01 导入Matplotlib
如果你安装了完整的Python Anaconda，那么你已经安装了Matplotlib，可以开始了。否则，你可能要访问官网获取安装说明。
http://matplotlib.org
就像我们用缩写np来表示NumPy一样，我们也会用一些标准的缩写来表示Matplotlib导入：
import matplotlib as mpl import matplotlib.pyplot as plt
plt是我们最常用的一个接口。
02 生成一个简单的图形
言归正传，让我们创建第一个图形。
假设我们要绘制正弦函数sin(x)的一个简单线图。我们希望函数求x轴（0≤x≤10）上的所有值。我们将使用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)
我们可以使用NumPy的sin函数求sin函数的所有x值，并通过调用plt的plot函数可视化结果：
plt.plot(x, np.sin(x))
你亲自试过了吗？发生什么了？有什么发现吗？
问题是，这取决于你在何处运行这个脚本，你可能什么都看不到。以下是可以考虑的可能性：
1. 从.py脚本绘图
如果你正从一个脚本运行matplotlib，那么你只需要调用plt，如下所示：
plt.show()
调用后，图形就会显示出来！
2. 从IPython shell绘图
这实际上是以交互方式运行matplotlib的最便捷的方式之一。要显示绘图，你需要在启动IPython之后，调用%matplotlib魔术命令：
%matplotlib Using matplotlib backend: Qt5Agg import matplotlib.pyplot as plt
然后，所有图都会自动显示出来，不必每次都调用plt.show()。
3. 从Jupyter Notebook绘图
如果你从基于浏览器的Jupyter Notebook上查看这段代码，你需要使用同样的%matplotlib魔术命令。可是，你还可以选择将图形直接嵌入notebook中，这有两种可能的结果：
%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。
我们通常会选择内联选项：
%matplotlib inline
现在，让我们再试一次：
plt.plot(x, np.sin(x))
上述命令给出的输出如图2-4所示。
▲图2-4 应用内联选项生成的图
稍后，如果你想保存图表，可以直接从IPython或Jupyter Notebook的选项中保存：
plt.savefig('figures/02.03-sine.png')
只要保证使用所支持的文件后缀即可，例如.jpg、.png、.tif、.svg、.eps或者.pdf。
在导入matplotlib之后，运行plt.style.use(style_name)，你可以更改绘图的样式。在plt.style.available中列出了所有可用的样式。例如，试试plt.style.use('fivethirtyeight')、plt.style.use('ggplot')或者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
作为本文的最后一个测试，让我们可视化一些来自外部数据集的数据，例如scikit-learn的digits数据集。
具体来说，我们将需要3个可视化工具：
用于实际数据的scikit-learn 用于数据处理的NumPy Matplotlib
首先，让我们导入所有这些可视化工具：
import numpy as np from sklearn import datasets import matplotlib.pyplot as plt %matplotlib inline
第一步是实际加载数据：
digits = datasets.load_digits()
如果我们没有记错的话，digits应该有2个不同的字段：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。
与其相信我们的记忆，不如让我们研究一下digits对象。这通过输入字段名称、添加句点、再按下Tab键—digits.来实现。这会显示出digits对象还包含了一些其他字段，例如一个名为images的字段。images和data这2个字段似乎只是形状不同：
print(digits.data.shape) print(digits.images.shape)
输出结果：
(1797, 64) (1797, 8, 8)
在这两个例子中，第一维都对应于数据集中的图像数。但是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字段可能更合适。首先，使用NumPy的数组切割，从数据集中抓取一张图像：
img = digits.images[0, :, :]
这里，我们说想要抓取长为1797项的数组中的第一行，以及所有对应的8×8=64个像素。然后，我们可以使用plt的imshow函数绘制图像：
plt.imshow(img, cmap='gray') plt.savefig('figures/02.04-digit0.png')
上述命令给出的输出如图2-5所示。请注意，图像是模糊的，因为我们将该图像调整到了更大的尺寸。原始图像的大小只有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参数指定一个彩图。在默认情况下，Matplotlib使用MATLAB的默认彩图jet。可是，对于灰度图像，gray彩图更有意义。
最后，我们可以利用plt的subplot函数绘制一组数字样本。subplot函数与在MATLAB中一样，我们指定行数、列数以及当前子图的索引（从1开始）。我们将使用一个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): # 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')
生成的输出如图2-6所示。
▲图2-6 生成包含10个数字的一组子图
对于各种数据集，另一个很好的资源是本书作者迈克尔·贝耶勒的母校加州大学欧文分校的机器学习资源库：
http://archive.ics.uci.edu/ml/index.php
关于作者：阿迪蒂亚·夏尔马（Aditya Sharma），罗伯特·博世（Robert Bosch）公司的一名高级工程师，致力于解决真实世界的自动计算机视觉问题。曾获得罗伯特·博世公司2019年人工智能编程马拉松的首名。
维什韦什·拉维·什里马利（Vishwesh Ravi Shrimali），于2018年毕业于彼拉尼博拉理工学院（BITS Pilani）机械工程专业。此后一直在BigVision LLC从事深度学习和计算机视觉方面的工作，还参与了官方OpenCV课程的创建。
迈克尔·贝耶勒（Michael Beyeler），是华盛顿大学神经工程和数据科学的博士后研究员，致力于仿生视觉的计算模型研究，以为盲人植入人工视网膜（仿生眼睛），改善盲人的感知体验。他的工作属于神经科学、计算机工程、计算机视觉和机器学习的交叉领域。
本文摘编自《机器学习：使用OpenCV、Python和scikit-learn进行智能图像处理（原书第2版）》，经出版方授权发布。
