ML基础2-python中的可视化1：matplotlib

承接我的上一篇博客：
https://blog.csdn.net/weixin_62528784/article/details/145329298?spm=1001.2014.3001.5501

在机器学习的过程中，我们需要掌握大量的Python包，常用的有pandas和numpy这些基本数据管理的包(在后续更新中我会讲解)与matplotlib、seaborn这类可视化的包，下面我们就来简单介绍一下这两类可视化Python包的用法。
绘制标签、图例等，并保存图表到文件或显示图表。

python入门cheatsheet可以参考一些公众号的博客：
https://mp.weixin.qq.com/s?__biz=MzAwMzIzOTk5OQ==&mid=2247499921&idx=1&sn=dcd6f95596e3de9bf378d850c217fe78&chksm=9b3cb9c1ac4b30d7bbd44057b181f87541f5904d24f903494ae557e768ae00c208c1b68b45c7&payreadticket=HJwg1QnPoRz6efK8s8uTG58KPnUTxGzPqrUmPKqY8mSwVFBC5uzFiQiC41xx3fbtfcKPXo4#rd

总之绘图这一块，一般做生信分析用用R中的ggplot就差不多了，在python就用上面提到的这两个库

一，matplotlib库

matplotlib是一个用于Python编程语言的绘图库，它与自己的名称一样，最早是方便MATLAB用户在Python中进行可视化，因此提供了一个类似于MATLAB的绘图系统。matplotlib最初由John D. Hunter在2002年创建，现在是一个活跃的开源项目，拥有一个庞大的用户和开发者社区。

matplotlib的主要特点有:
多平台：matplotlib可以在所有主要的操作系统上使用(当然，很多Python包都是多平台兼容的)。
简单易用：提供了一个简洁的接口，使得基础绘图变得简单快捷。
高度可定制：几乎图表的每个元素都可以进行详细的个性化设置。
多种绘图类型：支持多种静态、交互和动态的图表，包括常见的线图、直方图、散点图、条形图、误差线图、热图等。
集成：可以与多种图形用户界面工具包一起使用，如Tkinter、wxPython、Qt或GTK。
输出格式：可以将图表保存为多种格式，包括PNG、PDF、SVG、EPS和PGF。

常用模块
pyplot：matplotlib.pyplot是matplotlib的子模块，提供了一个状态机环境，类似于MATLAB，适合于交互式绘图和简单的情况下的快速绘图。
pylab：结合了pyplot功能和numpy功能的模块，但现在已不推荐使用，官方建议直接使用pyplot和numpy。

常用python帮助文档小技巧tips：
如何查询某个库、某个模块、某个函数的帮助文档？

类似于R中的帮助文档，比如说tidyverse中的某个函数，

我们既可以直接询问查询这个包，也可以根据需求查询这个包中的某个函数

#在R中
?tidyverse
help(tidyverse)

在python中同理，但是我一般不直接查看整个库，比如说matplotlib（这对应于R有点不同，我们在R中其实一般可以也常见直接查询某个R包比如说tidyverse），

我们在R中热衷于查询整体的包或者包中的某个函数（实际上就是模块），

但在python中，我们一般不查询整体的库，而是查询某个子模块，或者是模块中的某个函数

建议一般是查询函数模块比较直接省时间，以及便利

1，用matplotlib画一个最简单的折线图

import matplotlib.pyplot as plt

# 准备列表数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图形:
plt.figure()

# 画折线图:
plt.plot(x, y)

# 添加标题和坐标轴标签
plt.title('Biomamba Simple Plot')
plt.xlabel('x axis')
plt.ylabel('y axis')

# 显示图表
plt.show()

当然，不需要plt.figure或plt.show就能够直接绘制并查看图

前面可以简化为

import matplotlib.pyplot as plt

# 准备列表数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 画折线图并添加标题和坐标轴标签
plt.plot(x, y)
plt.title('Biomamba Simple Plot')
plt.xlabel('x axis')
plt.ylabel('y axis')

# 遗憾的是，matplotlib的默认配置并不支持中文：
# 创建图形:
plt.figure()

# 画折线图:
plt.plot(x, y)

# 添加标题和坐标轴标签
plt.title('最简单的折线图')
plt.xlabel('x 轴')
plt.ylabel('y 轴')
  
# 显示图表
plt.show()
# 可以看到，不仅出现了报错，中文的部分也全都变成了□

综上：
折线图实际上只需要准备（x，y）对应数据即可

2，曲线图

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

### 生成数据 ###
# 生成一个起始值为0，终止值为10，数量为50的等差数列：
x = np.linspace(start = 0,stop = 10,num=50)

# 下面都是数学函数，应当不用过多解释：
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.sin(x)+np.cos(x)
y4 = np.sin(x)*np.cos(x)

# 看一下x数据：
print(x)

可以看到起点以及终点都包括在内

其中linspace是一个获取指定起点、终点（都包括在内），以及指定采样数目的数列采样函数

## 使用Matplotlib库对数据进行可视化
plt.figure(figsize=(12,6))  ## 初始化图像窗口并设置大小
plt.plot(x,y1,"b-o")    ## 使用蓝色,实线,点为圆形
plt.plot(x,y2,"g--v")   ## 使用绿色,虚线,点为下三角形
plt.plot(x,y3,"r-.s")   ## 使用红色,点划线,点为正方形
plt.plot(x,y4,"k:*")    ## 使用黑色,点线,点为星形
plt.xlabel("X axis")           ## 设置X轴标签
plt.ylabel("Y axis")           ## 设置Y轴标签
plt.title("curve graph")      
plt.show()                ## 输出图像

其中的绘图format注释部分：

很显然代码中的标准是color-line-marker；

以第1个实例，可以A33=6种组合

可以看到随意排列组合，实际上都是可以绘制的

3，柱状图

接下来要用到的数据：

这一块主要是pandas的语法，我后续会更新，pandas和R中的tidyverse差不多，都是数学处理与分析的

主要参数：

文件路径

分隔符：用了csv函数那读取的肯定是csv文件了

这个实际上就是sep的别名

是否要使用列名（类似于R的tidyverse中的是否将第1行作为列名，也就是col_names=T或F）

默认行为实际上就是从数据的第1行作为列名去推断列名

文件读入时自己起的名字

作为行名要用哪一列表示

整体读入数据时要用哪些列

读入数据的数据类型

有点类似于tidyverse中的mutate中用as.numeric等数据类型再重新定义一样

列可以自定义，那行读入的时候也可以自定义

下面开始处理数据：

# 读取数据：
my_df = pd.read_csv('test_data/matplotlib/insurance.csv')
# 查看数据：
my_df.head()
# 数据包含年龄、性别、bmi等七个变量

head默认看前面5行，包括第一行列名

——》

如何获取某列某行：
获取某列：列名索引index，这种方法和R很相似

另外一种就是“.”成员/属性引用（点号）

获取某行：注意index是0-based，所以第一行就是0

柱状图其实和直方图（频数统计图没有太大区别），首先需要计数count

我们传入的数据是array数组，重点参数在于

我们需要的是第3个，用于count计数的参数

可以在帮助文档中查看这些例子

后面的repeat涉及到pandas中的广播机制，总之values对应repeat counts次

然后有了values作为x轴，有了counts作为y轴，主要就是使用plt.bar函数了

values,counts=np.unique(my_df["children"],return_counts=True)
print(values,counts)
plt.bar(x=values,height=counts)

### 柱状图可视化 ###
plt.figure(figsize=(6,6))# 设置图片大小
# 统计家庭孩子数量：
group, counts = np.unique(my_df.children,return_counts = True)

# 绘图：
pl =  plt.bar(x=group, height = counts, width = 0.7)# 绘制柱状图
plt.bar_label(pl,label_type='edge')# 添加条形图顶部数字，如果在小型图中间添加则填写center  
plt.xlabel('Children number of family');plt.ylabel("family number")# 添加x轴与y轴的标签文字
plt.title('simple barplot')# 添加图片标题

然后这是center的：

4，堆积柱状图

这种可视化方式做单细胞的小伙伴比较熟悉啦，这里我们可以绘制不同性别比例下的孩子数量

堆积的话其实就涉及到不同的列，也就是要使用多列多分组的信息了，其实就和R的tidyverse中的group_by差不多；

然后分析的话肯定肯定是先列出1个列联表出来，主要就是crosstab函数，

然后这里使用的其实就是2个参数，

1个作为列联表的行，1个作为列联表的列

### 绘制堆积柱状图 ###
plt.figure(figsize=(4,7)) # 设置图片大小
group = sex_df.columns.values # 列名，即孩子数量
female = sex_df.values[0,:]# 女性对应的数据  
male = sex_df.values[1,:] # 男性对应的数据  
p1 = plt.bar(group,female,0.7,label='female')# 绘制女性柱状图
p2 = plt.bar(group,male,0.7,label='male',bottom=male)# 在底部绘制男性柱状图
plt.legend([p1,p2],["female","male"]) # 添加图例
plt.bar_label(p1,label_type='center') # 在条形图中间添加数字标签
plt.bar_label(p2,label_type='center') # 在条形图中间添加数字标签

其中

可以发现前者是一个pandas series数据对象，并不是一个纯粹的数据框，获取值都是.values

同理：

没有.values是pandas数据框，有就转换为numpy array数组，两种索引方式区分一下：

对于pandas数据框，不能简单使用[,]，不然就像上面那样直接报错；

总而言之：pandas数据框的索引操作（获取某行某列）和numpy数组的索引操作不太一样

如果只是两个plt分开，没有组织好的话，会被覆盖

bottom接受array数据类型

所以堆积图本质上是绘制多组plt对象，但是在plt.bar中使用bottom参数

5，饼图+甜甜圈图

plt.figure(figsize=(5,5)) # 设置图片大小
group, counts = np.unique(my_df.region,return_counts=True)# 统计区域分布的数量  
explode = [0,0,0.1,0] # 突出显示第三个region  
plt.pie(counts,# 饼图数据
        explode=explode,# 突出显示设置
        labels=group,# 饼图的标签
        autopct='%1.1f%%')# 在饼图的每个部分上自动显示百分比，数值保留一位小数，并在数值后面加上 % 符号

x是1D数据array类型，

explode是偏离量，实际上就是扇形半径偏离量，也就是强调哪一个扇形

可以看出确实强调的是第3个也就是southeast部分

如果我改成radius为1的偏离

所以实际上只需要plt.pie+对应的参数（x，explode，labels）；

当然饼图也可以修改为甜甜圈图（也就是去掉圆心部分的同心圆）

所以相比上面的部分，我们看看实际上增加了什么：

# 把饼图改成甜甜圈图：
plt.figure(figsize=(5,5)) # 设置图片大小
group, counts = np.unique(my_df.region,return_counts=True)# 统计区域分布的数量  
explode = [0,0,0.1,0] # 突出显示第三个region  
plt.pie(counts,# 饼图数据
        explode=explode,# 突出显示设置
        labels=group,# 饼图的标签
        autopct='%1.1f%%',
        wedgeprops=dict(width=0.6)# 设置圆环的宽度，即把扇形图改成甜甜圈图，大家可以把这里改成0.1看看会发生什么
       )# 在饼图的每个部分上自动显示百分比，数值保留一位小数，并在数值后面加上 % 符号

实际上其实就是修改了1个参数，扇形相对半径的比例大小

当然因为是字典，所以也可以直接提供键值对形式{‘linewidth’: 3}，即{‘width’: 0.6}

可以发现还是有效果的：

改成0.1之后就是这样了：

如果设置成1就是饼图

所以饼图实际上就是特殊的甜甜圈图

6，气泡图

气泡图实质上就是在散点图上增加颜色、大小、透明度等变量，让图片的展示信息的维度更高。

在RNA-seq中我们常见的很多，使用ggplot里将logFC等mapping成point的大小等，

之所以不直接用FC，是因为值浮动比较大，所以一般都会归一化/标准化处理，像RNA-seq在下游R分析中还有log对数化等；

气泡图实际上就是散点图+label等信息，所以会处理散点图也就差不多了

比如说对BMI数值进行mapping

然后先处理normalization，也就是归一化

size = (my_df.bmi-my_df.bmi.min())/(my_df.bmi.max()-my_df.bmi.min())*100 # 对bmi数据进行标准化  
plt.figure(figsize=(10,6))# 设置图片尺寸  
# 绘制散点/气泡图：
pl = plt.scatter(x=my_df.age,y=my_df.charges,
                 s=size,# 控制气泡的大小
                 marker="o",# 设置散点图的性质为圆圈
                 facecolor='lightblue',# 设置散点图内部填充颜色
                 edgecolor="k")# 设置散点边框颜色
plt.xlabel('age');plt.ylabel('charge')
handles,labels = pl.legend_elements(prop='sizes',alpha=1)# 设置size，即bmi的图例
legend = plt.legend(handles,labels,loc = [1,0.1],title='normalized_bmi')

然后这里的归一化是在0-1归一化之后x100，也是1个pandas series数据类型

对于pl.legend_elements这一类具体实例/对象的属性/函数，要查看帮助文档，需要先运行实例pl的定义程序，再help、？

而且需要带上pl对象，全部help

看这个函数是返回1个句柄和1个标签label

两个数据类型都是list

然后句柄和label都被plt.legend用上

loc这里可以传入字符串参数，也可以传入数值坐标，具体需要查看参数

如果我改成

7，箱线图与小提前图：
同样是R的ggplot中常绘制的图

整理出来一个list列表

# 整理绘图数据
box_data = [my_df.charges[my_df.region=='northeast'],
                my_df.charges[my_df.region=='northwest'], 
                    my_df.charges[my_df.region=='southeast'],
                        my_df.charges[my_df.region=='southwest']]
print(box_data)

# 绘制小提琴图：
box_label = np.unique(my_df.region)# 标签为四个区域的值
plt.figure(figsize=(6,6))# 设置图片大小
# 出图：
plt.boxplot(box_data,notch =True,# 设置中位数点的缺口
            labels=box_label)

总结来看，箱线图也只需要1个plt.boxplot，参数注意array+label

小提琴图：本质上是和箱线图一样的

# 绘制小提琴图：
plt.violinplot(box_data,showmedians = True)# 设置显示中位数
plt.xticks(ticks=[1,2,3,4],labels=box_label)# 设置横坐标显示文字

没有xtick则

ticks传递x轴参数坐标，labels在对应坐标处放置labels