28。
能猜出這張圖片的特徵數量嗎？答案是與像素數相同！也就是有784個。
那麼問題來了，如何安排這784個像素作為特徵呢？這樣，可以簡單地依次追加每個像素值從而生成特徵向量。如下圖所示：
下面來用Python繪制圖像，並為該圖像創建這些特徵：
image = imread('puppy.jpeg', as_gray=True)
image.shape, imshow(image)
（650，450）
該圖像尺寸為650×450，因此特徵數量應為297,000。可以使用NumPy中的reshape函數生成，在其中指定圖像尺寸：
#pixel features
features = np.reshape(image, (660*450))
features.shape, features
(297000,)
array([0.96470588, 0.96470588, 0.96470588, ..., 0.96862745, 0.96470588,
0.96470588])
這里就得到了特徵——長度為297,000的一維數組。很簡單吧？在實時編碼窗口中嘗試使用此方法提取特徵。
但結果只有一個通道或灰度圖像，對於彩色圖像是否也可以這樣呢？來看看吧！
方法#2：通道的平均像素值
在讀取上一節中的圖像時，設置了參數『as_gray = True』，因此在圖像中只有一個通道，可以輕松附加像素值。下面刪除參數並再次載入圖像：
image = imread('puppy.jpeg')
image.shape
(660, 450, 3)
這次，圖像尺寸為（660，450，3），其中3為通道數量。可以像之前一樣繼續創建特徵，此時特徵數量將是660*450*3 = 891,000。
或者，可以使用另一種方法：
生成一個新矩陣，這個矩陣具有來自三個通道的像素平均值，而不是分別使用三個通道中的像素值。
下圖可以讓讀者更清楚地了解這一思路：
這樣一來，特徵數量保持不變，並且還能考慮來自圖像全部三個通道的像素值。
image = imread('puppy.jpeg')
feature_matrix = np.zeros((660,450))
feature_matrix.shape
(660, 450)
現有一個尺寸為（660×450×3）的三維矩陣，其中660為高度，450為寬度，3是通道數。為獲取平均像素值，要使用for循環：
for i in range(0,iimage.shape[0]):
for j in range(0,image.shape[1]):
feature_matrix[i][j] = ((int(image[i,j,0]) + int(image[i,j,1]) + int(image[i,j,2]))/3)
新矩陣具有相同的高度和寬度，但只有一個通道。現在，可以按照與上一節相同的步驟進行操作。依次附加像素值以獲得一維數組：
features = np.reshape(feature_matrix, (660*450))
features.shape
(297000,)
方法#3：提取邊緣特徵
請思考，在下圖中，如何識別其中存在的對象：
識別出圖中的對象很容易——狗、汽車、還有貓，那麼在區分的時候要考慮哪些特徵呢？形狀是一個重要因素，其次是顏色，或者大小。如果機器也能像這樣識別形狀會怎麼樣？
類似的想法是提取邊緣作為特徵並將其作為模型的輸入。稍微考慮一下，要如何識別圖像中的邊緣呢？邊緣一般都是顏色急劇變化的地方，請看下圖：
筆者在這里突出了兩個邊緣。這兩處邊緣之所以可以被識別是因為在圖中，可以分別看到顏色從白色變為棕色，或者由棕色變為黑色。如你所知，圖像以數字的形式表示，因此就要尋找哪些像素值發生了劇烈變化。
假設圖像矩陣如下：
圖片源於機器學習應用課程
該像素兩側的像素值差異很大，於是可以得出結論，該像素處存在顯著的轉變，因此其為邊緣。現在問題又來了，是否一定要手動執行此步驟？
當然不！有各種可用於突出顯示圖像邊緣的內核，剛才討論的方法也可以使用Prewitt內核（在x方向上）來實現。以下是Prewitt內核：
獲取所選像素周圍的值，並將其與所選內核（Prewitt內核）相乘，然後可以添加結果值以獲得最終值。由於±1已經分別存在於兩列之中，因此添加這些值就相當於獲取差異。
還有其他各種內核，下面是四種最常用的內核：
圖片源於機器學習應用課程
現在回到筆記本，為同一圖像生成邊緣特徵：
#importing the required libraries
import numpy as np
from skimage.io import imread, imshow
from skimage.filters import prewitt_h,prewitt_v
import matplotlib.pyplot as plt
%matplotlib inline
#reading the image
image = imread('puppy.jpeg',as_gray=True)
#calculating horizontal edges using prewitt kernel
edges_prewitt_horizontal = prewitt_h(image)
#calculating vertical edges using prewitt kernel
edges_prewitt_vertical = prewitt_v(image)
imshow(edges_prewitt_vertical, cmap='gray')
C. python matplotlib 圖像可視化
Python畫圖之總結待整理
https://morvanzhou.github.io/tutorials/data-manipulation/plt/
http://blog.sciencenet.cn/blog-1408284-850983.html
http://www.cnblogs.com/DHUtoBUAA/p/6619099.html
http://blog.csdn.net/wuguangbin1230/article/details/72858612
http://blog.sciencenet.cn/blog-251664-800766.html
http://blog.csdn.net/wuguangbin1230/article/details/72858612
http://www.jianshu.com/p/0a81b57bbb8c
https://pythonprogramming.net/
http://blog.csdn.net/haoji007/article/details/52063168
Python Data Visualizations
Seaborn 庫： https://seaborn.pydata.org/
Python Seaborn 教程： http://elitedatascience.com/python-seaborn-tutorial
matplotlib: plotting with Python
matplotlib: plotting with Python-github
python-data-visualization-course
Interactive Web Plotting for Python
Interactive Web Plotting for Python-github
https://morvanzhou.github.io/tutorials/data-manipulation/plt/3-3-contours/
https://github.com/MorvanZhou/tutorials/tree/master/matplotlibTUT
https://github.com/jiandanjinxin/tf-dev-summit-tensorboard-tutorial
https://github.com/jiandanjinxin/tensorflow-mnist-tutorial
CSDN-markdown編輯器語法——字體、字型大小與顏色
%matplotlib inline
%matplotlib notebook
Need to use either
or
Only one in each notebook! using inline will just sent png images to browser, using notebook will provide interactivity and allow updating old figures. With notebook you need to make sure to create a new figure before plotting, otherwise the last one will be updated!
還有簡便的 plt.close('all') 關閉所有圖,不用管 fig 號碼
Some plots from these tutorials:
調整名字和間隔
設置不同名字和位置
調整坐標軸
參數loc='upper right'
表示圖例將添加在圖中的右上角.
調整位置和名稱
最後我們得到帶有圖例信息的圖片.
移動坐標
然後我們挪動坐標軸的位置.
然後標注出點(x0, y0)的位置信息. 用plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5)
畫出一條垂直於x軸的虛線.
添加註釋 annotate
接下來我們就對(x0, y0)這個點進行標注.
其中參數xycoords='data'
是說基於數據的值來選位置,xytext=(+30, -30)
和textcoords='offset points'
對於標注位置的描述 和 xy 偏差值,arrowprops
是對圖中箭頭類型的一些設置.
添加註釋 text
其中-3.7, 3,
是選取text的位置, 空格需要用到轉字元
,fontdict
設置文本字體.
生成圖形
當圖片中的內容較多，相互遮蓋時，我們可以通過設置相關內容的透明度來使圖片更易於觀察，也即是通過本節中的bbox
參數設置來調節圖像信息.
首先參考之前的例子, 我們先繪制圖像基本信息：
調整坐標
然後對被遮擋的圖像調節相關透明度，本例中設置 x軸 和 y軸 的刻度數字進行透明度設置
其中label.set_fontsize(12)重新調節字體大小，bbox設置目的內容的透明度相關參，facecolor調節 box 前景色，edgecolor 設置邊框， 本處設置邊框為無，alpha設置透明度. 最終結果如下:
散點圖
首先，先引入matplotlib.pyplot簡寫作plt,再引入模塊numpy用來產生一些隨機數據。生成1024個呈標准正態分布的二維數據組 (平均數是0，方差為1) 作為一個數據集，並圖像化這個數據集。每一個點的顏色值用T來表示：
數據集生成完畢，現在來用scatterplot這個點集，滑鼠點上去，可以看到這個函數的各個parameter的描述，如下圖：
輸入X和Y作為location，size=75，顏色為T，color map用默認值，透明度alpha 為 50%。 x軸顯示範圍定位(-1.5，1.5)，並用xtick()函數來隱藏x坐標軸，y軸同理：
今天的柱狀圖分成上下兩部分，每一個柱體上都有相應的數值標注，並且取消坐標軸的顯示。
生成基本圖形
向上向下分別生成12個數據，X為 0 到 11 的整數 ，Y是相應的均勻分布的隨機數據。使用的函數是plt.bar
，參數為X和Y：
這樣我們就生成了下圖所示的柱狀圖基本框架：
現在的結果呈現：
接下來我們用函數plt.text分別在柱體上方（下方）加上數值，用%.2f保留兩位小數，橫向居中對齊ha='center'，縱向底部（頂部）對齊va='bottom'：
最終的結果就像開始一樣：
畫等高線
數據集即三維點 (x,y) 和對應的高度值，共有256個點。高度值使用一個 height function f(x,y) 生成。 x, y 分別是在區間 [-3,3] 中均勻分布的256個值，並用meshgrid在二維平面中將每一個x和每一個y分別對應起來，編織成柵格:
接下來進行顏色填充。使用函數plt.contourf把顏色加進去，fill, 位置參數分別為：X, Y, f(X,Y)。透明度0.75，並將 f(X,Y) 的值對應到color map的暖色組中尋找對應顏色。8代表等高線的個數。
接下來進行等高線繪制。使用plt.contour函數劃線。位置參數為：X, Y, f(X,Y)。顏色選黑色，線條寬度選0.5。現在的結果如下圖所示，只有顏色和線條，還沒有數值Label：
添加高度數字
其中，8代表等高線的密集程度，這里被分為10個部分。如果是0，則圖像被一分為二。
最後加入Label，inline控制是否將Label畫在線裡面，字體大小為10。並將坐標軸隱藏：
隨機矩陣畫圖
這一節我們講解怎樣在matplotlib中列印出圖像。這里我們列印出的是純粹的數字，而非自然圖像。 我們今天用這樣 3x3 的 2D-array 來表示點的顏色，每一個點就是一個pixel。
colorbar
下面我們添加一個colorbar ，其中我們添加一個shrink參數，使colorbar的長度變短為原來的92%：
3D
首先在進行 3D Plot 時除了導入 matplotlib ，還要額外添加一個模塊，即 Axes 3D 3D 坐標軸顯示：
之後要先定義一個圖像窗口，在窗口上添加3D坐標軸，顯示成下圖：
接下來給進 X 和 Y 值，並將 X 和 Y 編織成柵格。每一個（X, Y）點對應的高度值我們用下面這個函數來計算。
其中，rstride 和 cstride 分別代表 row 和 column 的跨度。
下面兩個圖分別是跨度為1 和 5 的效果：
投影
下面添加 XY 平面的等高線：
如果 zdir 選擇了x，那麼效果將會是對於 XZ 平面的投影，效果如下
D. Python中除了matplotlib外還有哪些數據可視化的庫
數據可視化是展示數據、理解數據的有效手段，常用的Python數據可視化庫如下：
1.Matplotlib：第一個Python可視化庫，有許多別的程序庫都是建立在其基礎上或者直接調用該庫，可以很方便地得到數據的大致信息，功能非常強大，但也非常復雜。
2.Seaborn：利用Matplotlib，用簡潔的代碼來製作好看的圖表，與Matplotlib最大的區別為默認繪圖風格和色彩搭配都具有現代美感。
3.ggplot：基於R的一個作圖庫的ggplot2，同時利用了源於《圖像語法》中的概念，允許疊加不同的圖層來完成一幅圖，並不適用於製作非常個性化的圖像，為操作的簡潔度而犧牲了圖像的復雜度。
4.Bokeh：與ggplot很相似，但與ggplot不同之處為它完全基於Python而不是從R處引用。長處在於能用於製作可交互、可直接用於網路的圖表。圖表可以輸出為JSON對象、HTML文檔或者可交互的網路應用。
5.Plotly：可以通過Python notebook使用，與bokeh一樣致力於交互圖表的製作，但提供在別的庫中幾乎沒有的幾種圖表類型，如等值線圖、樹形圖和三維圖表。
6.pygal：與Bokeh和Plotly一樣，提供可直接嵌入網路瀏覽器的可交互圖像。與其他兩者的主要區別在於可將圖表輸出為SVG格式，所有的圖表都被封裝成方法，且默認的風格也很漂亮，用幾行代碼就可以很容易地製作出漂亮的圖表。
7.geoplotlib：用於製作地圖和地理相關數據的工具箱。可用來製作多種地圖，比如等值區域圖、熱度圖、點密度圖等，必須安裝Pyglet方可使用。
8.missingno：用圖像的方式快速評估數據缺失的情況，可根據數據的完整度對數據進行排序或過濾，或者根據熱度圖或樹狀圖對數據進行修正。
E. python如何講一個矩陣畫成RGB圖像
你可以用scipy包的misc.imsave函數，下面是示例代碼
隨機生成一個600X800X3的矩陣，然後寫入圖片
importnumpyasnp
fromscipy.miscimportimsave
x=np.random.random((600,800,3))
imsave('meelo.jpg',x)
F. python中獲取的數據為矩陣形式，如何在python以實時的形式繪制出動態圖
你好，下面是一個畫動態圖的例子。
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
y1 = []
for i in range(50):
y1.append(i) # 每迭代一次，將i放入y1中畫出來
ax.cla() # 清除鍵
ax.bar(y1, label='test', height=y1, width=0.3)
ax.legend()
plt.pause(0.1)
G. 如何使用python表示矩陣
使用python表示矩陣的方法：
使用「import numpy」語句導入numpy包。用numpy包的array函數創建一個二維數組，這個二維數組就表示矩陣
示例代碼如下：
執行結果如下：
H. python"高維數據"可視化用什麼庫
常見的Python可視化庫有哪些？
Matplotlib
Matplotlib是一個Python 2維繪圖庫，已經成為Python中公認的數據可視化工具，通過Matplotlib你可以很輕松地畫一些或簡單或復雜地圖形，幾行代碼即可生成線圖、直方圖、功率譜、條形圖、錯誤圖、散點圖等等。
Seaborn
Seaborn是基於Mtplotlib產生的一個模塊，專攻於統計可視化，可以和pandas進行無縫鏈接，使初學者更容易上手。相對於Matplotlib，Seaborn語法更簡潔，兩者關系類似於NumPy、和Pandas之間的關系。
HoloViews
HoloViews是一個開源的Python庫，可以用非常少的代碼行中完成數據分析和可視化，除了默認的Matplotlib後端外，還添加了一個Bokeh後端。Bokeh提供了一個強大的平台，通過結合Bokeh提供的互動式小部件，可以使用HTML5 canvas和WebGL快速生成交互性和高維可視化，非常適合於數據的互動式探索。
Altair
Altair是Python的一個公認的統計可視化庫，它的API簡單、友好、一致，並建立在強大的vega-lite（互動式圖形語法）之上。Altair API不包含實際的可視化呈現代碼，而是按照vega-lite規范發出JSON數據結構。由此產生的數據可以在用戶界面中呈現，這種優雅的簡單性產生了漂亮且有效的可視化效果，且只需很少的代碼。
ggplot
ggplot是基於R的ggplot2和圖形語法的Python的繪圖系統，實現了更少的代碼繪制更專業的圖形。
它使用一個高級且富有表現力的API來實現線，點等元素的添加，顏色的更改等不同類型的可視化組件的組合或添加，而不需要重復使用相同的代碼，然而這對那些試圖進行高度定製的的來說，ggplot並不是最好的選擇，盡管它也可以製作一些非常復雜、好看的圖形。
Bokeh
Bokeh是一個Python互動式可視化庫，支持現代化Web瀏覽器展示。它提供風格優雅、簡潔的D3.js的圖形化樣式，並將此功能擴展到高性能交互的數據集，數據流上。使用Bokeh可以快速便捷地創建互動式繪圖、儀錶板和數據應用程序等。
Bokeh能與NumPy、Pandas，Blaze等大部分數組或表格式的數據結構完美結合。
I. 【Python基礎】python數據分析需要哪些庫
1.Numpy庫
是Python開源的數值計算擴展工具，提供了Python對多維數組的支持，能夠支持高級的維度數組與矩陣運算。此外，針對數組運算也提供了大量的數學函數庫，Numpy是大部分Python科學計算的基礎，具有很多功能。
2.Pandas庫
是一個基於Numpy的數據分析包，為了解決數據分析任務而創建的。Pandas中納入了大量庫和標準的數據模型，提供了高效地操作大型數據集所需要的函數和方法，使用戶能快速便捷地處理數據。
3.Matplotlib庫
是一個用在Python中繪制數組的2D圖形庫，雖然它起源於模仿MATLAB圖形命令，但它獨立於MATLAB，可以通過Pythonic和面向對象的方式使用，是Python中最出色的繪圖庫。主要用純Python語言編寫的，它大量使用Numpy和其他擴展代碼，即使對大型數組也能提供良好的性能。
4.Seaborn庫
是Python中基於Matplotlib的數據可視化工具，提供了很多高層封裝的函數，幫助數據分析人員快速繪制美觀的數據圖形，從而避免了許多額外的參數配置問題。
5.NLTK庫
被稱為使用Python進行教學和計算語言學工作的最佳工具，以及用自然語言進行游戲的神奇圖書館。NLTK是一個領先的平台，用於構建使用人類語言數據的Python程序，它為超過50個語料庫和詞彙資源提供了易於使用的介面，還提供了一套文本處理庫，用於分類、標記化、詞干化、解析和語義推理、NLP庫的包裝器和一個活躍的討論社區。
J. python 如何實現將二維數組可視化
可以用tkinter畫圖實現 但要一些坐標計算