深入淺出 Python 視覺化工具 matplotlib、Seaborn 的基礎與架構全指南與教學
最近在使用 matplotlib 畫一些圖時，常常會遇到如子圖、共用 y 軸等問題，甚至在網路上看到範例使用 axis 和 axe 時，總覺得一頭霧水。而網路上的教學卻僅使用 plt.plot 來繪圖，卻不說明為何要使用這些工具。
因此，我希望這篇文章可以為那些剛入門 matplotlib 的讀者提供一個簡單卻容易理解的基礎觀念。本文會提到下面幾個核心的概念：
- matplotlib 的核心 API 觀念與組成
- Matplotlib 的核心繪圖觀念
- 如何精細控制 Matplotlib 繪圖元件
- Seaborn 是如何和 matplotlib 協作
- The future of plot in Python
非常推薦先從核心的 API 與繪圖觀念開始看起，能夠更瞭解 matplotlib 的設計概念，也能夠在未來使用 matplotlib 時，瞭解不同情況下的適用參數。
一、Matplotlib API 概觀
我相信很多讀者包括我，在一開始接觸到 matplotlib 時一定會遇到 plt.plot 和 ax.plot 到底有什麼差異？為什麼有時候要用 plt.show 有時候不用？
其實在 matplotlib 的 API （Application Programming Interface）共分成兩種型態，一種是我們常見到的 plt.plot 或是 df.plot 的格式，另一種則是 ax.plot 的格式。
plt.plot｜繪圖的懶人包（包括df.plot），會幫你直接在最近使用的圖表上繪圖，沒有的話就會自動新建一個。ax.plot｜手動建立的 API，提供多項客製化的參數與圖表控制。
以我個人的經驗，我會強烈建議先以 ax.plot 的完整 API 來學習，弄懂背後的完整原理，再來使用簡單的 df.plot 懶人包。
瞭解自己為何而用，才能讓工具發揮最大效益。
那麼，就讓我們來深入瞭解 matplotlib 的概念吧！
二、Matplotlib 的核心繪圖觀念
在繪圖之前，要先搞清楚不同參數代表的意思。
- Figure：可以把他當作畫布，一張畫布上可以有很多的 Axes。
- Axes：就是我們俗稱的「子圖」，每個 Axes 一次只能在一張畫布上。
這時就有人說，不對啊？我之前都用 plt.plot 來繪圖，根本沒有用到 figure 和 axes。plt.plot 其實是一個黑盒子，他幫你把基礎的參數設定好，他就會在最近一張子圖生成圖表（沒有則會創建一張）；但這不代表背後就沒有 figure 和 axes 的運作。
Add_subplot: 如何生成 “Figure” and “Axes”?
這裡就來實際操作一次畫布 figure 與子圖 axe 的生成：
此時如果直接以 plt.plot(df) 等指令，會在距離最近的途中建立圖。以上面的例子就會是 axe_3。那如果要在 axe_1 上面畫圖怎麼做呢？只要用以下兩種簡單的方式，就可以繪在指定的圖上了：
Sub_plots: 如何快速生成大量 plots ?
如果我們這一次要建立好幾個子圖（axes），那我們不就要新增一整排的變數axe_x？因此衍生的更便利的用法 plt.subplots() 可以使用（和前面的方式差了一個 ”s”），因為 axes 可以直接像二維陣列一樣做索引，也可以一起設定不同子圖間的關連。
這裡也放上子圖（subplots / add_subplot）可以設定的選項以供參考：
nrows｜子圖有幾列，通常都會直接放上數字。ncols｜子圖有幾欄，通常都會直接放上數字。sharex｜所有子圖是否共用一樣的 x 軸，調整xlim會影響呈現範圍。sharey｜所有子圖是否共用一樣的 x 軸，調整ylim會影響呈現範圍。
三、如何精細控制 Matplotlib 繪圖元件
當我們已經可以輕鬆掌握 Figure 和 axe 來進行繪製後，接下來可以更細部操作的便是每張圖的細節了。這也是最讓人興奮與實用的各項小技巧，如果在閱讀時對特定的設計方式感興趣，也推薦去官網的 gallary 瀏覽。
在這個章節中，筆者會介紹下面幾個常用的環節：
- matplotlib 細節設定
- 如何控制各種繪圖風格
- 刻度、標籤和圖形
- 註釋與繪製箭頭等形狀
- 儲存圖檔
1. matplotlib 細節設定
matplotlib 本身在繪製時，就有許多的配置方案，可以用來控制各種細節甚至適用於出版的圖片。如果想要直接控制這些設定，可以使用 rc 方法：
如果想要一勞永逸地改掉這些設定呢？一樣可以到 home 目錄下修改：
matplotlib/mpl-data/.matplotlibrc2. 如何控制各種繪圖風格
到這個階段，真的要來繪製 plot 本身了！我們就先從最常見到的折線圖開始說起。當我們繪製折線圖時，其實本身點與點之間是以線性插值來連接，但如果我想要能夠看到變化率呢？我們變可以更改 drawstyle：
在設定參數時，多數的繪圖方法都可以接受直接以 axe 作為參數，來更有彈性地繪製子圖。下面變順便列出大部分常用的參數：
label｜圖例用的標籤，如上圖的 “Default”。ax｜指定要拿來畫圖的 axe，若沒有指定則會由最靠近呼叫的 axe 畫起style｜用來傳樣式字串，例如‘b-’等。alpha｜設定 plot 的透明度kind｜可用area、bar、barh、density、hist、kde、line、pielogy｜在 y 軸使用對數呈現，logx亦同。use_index｜以物件的index作為刻度標籤，預設為 True。rot｜選轉刻度的標籤，如rot=30即為選轉 30 度。xticks｜x 軸刻度用的值，可以傳入一個list來指定，yticks亦同。xlim｜x 軸的範圍，如 [0,100]；ylim亦同。grid｜顯示軸的格線，預設為False。
同樣地，如果想要直接以 DataFrame 的黑盒子快速繪圖，也可以參考以下的參數：
subplots｜如傳入整個 df，則可將每欄繪製到不同的子圖中。sharex｜如為True時，所有的 x 軸、刻度、範圍皆相同；sharey亦同figsize｜以figsize=(6,4)指定 figure 大小。title｜字串型態，指定標題。legend｜加入子圖的圖例，預設為True。sort_columns｜預設為使用既有的欄位排序，可調整排序。
b. Other Plot Usage
- Barplot｜以 DataFrame 作為輸入時，會以一列中的多個值來作為圖例標題使用；若在參數中加入
stacked=True，則會形成疊加長條圖。 - density｜密度圖（KDE），呼叫
plot.kde時會使用混合常態估計法。 - Hist｜直方圖，要指定
bins=50的數量，常用數量為資料量的開根號。
3. 刻度、標籤和圖形
大部分的繪圖都會由 xlim、xticks 和 xticklabels、 xlabels 四個方法組成圖面。其中分成以 plt 的介面和原生的 matplotlib 的 API。個別的意義分別為：
xlim｜x 軸的範圍，如 [0,100]；ylim亦同。xticks｜x 軸刻度用的值，可以傳入一個list來指定，yticks亦同。xticklabels｜用於設定離散的 x 軸，可以傳入一組 list 來設定。
Pyplot 的設定方式：
會繪製在最後一個子圖或目前使用的子圖上。
- 不帶參數呼叫｜會傳回當前的參數之值，例如
plt.xlim()會傳回範圍。 - 帶著參數呼叫｜會設定新的值，如
plt.xlim([0, 100])會設定新範圍。
原生 API 的設定方式：
會直接繪製在指定的子圖上，主要分成 get_ 和 set_ 兩種設定方法。
axe.get_xlabel()｜便會傳回當下 x 軸的軸名稱。axe.set_xlabel()｜便會設定當下 x 軸的軸名稱。
設定方法亦可以加入 rotation=30 和 fontsize=’small’ 等參數如 set_xlabel(ratation=10)，來進一步設定子圖的刻度與標籤。與上面的例子相同，我們也可以一次用 arg 的方式傳入所有的變數。
有了客製化的標籤，就要加入圖例讀者才容易瞭解不同的線代表哪筆資料。加入的方法主要有兩種：
axe.plot(label=’label_1’)axe.legend(labels=[‘label_1’, ‘label_2’])
接著如果使用第一種，則要記得呼叫 plt.legend() 或 axe.legend()。另外如果要設定圖例的位置，可以簡單地使用 loc='best' ，會幫你找不會蓋到圖表的地方呈現，抑或直接指定位置。
4. 註釋與繪製箭頭等形狀
除了圖例之外，有時也會需要繪製一些文字（text）、箭頭（arrow）或註釋（annotate）等，這時就可以使用下面三個方法：
axe.text｜在子圖的指定座標加上文字axe.arrow｜在子圖的指定座標加上箭頭axe.annotate｜註釋可以直接劃上文字和箭頭。
a. axe.text/axe.arrow 可以簡單如以下方式呈現：
b. axe.annotate 則可設定複雜的方法來呈現：
5. 儲存圖檔
當我們繪製好圖表後，有時最後一階段便需要輸出圖檔，這時便可簡單使用 savefig 來儲存當前的 figure。舉例來說，如果想要把圖存成 png：
plt.savefig('savefig.png')程式會根據你附上的附檔名進行判別，自動生成該類型的檔案。主要儲存的方式一樣分成兩種，一種是 pyplot 如 df.plot 的 API；另一種則是 matplotlib 的原生 API：
plt.savefig｜會儲存當前的 figure。fig.savefig｜會儲存 figure 實例化後fig畫布上的圖。
在輸出檔案時，有下列參數能夠更細部地調整輸出的圖，舉例來說：
fname｜檔案名稱與位置路徑，以附檔名為檔案型態判斷依據。dpi｜圖片每英吋的解析度，預設為 100dpi。facecolor｜子圖外的背景顏色，預設為‘w’（白色）。edgecolor｜子圖外的邊框顏色，預設為‘w’（白色）。format｜明確指定要用的檔案格式。bbox_inches｜指定圖存檔部分，若指定為tight則會將周圍空白去掉
以上就是我們從建立 figure 畫布、axe 子圖一路到輸出圖表的過程，相信讀者也已經對於如何製作與調整一張圖表，有了比較明確的概念。接著，我們就來講 matplotlib 的高階 API –––– Seaborn。
五、How does Seaborn work?
如果讀者曾經聽過深度學習的框架，那 matplotlib 和 Seaborn 的關係就和 Tenserflow 與 Keras、Pytorch 與 Fast.ai 的關係一模一樣。
Seaborn 背後的底層工具都仍然屬於 matplotlib，但透過封裝的方式大幅度地簡化許多設定上的細節，且也美化的圖表本身的輸出。因此就算只是 import seaborn 本身，也能夠提升 matplotlib 的繪圖視覺美感。
沒事多用 seaborn，圖表看起來就會更漂亮：
import seaborn as sns為了讓讀者感受一下差異，我們下面就實作幾個圖表來示範。本文會帶到下面五個常用的顯示方式：
- 使用 Seaborn 調整 Theme
- Barplot 直方圖
- Displot 分布密度圖
- Regplot 分布密度圖
- Pairplot 散佈圖矩陣
- Facetgrid 層面圖與分組
1. 使用 Seaborn 調整 Theme
可以看到從 seaborn 輸出的圖明顯多了外框，整體視覺也比較好看。因此筆者在後來在進行 EDA 時，若圖需要輸出都會習慣使用 seaborn 來美化圖。
若要在一開始就調整 seaborn 的風格，可以簡單地使用 set 來調整：
sns.set(style="white") # darkgrid, whitegrid, dark, white, ticks2. Barplot 直方圖
3. Displot 分布密度圖
使用 seaborn 的 displot 時，會同時呈現直方圖和密度圖，可以更好地去評估分布的組成。
4. Regplot 分布密度圖
Seaborn 的 regplot 可同時繪製出散佈圖（scatter）和回歸（Regression），可以很快速地評估該資料是否有某種趨勢。
5. Pairplot 散佈圖矩陣
在探索資料時，若能看到不同變數間的散佈圖非常有幫助，但如果一個一個繪製不僅容易忘記，也很難直接看到不同變數間的關係。這時 pairplot 就派上用場了。
sns.pairplot(penguins, hue="species", diag_kind="hist")也許你已經看到函式裡有 diag_kind 的參數，這個參數能讓我們調整離散的資料會以 hist 或 kde 等方式呈現。更詳細的設定內容請察看官網。
6. Facetgrid 層面圖與分組
我們可以使用 facetgrid 來依照多個分類進行視覺化。
axe = sns.FacetGrid(tips, col="time", row="sex")
axe.map(sns.scatterplot, "total_bill", "tip")
更細節的操作可以直接參考官方文件，但官方文件也提到若在使用 FacetGrid 時，仍然盡可能地轉換資料到正確的型態，如類別資料轉換成 category；數值資料則轉換成 int 或 float。
同樣地如果要讓 figure 空白變少，可以使用 tight_layout() 來縮減空白。
fig.tight_layout()六、The future of plot in Python
隨著資料視覺化的發展，越來越多的人發現靜態的圖表仍然很難呈現所需的所有資料，因此便開始出現了互動圖表，其中在 Python 的領域最有名的新工具便是 Plotly，打著簡單好用的方式便能生成出互動圖表。
互動圖表特別適合應用在 Data-wharehose 的資料視覺化工具，就像 Tableau 的 Dashboard 一樣能夠即時檢視與操作，特別推薦有興趣與需求的讀者，可以來上面的官方網站瀏覽看看喔！
Summary
過去在使用 matplotlib 時，總是必須要東找西找才能找到自己需要的圖表，也常常不確定 axe.plot 和 df.plot 的差異在哪裡，始終囫圇吞棗的用。今天終於把這篇文章整理完了，也算是把之前欠的資料視覺化的債還了一些。
在學習的過程中，推薦讀者也能跟著文中的案例實際操作，並多結合現在工作上、學習上的實際例子進行視覺化的練習，最終學會從資料中判別洞見才是最重要的環節。希望這篇文章能夠對讀者有幫助。
**【希望用你的掌聲來投票與支持】**
拍 5~10 下：簽個到，表示支持（感謝你的鼓勵啊啊啊）
拍 10~30 下：希望我可以多寫一些文章！有你這位讀者，寫這篇也心滿意足了！
拍 30~50 下：內容對你感覺很有共鳴，希望能多分享給周圍的朋友！謝謝你／妳，願意把我的文章閱讀完
如果你喜歡筆者在 Medium 的文章，可以拍個手（Claps），
也歡迎你分享給你覺得有需要的朋友們。
You May Interest In:
- 深入淺出 SQL 的子查詢 Subquery 各項常用技巧
- 如何快速上手資料科學專案流程（上）A Step-by-Step Guide For A Data Science Project. I
- 快速上手資料科學專案流程全攻略（下）A Step-by-Step Guide For A Data Science Project. II
- 機器學習專案｜Kaggle — Airbnb New User Prediction(Top 24%)
- 深入淺出常用推薦系統演算法 Recommendation System
- Statistical Thinking in Python｜ECDF 進行 EDA 探索式分析的好工具
- Analyzing Police Activity with pandas 案例實作（一）– 如何高效進行數據分析
- Analyzing Police Activity with pandas 案例實作（二）– 數據整理
- 你可能不知道的 SQL 小筆記（查詢篇）
- [數據分析] Lean Analytics — 總說數據分析，你在分析什麼？
- [Statistic] Hypothesis Testing — 以 Python 實踐假設檢定（附程式碼）
- [DataCamp] 快速解析 Python 的各種Import Data 基礎應用技巧
- [DataCamp] Cleaning Data in Python 如何簡單上手資料清洗
