import sys
import numpy as np
import matplotlib

print("Python 版本:", sys.version)
print("NumPy 版本:", np.__version__)
print("matplotlib 版本:", matplotlib.__version__)

三、Matplotlib详解

Matplotlib是一个用于创建数据可视化的Python库。它提供了广泛的绘图选项，能够生成各种类型的图表、图形和可视化效果。下面是Matplotlib的一些主要功能：

绘图风格和类型：Matplotlib支持各种绘图风格和类型，包括线图、散点图、柱状图、饼图、等高线图、3D图等，可以根据需要选择适合的图表类型来展示和分析数据。

数据可视化：Matplotlib使得将数据转化为可视化表示变得简单，可以使用Matplotlib绘制图表来展示数据的分布、趋势、关系等，这有助于更好地理解数据和发现潜在的模式和关联。

图表自定义：Matplotlib提供了丰富的图表自定义选项，可以调整图表的标题、标签、坐标轴、线条样式、颜色等。这使得您能够创建符合特定需求和品味的高质量图表。

多子图和布局：Matplotlib允许您在单个图像中创建多个子图，以便同时展示多个相关的图表或数据视图。您可以自定义子图的布局和排列，以满足特定的展示需求。

导出图像：Matplotlib支持将图像导出为多种格式，包括PNG、JPEG、PDF、SVG等。这使得您可以方便地将生成的图表保存为文件，或嵌入到文档、报告和演示文稿中。

无论是进行科学研究、数据分析、报告撰写还是可视化展示，Matplotlib都是一个强大而灵活的工具。它广泛应用于各个领域，如数据科学、机器学习、金融分析、工程可视化等。

1、2d绘图类型

2d绘图（上）：折线图、散点图、柱状图、直方图、饼图_QomolangmaH的博客-CSDN博客编辑https://blog.csdn.net/m0_63834988/article/details/132872575?spm=1001.2014.3001.5501编辑https://blog.csdn.net/m0_63834988/article/details/132872575?spm=1001.2014.3001.5501编辑https://blog.csdn.net/m0_63834988/article/details/132872575?spm=1001.2014.3001.5501https://blog.csdn.net/m0_63834988/article/details/132872575?spm=1001.2014.3001.5501

2d绘图（下）：箱线图、热力图、面积图、等高线图、极坐标图_QomolangmaH的博客-CSDN博客编辑https://blog.csdn.net/m0_63834988/article/details/132890656?spm=1001.2014.3001.5501编辑https://blog.csdn.net/m0_63834988/article/details/132890656?spm=1001.2014.3001.5501编辑https://blog.csdn.net/m0_63834988/article/details/132890656?spm=1001.2014.3001.5501https://blog.csdn.net/m0_63834988/article/details/132890656?spm=1001.2014.3001.5501

2、3d绘图类型

Matplotlib绘图_QomolangmaH的博客-CSDN博客编辑https://blog.csdn.net/m0_63834988/category_12441299.htmlhttps://blog.csdn.net/m0_63834988/category_12441299.html

3、多子图和布局

1. `subplot()`函数

Matplotlib多子图和布局：subplot()函数_QomolangmaH的博客-CSDN博客https://blog.csdn.net/m0_63834988/article/details/132908035?spm=1001.2014.3001.5501

2. `subplots()`函数

Matplotlib多子图和布局：subplots()函数_QomolangmaH的博客-CSDN博客https://blog.csdn.net/m0_63834988/article/details/132908388?spm=1001.2014.3001.5502

3. 散点矩阵图（Scatter Matrix Plot）

用于可视化多个变量之间的关系，通过绘制多个散点图组合在一起形成一个矩阵

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
np.random.seed(0)
data = np.random.rand(4, 100)  # 生成一个4行100列的随机数组

# 计算变量的数量
num_vars = data.shape[0]

# 创建一个具有适当形状的子图网格
fig, axes = plt.subplots(num_vars, num_vars, figsize=(8, 8))

# 遍历每对变量并绘制散点图
for i in range(num_vars):
    for j in range(num_vars):
        axes[i, j].scatter(data[i], data[j])
        axes[i, j].set_xlabel('x{}'.format(i+1))
        axes[i, j].set_ylabel('x{}'.format(j+1))

# 调整子图之间的间距
plt.tight_layout()

# 显示图形
plt.show()

使用np.random.rand函数生成一个4行100列的随机数组作为随机数据。
根据变量的数量创建了一个具有适当形状的子图网格。
使用双重循环遍历每对变量，并在相应的子图中绘制散点图。scatter函数用于绘制散点图，set_xlabel和set_ylabel函数用于设置坐标轴标签。
使用plt.tight_layout()调整子图之间的间距，并使用plt.show()显示图形。

【深度学习】 Python 和 NumPy 系列教程（廿七）：Matplotlib详解：3、多子图和布局：散点矩阵图（Scatter Matrix Plot）

一、前言

二、实验环境

三、Matplotlib详解

1、2d绘图类型

2、3d绘图类型

3、多子图和布局

1. subplot()函数

2. subplots()函数

3. 散点矩阵图（Scatter Matrix Plot）

1. `subplot()`函数

2. `subplots()`函数