这是我的博客“dcharm”的一篇，用在这里尝试一下云栖社区的博客功能。我的微博：

Python一般使用Matplotlib制作统计图形，是‘让简单的事情简单，让复杂的事情变得可能’。（你说国外的“码农”咋这么会说，我就整不出来这工整的句子！）用它可以制作折线图，直方图，条形图，散点图，饼图，谱图等等你能想到的和想不到的统计图形，这些图形可以导出为多种具有出版质量的格式。此外，它和ipython结合使用，确实方便，谁用谁知道！

在Matplotlib里面经常使用到的是pylab和pyplot，它之间的区别在于pyplot是封装好的调用matplotlib底层制图库的接口，制图时用户不用关心底层的实现，而pylab则是为了使用者的方便，将和pyplot的功能集中在了一个命名空间中。这么解释，可能还是不太清楚，因此在此次举个例子：

import pylabimport numpy as npimport matplotlib.pyplot as pltpylab.randn(2,3)array([[ 1.22356117, -0.62786477, -0.02927331],[ 1.11739661, -1.64112491, 2.24982297]]) np.random.randn(2,3)array([[-1.41691502, -1.43500335, -0.68452086],[-0.53925581, -0.18478012, -0.0126745 ]])pylab.hist([1,1,1,2,3,3])plt.hist([1,1,1,2,3,3])

从上面的例子可以看在pylab中可以使用numpy中的一些方法，而在pyplot中不能使用numpy的方法；pylab和pyplot都可以制作统计图形。

接下来通过4个常用的统计图形–直方图，条形图，折线图和散点图来介绍首先matplot的使用。直方图和条形图主要刻画的是一维随机变量的分布，折线图和散点图主要刻画的是两个随机变量之间的相关性。首先要展示的是条形图

N = 5ind = np.arange(N)width = 0.35menMeans = (20, 35, 30, 35, 27)menStd = (2, 3, 4, 1, 2) womenMeans = (25, 32, 34, 20, 25)womenStd = (3, 5, 2, 3, 3) plt.bar(ind, menMeans, width, color='r', yerr=menStd)plt.bar(ind+width, womenMeans, width, color='y', yerr=womenStd) plt.title('Men-Women')

图中红色的矩形代表的是Men，黄色代表的是Women，矩形的高度代表的是改组数据的均值，矩形顶部蓝色短线代表标准差，短线自矩形的顶部分别向上和向下延伸标准差的长度。

接下来要展示的是直方图，

x1 = 10 + 5 * np.random.randn(10000)x2 = 20 + 5 * np.random.randn(10000) num_bins = 50plt.hist(x1, num_bins, normed=1, facecolor='green', alpha=0.5)plt.hist(x2, num_bins, normed=1, facecolor='blue', alpha=0.5)plt.title('Histogram')plt.show()

如果是连续性型随机变量，其中的每个矩形的高度表示该对应随机变量的概率密度函数的值，如果是离散型随机变量，其中每个矩形的高度代表对应随机变量的概率。条形图在使用时要事先计算出数据的均值和方差，而使用直方图时，pyplot会自动统计数据的分布；条形图主要刻画数据的样本均值和方差，直方图主要刻画样本的总体分布。

接下来要展示的是折线图，代码如下：

import numpy as npimport matplotlib.pyplot as plt x = np.linspace(0, 10, num=100)y = np.sin(x)plt.plot(x,y)plt.show()

上面的图可以看做是y=sin(x)在区间[0,10]上的函数图形，每一个x有且只有一个y的值相对应，如果有多个y的值，则应该使用散点图。

import numpy as npimport matplotlib.pyplot as plt x = np.random.randn(1000)y = np.random.randn(1000)plt.scatter(x,y)plt.title('Scatter')plt.show()