8.12-15

docs/8.12.md

+# 8.12 文本和注解
+
+> 原文：[Text and Annotation](http://nbviewer.jupyter.org/github/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/04.09-Text-and-Annotation.ipynb)
+> 
+> 译者：[飞龙](https://github.com/wizardforcel)
+> 
+> 协议：[CC BY-NC-SA 4.0](http://creativecommons.org/licenses/by-nc-sa/4.0/)
+> 
+> 本节是[《Python 数据科学手册》](https://github.com/jakevdp/PythonDataScienceHandbook)（Python Data Science Handbook）的摘录。
+
+创建良好的可视化涉及引导读者并使图形讲述故事。在某些情况下，可以以完全可视的方式讲述这个故事，而不需要添加文本，但在其他情况下，需要小的文本提示和标签。也许你将使用的最基本的注释类型是轴标签和标题，但选项超出了这个范围。让我们看看一些数据，以及我们如何可视化和注释它，来有助于传达有趣的信息。 我们首先设置笔记本来绘图并导入我们将使用的函数：
+
+```py
+%matplotlib inline
+import matplotlib.pyplot as plt
+import matplotlib as mpl
+plt.style.use('seaborn-whitegrid')
+import numpy as np
+import pandas as pd
+```
+
+## 示例： 美国新生儿的假期效应
+
+让我们回到之前处理的一些数据，在“示例：出生率数据”中，我们在日历年上生成了平均出生率的图表；如前所述，这些数据可以在 <https://raw.githubusercontent.com/jakevdp/data-CDCbirths/master/births.csv> 下载。
+
+我们将使用我们在那里使用的相同清理过程开始，并绘制结果：
+
+```py
+births = pd.read_csv('data/births.csv')
+
+quartiles = np.percentile(births['births'], [25, 50, 75])
+mu, sig = quartiles[1], 0.74 * (quartiles[2] - quartiles[0])
+births = births.query('(births > @mu - 5 * @sig) & (births < @mu + 5 * @sig)')
+
+births['day'] = births['day'].astype(int)
+
+births.index = pd.to_datetime(10000 * births.year +
+                              100 * births.month +
+                              births.day, format='%Y%m%d')
+births_by_date = births.pivot_table('births',
+                                    [births.index.month, births.index.day])
+births_by_date.index = [pd.datetime(2012, month, day)
+                        for (month, day) in births_by_date.index]
+
+fig, ax = plt.subplots(figsize=(12, 4))
+births_by_date.plot(ax=ax);
+```
+
+![png](../img/8-12-1.png)
+
+
+When we're communicating data like this, it is often useful to annotate certain features of the plot to draw the reader's attention.
+This can be done manually with the ``plt.text``/``ax.text`` command, which will place text at a particular x/y value:
+
+```py
+fig, ax = plt.subplots(figsize=(12, 4))
+births_by_date.plot(ax=ax)
+
+# 向绘图添加标签
+style = dict(size=10, color='gray')
+
+ax.text('2012-1-1', 3950, "New Year's Day", **style)
+ax.text('2012-7-4', 4250, "Independence Day", ha='center', **style)
+ax.text('2012-9-4', 4850, "Labor Day", ha='center', **style)
+ax.text('2012-10-31', 4600, "Halloween", ha='right', **style)
+ax.text('2012-11-25', 4450, "Thanksgiving", ha='center', **style)
+ax.text('2012-12-25', 3850, "Christmas ", ha='right', **style)
+
+# 标记轴域
+ax.set(title='USA births by day of year (1969-1988)',
+       ylabel='average daily births')
+
+# 使用中心化的月标签将 x 轴格式化
+ax.xaxis.set_major_locator(mpl.dates.MonthLocator())
+ax.xaxis.set_minor_locator(mpl.dates.MonthLocator(bymonthday=15))
+ax.xaxis.set_major_formatter(plt.NullFormatter())
+ax.xaxis.set_minor_formatter(mpl.dates.DateFormatter('%h'));
+```
+
+![png](../img/8-12-2.png)
+
+
+``ax.text``方法接受`x`位置，`y`位置，字符串，然后是可选关键字，指定文本的颜色，大小，样式，对齐方式和其他属性。在这里，我们使用``ha='right'``和``ha='center'``，其中``ha``是 horizonal alignment 的缩写。可用选项的更多信息，请参阅``plt.text()``和``mpl.text.Text()``的文档字符串。
+
+## 变换和文本位置
+
+在前面的示例中，我们将文本注释锚定到数据位置。 有时最好将文本锚定到轴或图上的位置，与数据无关。在 Matplotlib 中，这是通过修改变换来完成的。
+
+任何图形显示框架都需要一些在坐标系之间进行转换的方案。例如，`(x, y) = (1, 1)`处的数据点，需要以某种方式表示在图上的某个位置，而该位置又需要在屏幕上以像素表示。在数学上，这种坐标转换相对简单，Matplotlib 有一套完善的工具，它们在内部使用来执行（这些工具可以在``matplotlib.transforms``子模块中进行探索）。
+
+普通用户很少需要关心这些变换的细节，但在考虑在图形上放置文本时，它是有用的知识。 在这种情况下，有三种预定义的转换可能很有用：
+
+- ``ax.transData``：数据坐标相关的变换
+- ``ax.transAxes``：轴域（以轴域维度为单位）相关的变换
+- ``fig.transFigure``：图形（以图形维度为单位）相关的变换
+
+这里让我们看一下，使用这些变换在不同位置绘制文本的示例：
+
+```py
+fig, ax = plt.subplots(facecolor='lightgray')
+ax.axis([0, 10, 0, 10])
+
+# transform=ax.transData 是默认值，但是我们无论如何也要指定它
+ax.text(1, 5, ". Data: (1, 5)", transform=ax.transData)
+ax.text(0.5, 0.1, ". Axes: (0.5, 0.1)", transform=ax.transAxes)
+ax.text(0.2, 0.2, ". Figure: (0.2, 0.2)", transform=fig.transFigure);
+```
+
+![png](../img/8-12-3.png)
+
+
+请注意，默认情况下，文本在指定坐标的上方和左侧对齐：这里，在每个字符串的开头的`'.'`将近似标记给定的坐标位置。
+
+``transData``坐标给出了关联`x`轴和`y`轴标签的常用数据坐标。``transAxes``坐标给出了相对于轴域左下角（这里是白框）的位置，作为轴域大小的比例。``transFigure``坐标是相似的，但是指定相对于图左下角（这里是灰框）的位置，作为图形大小的比例。
+
+现在请注意，如果我们更改轴限制，那么只有`transData`坐标会受到影响，而其他坐标则保持不变：
+
+```py
+ax.set_xlim(0, 2)
+ax.set_ylim(-6, 6)
+fig
+```
+
+![png](../img/8-12-4.png)
+
+
+
+通过交互式更改轴限制可以更清楚地看到这种行为：如果你在笔记本中执行此代码，你可以通过将``%matplotlib inline``更改为``%matplotlib notebook``，并使用每个绘图的菜单与它互动来实现它。
+
+## 箭头和标注
+
+除了刻度线和文本，另一个有用的标注或标记是简单的箭头。
+
+在 Matplotlib 中绘制箭头通常比砍价要困难得多。虽然``plt.arrow()``函数是可用的，我不建议使用它：它创建的箭头是 SVG 对象，它们会受到不同长宽比的影响，结果很少是用户所期望的。相反，我建议使用``plt.annotate()``函数。此函数可创建一些文本和箭头，并且箭头可以非常灵活地指定。
+
+在这里，我们将使用``annotate``及其几个选项：
+
+```py
+%matplotlib inline
+
+fig, ax = plt.subplots()
+
+x = np.linspace(0, 20, 1000)
+ax.plot(x, np.cos(x))
+ax.axis('equal')
+
+ax.annotate('local maximum', xy=(6.28, 1), xytext=(10, 4),
+            arrowprops=dict(facecolor='black', shrink=0.05))
+
+ax.annotate('local minimum', xy=(5 * np.pi, -1), xytext=(2, -6),
+            arrowprops=dict(arrowstyle="->",
+                            connectionstyle="angle3,angleA=0,angleB=-90"));
+```
+
+![png](../img/8-12-6.png)
+
+
+箭头样式通过``arrowprops``字典控制，该字典有许多选项。这些选项在 Matplotlib 的在线文档中有相当详细的记录，因此，比起在此复述这些选项，快速展示一些选项可能更有用。让我们使用之前的出生率图表演示几种可用选项：
+
+```py
+fig, ax = plt.subplots(figsize=(12, 4))
+births_by_date.plot(ax=ax)
+
+# 向绘图添加标签
+ax.annotate("New Year's Day", xy=('2012-1-1', 4100),  xycoords='data',
+            xytext=(50, -30), textcoords='offset points',
+            arrowprops=dict(arrowstyle="->",
+                            connectionstyle="arc3,rad=-0.2"))
+
+ax.annotate("Independence Day", xy=('2012-7-4', 4250),  xycoords='data',
+            bbox=dict(boxstyle="round", fc="none", ec="gray"),
+            xytext=(10, -40), textcoords='offset points', ha='center',
+            arrowprops=dict(arrowstyle="->"))
+
+ax.annotate('Labor Day', xy=('2012-9-4', 4850), xycoords='data', ha='center',
+            xytext=(0, -20), textcoords='offset points')
+ax.annotate('', xy=('2012-9-1', 4850), xytext=('2012-9-7', 4850),
+            xycoords='data', textcoords='data',
+            arrowprops={'arrowstyle': '|-|,widthA=0.2,widthB=0.2', })
+
+ax.annotate('Halloween', xy=('2012-10-31', 4600),  xycoords='data',
+            xytext=(-80, -40), textcoords='offset points',
+            arrowprops=dict(arrowstyle="fancy",
+                            fc="0.6", ec="none",
+                            connectionstyle="angle3,angleA=0,angleB=-90"))
+
+ax.annotate('Thanksgiving', xy=('2012-11-25', 4500),  xycoords='data',
+            xytext=(-120, -60), textcoords='offset points',
+            bbox=dict(boxstyle="round4,pad=.5", fc="0.9"),
+            arrowprops=dict(arrowstyle="->",
+                            connectionstyle="angle,angleA=0,angleB=80,rad=20"))
+
+
+ax.annotate('Christmas', xy=('2012-12-25', 3850),  xycoords='data',
+             xytext=(-30, 0), textcoords='offset points',
+             size=13, ha='right', va="center",
+             bbox=dict(boxstyle="round", alpha=0.1),
+             arrowprops=dict(arrowstyle="wedge,tail_width=0.5", alpha=0.1));
+
+# 标记轴域
+ax.set(title='USA births by day of year (1969-1988)',
+       ylabel='average daily births')
+
+# 使用中心化的月标签将 x 轴格式化
+ax.xaxis.set_major_locator(mpl.dates.MonthLocator())
+ax.xaxis.set_minor_locator(mpl.dates.MonthLocator(bymonthday=15))
+ax.xaxis.set_major_formatter(plt.NullFormatter())
+ax.xaxis.set_minor_formatter(mpl.dates.DateFormatter('%h'));
+
+ax.set_ylim(3600, 5400);
+```
+
+![png](../img/8-12-7.png)
+
+
+你会注意到箭头和文本框的规格非常详细：这使你能够创建几乎任何箭头样式。不幸的是，这也意味着这些功能通常必须手动调整，这个过程在制作出版品质的图形时非常耗时！最后我要提醒你，前面的样式混合绝不是展示数据的最佳实践，而是作为一些可用选项的演示。
+
+可用箭头和注释样式的更多讨论和示例，可以在 Matplotlib 库中找到，特别是[标注的演示](http://matplotlib.org/examples/pylab_examples/annotation_demo2.html)。
\ No newline at end of file

docs/8.13.md

+# 8.13 自定义刻度
+
+> 原文：[Customizing Ticks](https://nbviewer.jupyter.org/github/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/04.10-Customizing-Ticks.ipynb)
+> 
+> 译者：[飞龙](https://github.com/wizardforcel)
+> 
+> 协议：[CC BY-NC-SA 4.0](http://creativecommons.org/licenses/by-nc-sa/4.0/)
+> 
+> 本节是[《Python 数据科学手册》](https://github.com/jakevdp/PythonDataScienceHandbook)（Python Data Science Handbook）的摘录。
+
+Matplotlib 的默认刻度定位器和格式化程序，在许多常见情况下通常都足够了，但对于每个绘图都不是最佳选择。本节将提供几个刻度位置和格式的示例，它们调整你感兴趣的特定绘图类型。
+
+在我们进入示例之前，我们最好进一步了解 Matplotlib 绘图的对象层次结构。Matplotlib 旨在用 Python 对象表示绘图中出现的所有内容：例如，回想一下``figure``是绘图元素所在的边框。每个 Matplotlib 对象也可以充当子对象的容器：例如，每个``figure``可以包含一个或多个``axes``对象，它们的每个又包含表示绘图内容的其他对象。
+
+刻度线也不例外。 每个``axes``都有属性``xaxis``和``yaxis``，它们又具有一些属性，包括构成轴域的直线，刻度和标签。
+
+## 主要和次要刻度
+
+在每个轴内，有主要刻度标记和次要刻度标记的概念。 正如名称所暗示的那样，主要刻度通常更大或更明显，而次要刻度通常更小。 默认情况下，Matplotlib 很少使用次要刻度，但是你可以在对数绘图中看到它们：
+
+```py
+import matplotlib.pyplot as plt
+plt.style.use('classic')
+%matplotlib inline
+import numpy as np
+
+ax = plt.axes(xscale='log', yscale='log')
+ax.grid();
+```
+
+![png](../img/8-13-1.png)
+
+
+我们在这里看到每个主刻度线显示为一个大刻度线和一个标签，而每个次刻度线显示为一个没有标签的较小刻度线。
+
+这些刻度属性 - 位置和标签 - 也就是说，可以通过设置每个轴的``formatter``和``locator``对象来定制。 让我们检查刚刚展示的绘图的`x`轴：
+
+```py
+print(ax.xaxis.get_major_locator())
+print(ax.xaxis.get_minor_locator())
+
+'''
+<matplotlib.ticker.LogLocator object at 0x10dbaf630>
+<matplotlib.ticker.LogLocator object at 0x10dba6e80>
+'''
+
+print(ax.xaxis.get_major_formatter())
+print(ax.xaxis.get_minor_formatter())
+
+'''
+<matplotlib.ticker.LogFormatterMathtext object at 0x10db8dbe0>
+<matplotlib.ticker.NullFormatter object at 0x10db9af60>
+'''
+```
+
+我们看到主要和次要刻度标签的位置都由`LogLocator`指定（这对于对数图是有意义的）。 但是，次要刻度的标签格式为`NullFormatter`：这表示不会显示任何标签。我们现在将展示一些为各种图设置这些定位器和格式化器的示例。
+
+## 隐藏刻度或标签
+
+也许最常见的刻度/标签格式化操作是隐藏刻度或标签。这可以使用``plt.NullLocator()``和``plt.NullFormatter()``来完成，如下所示：
+
+```py
+ax = plt.axes()
+ax.plot(np.random.rand(50))
+
+ax.yaxis.set_major_locator(plt.NullLocator())
+ax.xaxis.set_major_formatter(plt.NullFormatter())
+```
+
+![png](../img/8-13-2.png)
+
+请注意，我们已经从`x`轴移除了标签（但保留了刻度线/网格线），并从`y`轴中删除了刻度线（以及标签）。
+在许多情况下，不显示刻度可能很有用 - 例如，当你想要显示图像网格的时候。
+例如，考虑下图，它包含不同的面部图像，这是监督机器学习问题中常用的一个例子（例如，参见“深入：支持向量机”）：
+
+```py
+fig, ax = plt.subplots(5, 5, figsize=(5, 5))
+fig.subplots_adjust(hspace=0, wspace=0)
+
+# 从 sklearn 获取一些人脸数据
+from sklearn.datasets import fetch_olivetti_faces
+faces = fetch_olivetti_faces().images
+
+for i in range(5):
+    for j in range(5):
+        ax[i, j].xaxis.set_major_locator(plt.NullLocator())
+        ax[i, j].yaxis.set_major_locator(plt.NullLocator())
+        ax[i, j].imshow(faces[10 * i + j], cmap="bone")
+```
+
+![png](../img/8-13-3.png)
+
+
+请注意，每个图像都有自己的轴域，我们将定位器设置为`null`，因为刻度值（在这种情况下为像素数）不会传达这个特定可视化的相关信息。
+
+## 减少或增加刻度数量
+
+默认设置的一个常见问题是，较小的子图最终会拥有密集的标签。我们可以在这里显示的绘图网格中看到它：
+
+```py
+fig, ax = plt.subplots(4, 4, sharex=True, sharey=True)
+```
+
+![png](../img/8-13-4.png)
+
+
+特别是对于`x`刻度，数字几乎重叠并使它们很难看清。我们可以用``plt.MaxNLocator()``解决这个问题，它允许我们指定要显示的最大刻度数。给定此最大数量，Matplotlib 将使用内部逻辑来选择特定的刻度位置：
+
+```py
+# 对于每个轴，设置 x 和 y 主要定位器
+for axi in ax.flat:
+    axi.xaxis.set_major_locator(plt.MaxNLocator(3))
+    axi.yaxis.set_major_locator(plt.MaxNLocator(3))
+fig
+```
+
+![png](../img/8-13-5.png)
+
+这使事情变得更加干净。 如果你想要更多地控制等间隔的刻度位置，你也可以使用``plt.MultipleLocator``，我们将在下一节讨论。
+
+## 花式刻度格式
+
+Matplotlib 的默认刻度格式可能会有很多不足之处：它可以作为一个泛用的默认值，但有时你还想做更多的事情。考虑一下正弦和余弦的绘图：
+
+```py
+# 绘制正弦和余弦曲线
+fig, ax = plt.subplots()
+x = np.linspace(0, 3 * np.pi, 1000)
+ax.plot(x, np.sin(x), lw=3, label='Sine')
+ax.plot(x, np.cos(x), lw=3, label='Cosine')
+
+# 配置网格，图例和限制
+ax.grid(True)
+ax.legend(frameon=False)
+ax.axis('equal')
+ax.set_xlim(0, 3 * np.pi);
+```
+
+![png](../img/8-13-6.png)
+
+
+我们可能想做一些改变。 首先，以 π 的倍数的刻度线和网格线来区分这些数据更加自然。 我们可以通过设置``MultipleLocator``来实现，它可以在你提供的数字的倍数处，设置刻度线。 为了更好地衡量，我们将以`π/4`的倍数添加主要和次要刻度：
+
+```py
+ax.xaxis.set_major_locator(plt.MultipleLocator(np.pi / 2))
+ax.xaxis.set_minor_locator(plt.MultipleLocator(np.pi / 4))
+fig
+```
+
+![png](../img/8-13-7.png)
+
+但现在这些刻度标签看起来有点傻：我们可以看到它们是 π 的倍数，但十进制表示并没有立即传达这一点。要解决这个问题，我们可以更改刻度格式化器。对于我们想要做的事情，没有内置格式化器，所以我们改为使用``plt.FuncFormatter``，它接受用户定义的函数，对刻度输出进行细粒度控制：
+
+```py
+def format_func(value, tick_number):
+    # 寻找 pi/2 倍数的数字
+    N = int(np.round(2 * value / np.pi))
+    if N == 0:
+        return "0"
+    elif N == 1:
+        return r"$\pi/2$"
+    elif N == 2:
+        return r"$\pi$"
+    elif N % 2 > 0:
+        return r"${0}\pi/2$".format(N)
+    else:
+        return r"${0}\pi$".format(N // 2)
+
+ax.xaxis.set_major_formatter(plt.FuncFormatter(format_func))
+fig
+```
+
+![png](../img/8-13-8.png)
+
+这要好得多！ 请注意，我们已经使用了 Matplotlib 的 LaTeX 支持，通过将字符串括在美元符号中来指定。 这对于显示数学符号和公式非常方便：在这种情况下，`$\pi$`显示为希腊字符`π`。
+
+``plt.FuncFormatter()``提供绘图刻度外观的极细粒度控制，并且在准备绘图用于演示或发布时非常方便。
+
+## 格式化器和定位器的总结
+
+我们已经提到了一些可用的格式化器和定位器。我们将简要列出所有内置定位器和格式化器的选项来结束本节。 对于其中任何内容的更多信息，请参阅文档字符串或 Matplotlib 在线文档。``plt``命名空间中提供以下东西：
+
+|      定位器类        |     描述     |
+| -------------------- | ------------ |
+| ``NullLocator``      | 没有刻度 |
+| ``FixedLocator``     | 刻度定位器是固定的 |
+| ``IndexLocator``     | 索引绘图的定位器（也就是，其中`x = range(len(y))`）  |
+| ``LinearLocator``    | 等间隔的刻度，从最小值到最大值 |
+| ``LogLocator``       | 对数刻度，从最小值到最大值 |
+| ``MultipleLocator``  | 刻度和范围是基数的倍数 |
+| ``MaxNLocator``      | 在不错的位置寻找小于等于最大值的刻度数 |
+| ``AutoLocator``      | （默认）带有简单默认值的`MaxNLocator` |
+| ``AutoMinorLocator`` | 用于次要刻度的定位器 |
+
+|      格式化器类       |      描述      |
+| --------------------- | -------------- |
+| ``NullFormatter``     | 刻度上没有标签 |
+| ``IndexFormatter``    | 从一列标签中设置字符串 |
+| ``FixedFormatter``    | 手动为标签设置字符串 |
+| ``FuncFormatter``     | 使用用户定义的函数设置标签 |
+| ``FormatStrFormatter``| 对每个值使用格式化字符串 |
+| ``ScalarFormatter``   | （默认）用于标量值的格式化器 |
+| ``LogFormatter``      | 对数轴域的默认格式化器 |
+
+我们将在本书的其余部分看到更多这些例子。
\ No newline at end of file

docs/8.14.md

+# 8.14 自定义 Matplotlib：配置和样式表
+
+> 原文：[Customizing Matplotlib: Configurations and Stylesheets](https://nbviewer.jupyter.org/github/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/04.11-Settings-and-Stylesheets.ipynb)
+> 
+> 译者：[飞龙](https://github.com/wizardforcel)
+> 
+> 协议：[CC BY-NC-SA 4.0](http://creativecommons.org/licenses/by-nc-sa/4.0/)
+> 
+> 本节是[《Python 数据科学手册》](https://github.com/jakevdp/PythonDataScienceHandbook)（Python Data Science Handbook）的摘录。
+
+Matplotlib 的默认绘图设置通常是其用户所抱怨的主题。虽然在 2016 年末的 Matplotlib 2.0 版本中有很多改进的内容，但自定义默认设置的能力，有助于使软件包符合你自己的审美偏好。
+
+在这里，我们将介绍一些 Matplotlib 的运行时配置（`rc`）选项，并查看较新的样式表功能，其中包含一些不错的默认配置。
+
+## 手动的绘图自定义
+
+通过本章，我们已经看到了如何调整单个绘图设置，最终得到看起来比默认设置更好一些的东西。可以为每个单独的绘图执行这些自定义。例如，这是一个相当单调的默认直方图：
+
+```py
+import matplotlib.pyplot as plt
+plt.style.use('classic')
+import numpy as np
+
+%matplotlib inline
+
+x = np.random.randn(1000)
+plt.hist(x);
+```
+
+![png](../img/8-14-1.png)
+
+
+我们可以手动调整它，使其看上去好看一些：
+
+```py
+# 使用灰色背景
+ax = plt.axes(axisbg='#E6E6E6')
+ax.set_axisbelow(True)
+
+# 绘制白色实网格线draw solid white grid lines
+plt.grid(color='w', linestyle='solid')
+
+# 隐藏轴的刻度
+for spine in ax.spines.values():
+    spine.set_visible(False)
+    
+# 隐藏顶部和右侧刻度
+ax.xaxis.tick_bottom()
+ax.yaxis.tick_left()
+
+# 将刻度和标签变亮
+ax.tick_params(colors='gray', direction='out')
+for tick in ax.get_xticklabels():
+    tick.set_color('gray')
+for tick in ax.get_yticklabels():
+    tick.set_color('gray')
+    
+# 控制直方图的人脸和边界颜色
+ax.hist(x, edgecolor='#E6E6E6', color='#EE6666');
+```
+
+![png](../img/8-14-2.png)
+
+这看起来更好，你可能会认为外观受 R 语言的`ggplot`可视化包的启发。但这需要付出很多精力！我们绝对不希望每次创建绘图时都要做所有调整。幸运的是，有一种方法可以调整这些默认值，它将适用于所有绘图。
+
+## 修改默认值：``rcParams``
+
+每次加载 Matplotlib 时，它都会定义一个运行时配置（`rc`），其中包含你创建的每个绘图元素的默认样式。可以使用``plt.rc``便利例程随时调整此配置。让我们修改`rc`参数，使我们的默认绘图看起来与之前相似，并看看它的样子。
+
+我们首先保存当前``rcParams``字典的副本，这样我们就可以在当前会话中轻松重置这些更改：
+
+```py
+IPython_default = plt.rcParams.copy()
+```
+
+现在我们可以使用``plt.rc``函数来改变其中的一些设置：
+
+```py
+from matplotlib import cycler
+colors = cycler('color',
+                ['#EE6666', '#3388BB', '#9988DD',
+                 '#EECC55', '#88BB44', '#FFBBBB'])
+plt.rc('axes', facecolor='#E6E6E6', edgecolor='none',
+       axisbelow=True, grid=True, prop_cycle=colors)
+plt.rc('grid', color='w', linestyle='solid')
+plt.rc('xtick', direction='out', color='gray')
+plt.rc('ytick', direction='out', color='gray')
+plt.rc('patch', edgecolor='#E6E6E6')
+plt.rc('lines', linewidth=2)
+```
+
+通过定义这些设置，我们现在可以创建一个绘图并查看我们的设置：
+
+```py
+plt.hist(x);
+```
+
+![png](../img/8-14-3.png)
+
+
+让我们看看使用`rc`参数，简单线条图是什么样：
+
+```py
+for i in range(4):
+    plt.plot(np.random.rand(10))
+```
+
+![png](../img/8-14-4.png)
+
+
+我发现这比默认样式更美观。如果你不同意我的审美，好消息是你可以根据自己的喜好调整`rc`参数！这些设置可以保存在`.matplotlibrc`文件中，你可以阅读[ Matplotlib 文档](http://Matplotlib.org/users/customizing.html)来了解。也就是说，我更喜欢使用样式表来定制 Matplotlib。
+
+## 样式表
+
+2014 年 8 月发布的 Matplotlib 1.4 版增加了一个非常方便的``style``模块，其中包含许多新的默认样式表，以及创建和打包自己的样式的功能。这些样式表的格式与前面提到的`.matplotlibrc`文件类似，但必须使用`.mplstyle`扩展名来命名。
+
+即使你不创建自己的样式，默认包含的样式表也非常有用。可用的样式在``plt.style.available``中列出 - 这里为了简洁我只列出前五个：
+
+```py
+plt.style.available[:5]
+
+'''
+['fivethirtyeight',
+     'seaborn-pastel',
+     'seaborn-whitegrid',
+     'ggplot',
+     'grayscale']
+'''
+```
+
+切换样式表的基本方法是调用：
+
+```py
+plt.style.use('stylename')
+```
+
+但请记住，这将改变会话剩余部分的风格！或者，你可以使用样式上下文管理器，它可以临时设置样式：
+
+```py
+with plt.style.context('stylename'):
+    make_a_plot()
+```
+
+让我们创建一个函数，它将生成两种基本类型的绘图：
+
+```py
+def hist_and_lines():
+    np.random.seed(0)
+    fig, ax = plt.subplots(1, 2, figsize=(11, 4))
+    ax[0].hist(np.random.randn(1000))
+    for i in range(3):
+        ax[1].plot(np.random.rand(10))
+    ax[1].legend(['a', 'b', 'c'], loc='lower left')
+```
+
+我们将使用它，以及各种内置样式的样式来探索这些绘图。
+
+### 默认样式
+
+默认样式是我们到目前为止所看到的内容；我们将从它开始。首先，让我们将运行时配置重置为笔记本默认值：
+
+```py
+# 重置 rcParams
+plt.rcParams.update(IPython_default);
+```
+
+现在让我们看看它的外观：
+
+```py
+hist_and_lines()
+```
+
+![png](../img/8-14-5.png)
+
+
+### FiveThiryEight 样式
+
+``fivethirtyeight``风格模仿流行的[ FiveThirtyEight 网站](https://fivethirtyeight.com)上的图形。正如你在这里看到的那样，它以深色，粗线条和透明的轴为代表：
+
+```py
+with plt.style.context('fivethirtyeight'):
+    hist_and_lines()
+```
+
+![png](../img/8-14-6.png)
+
+
+### `ggplot`
+
+R 语言中的``ggplot``包是非常流行的可视化工具。Matplotlib 的``ggplot``样式模仿该包的默认样式：
+
+```py
+with plt.style.context('ggplot'):
+    hist_and_lines()
+```
+
+![png](../img/8-14-7.png)
+
+
+### “黑客的贝叶斯方法”风格
+
+有一本非常好的在线简短书籍，叫做[黑客的概率编程和贝叶斯方法](http://camdavidsonpilon.github.io/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/)；它具有使用 Matplotlib 创建的图形，并使用一组很好的`rc`参数，在整本书中创建一致且视觉上吸引人的风格。这种风格在``bmh``样式表中复现：
+
+```py
+with plt.style.context('bmh'):
+    hist_and_lines()
+```
+
+![png](../img/8-14-8.png)
+
+
+### 暗黑背景
+
+对于演示文稿中使用的图形，使用深色而非浅色背景通常很有用。``dark_background``样式提供了这个：
+
+```py
+with plt.style.context('dark_background'):
+    hist_and_lines()
+```
+
+![png](../img/8-14-9.png)
+
+
+### 灰度
+
+有时你可能会发现，自己正在为不接受彩色图形的印刷出版物准备图形。为此，此处展示的“灰度”样式非常有用：
+
+```py
+with plt.style.context('grayscale'):
+    hist_and_lines()
+```
+
+![png](../img/8-14-10.png)
+
+
+### Seaborn 样式
+
+Matplotlib 还有受 Seaborn 库启发的样式表（在“可视化和 Seaborn”中进行了更全面的讨论）。正如我们将看到的，将 Seaborn 导入笔记本时，这些样式会自动加载。我发现这些设置非常好，并且倾向于在我自己的数据探索中将它们用作默认设置。
+
+```py
+import seaborn
+hist_and_lines()
+```
+
+![png](../img/8-14-11.png)
+
+使用所有这些用于各种绘图样式的内置选项，对于交互式可视化和用于出版图形的创建，Matplotlib 变得更加有用。在本书中，我通常会在创建绘图时使用这些样式约定中的一个或多个。
\ No newline at end of file

docs/8.15.md

+# 8.15 Matplotlib 中的三维绘图
+
+> 原文：[Three-Dimensional Plotting in Matplotlib](https://nbviewer.jupyter.org/github/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/04.12-Three-Dimensional-Plotting.ipynb)
+> 
+> 译者：[飞龙](https://github.com/wizardforcel)
+> 
+> 协议：[CC BY-NC-SA 4.0](http://creativecommons.org/licenses/by-nc-sa/4.0/)
+> 
+> 本节是[《Python 数据科学手册》](https://github.com/jakevdp/PythonDataScienceHandbook)（Python Data Science Handbook）的摘录。
+
+Matplotlib 最初设计时只考虑了二维绘图。在 1.0 版本发布时，一些三维绘图工具构建在 Matplotlib 的二维显示之上，结果是一组方便（但是有限）的三维数据可视化工具。通过导入``mplot3d``工具包来启用三维绘图，它包含在主要的 Matplotlib 安装中：
+
+```py
+from mpl_toolkits import mplot3d
+```
+
+导入子模块后，可以通过将关键字``projection ='3d'``传递给任何普通轴域创建例程来创建三维轴域：
+
+```py
+%matplotlib inline
+import numpy as np
+import matplotlib.pyplot as plt
+
+fig = plt.figure()
+ax = plt.axes(projection='3d')
+```
+
+![png](../img/8-15-1.png)
+
+启用此三维轴后，我们现在可以绘制各种三维绘图。三维绘图通过交互式查看图形，而非静态地在笔记本中查看图形而获益；回想一下，要使用交互式图形，运行此代码时可以使用``%matplotlib notebook``而不是``%matplotlib inline``。
+
+## 三维的点和线
+
+最基本的三维图是根据`(x, y, z)`三元组创建的散点图的线或集合。与前面讨论的更常见的二维图类比，这些可以使用``ax.plot3D``和``ax.scatter3D``函数创建。
+
+这些调用签名几乎与它们的二维对应的签名相同，所以对于控制输出的更多信息，你可以参考“简单的折线图”和“简单的散点图”。在这里，我们将绘制一个三角螺旋线，并且在线条附近随机绘制一些点：
+
+```py
+ax = plt.axes(projection='3d')
+
+# 三维线条的数据
+zline = np.linspace(0, 15, 1000)
+xline = np.sin(zline)
+yline = np.cos(zline)
+ax.plot3D(xline, yline, zline, 'gray')
+
+# 三维散点的数据
+zdata = 15 * np.random.random(100)
+xdata = np.sin(zdata) + 0.1 * np.random.randn(100)
+ydata = np.cos(zdata) + 0.1 * np.random.randn(100)
+ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='Greens');
+```
+
+![png](../img/8-15-2.png)
+
+
+请注意，默认情况下，散点会调整其透明度，以便在页面上给出深度感。虽然在静态图像中有时难以看到三维效果，但是交互式视图可以产生点的布局的一些很好的直觉。
+
+## 三维等高线图
+
+类似于我们在“密度和等高线图”中探索的等高线图，``mplot3d``包含使用相同输入创建三维浮雕图的工具。像二维`ax.contour`图一样，`ax.contour3D`要求所有输入数据都是二维规则网格的形式，带有每个点求得的`Z`数据。这里我们将展示三维正弦函数的三维等高线图：
+
+```py
+def f(x, y):
+    return np.sin(np.sqrt(x ** 2 + y ** 2))
+
+x = np.linspace(-6, 6, 30)
+y = np.linspace(-6, 6, 30)
+
+X, Y = np.meshgrid(x, y)
+Z = f(X, Y)
+
+fig = plt.figure()
+ax = plt.axes(projection='3d')
+ax.contour3D(X, Y, Z, 50, cmap='binary')
+ax.set_xlabel('x')
+ax.set_ylabel('y')
+ax.set_zlabel('z');
+```
+
+![png](../img/8-15-3.png)
+
+
+有时默认的视角不是最佳的，在这种情况下我们可以使用``view_init``方法来设置俯仰角和方位角。 在下面的示例中，我们将使用 60 度的俯仰角（即，在 x-y 平面上方 60 度）和 35 度的方位角（即绕 z 轴逆时针旋转 35 度）：
+
+```py
+ax.view_init(60, 35)
+fig
+```
+
+![png](../img/8-15-4.png)
+
+再次注意，当使用 Matplotlib 的交互式后端之一时，通过单击和拖动可以交互式地完成这种类型的旋转。
+
+## 线框和曲面图
+
+处理网格化数据的另外两种类型的三维图是线框和曲面图。它们接受值的网格，并将其投影到指定的三维表面上，并且可以使得到的三维形式非常容易可视化。以下是使用线框图的示例：
+
+```py
+fig = plt.figure()
+ax = plt.axes(projection='3d')
+ax.plot_wireframe(X, Y, Z, color='black')
+ax.set_title('wireframe');
+```
+
+![png](../img/8-15-5.png)
+
+
+曲面图类似于线框图，但线框的每个面都是填充多边形。将颜色表添加到填充多边形，有助于感知可视化的表面拓扑：
+
+```py
+ax = plt.axes(projection='3d')
+ax.plot_surface(X, Y, Z, rstride=1, cstride=1,
+                cmap='viridis', edgecolor='none')
+ax.set_title('surface');
+```
+
+![png](../img/8-15-6.png)
+
+
+请注意，虽然曲面图的值的网格需要是二维的，但它不必是直线的。下面是一个创建部分极坐标网格的示例，与`surface3D`图形一起使用时，可以为我们提供我们正在可视化的函数的切面：
+
+```py
+r = np.linspace(0, 6, 20)
+theta = np.linspace(-0.9 * np.pi, 0.8 * np.pi, 40)
+r, theta = np.meshgrid(r, theta)
+
+X = r * np.sin(theta)
+Y = r * np.cos(theta)
+Z = f(X, Y)
+
+ax = plt.axes(projection='3d')
+ax.plot_surface(X, Y, Z, rstride=1, cstride=1,
+                cmap='viridis', edgecolor='none');
+```
+
+![png](../img/8-15-7.png)
+
+
+## 表面的三角剖分
+
+对于某些应用，上述例程所需的均匀采样网格过于严格且不方便。在这些情况下，基于三角剖分的图形可能非常有用。如果我们不从笛卡尔坐标或极坐标网格中均匀抽取，而是随机抽取一组的话，会如何呢？
+
+```py
+theta = 2 * np.pi * np.random.random(1000)
+r = 6 * np.random.random(1000)
+x = np.ravel(r * np.sin(theta))
+y = np.ravel(r * np.cos(theta))
+z = f(x, y)
+```
+
+我们可以创建点的散点图，来了解我们从中采样的表面：
+
+```py
+ax = plt.axes(projection='3d')
+ax.scatter(x, y, z, c=z, cmap='viridis', linewidth=0.5);
+```
+
+![png](../img/8-15-8.png)
+
+
+这留下了许多不足之处。在这种情况下帮助我们的函数是``ax.plot_trisurf``，它通过首先找到在相邻点之间形成的一组三角形来创建表面（请记住，这里`x`，`y`和`z`是一维数组）：
+
+```py
+ax = plt.axes(projection='3d')
+ax.plot_trisurf(x, y, z,
+                cmap='viridis', edgecolor='none');
+```
+
+![png](../img/8-15-9.png)
+
+结果当然不像用网格绘制时那样干净，但这种三角剖分的灵活性，允许一些非常有趣的三维图。例如，实际上可以使用它绘制三维莫比乌斯条带，我们将在下面看到。
+
+### 示例：可视化莫比乌斯带
+
+莫比乌斯条带类似于旋转 90 度而拼接的纸条。在拓扑上，它非常有趣，因为外观只有一面！在这里，我们将使用 Matplotlib 的三维工具来可视化这样的对象。
+
+创建莫比乌斯带的关键是考虑它的参数化：它是一个二维条带，所以我们需要两个内在维度。 让我们称它们为`θ`，其范围从`0`到`2π`，并且`w`的范围从`-1`到`1`，跨越条带的宽度：
+
+```py
+theta = np.linspace(0, 2 * np.pi, 30)
+w = np.linspace(-0.25, 0.25, 8)
+w, theta = np.meshgrid(w, theta)
+```
+
+现在根据这个参数化，我们必须确定嵌入条带的`(x, y, z)`位置。
+
+考虑到这一点，我们可能会发现有两个发生的旋转：一个是环绕其中心的位置（我们称之为`θ`），而另一个是条带绕其轴的扭曲（我会称其为`φ`）。 对于莫比乌斯条带，我们必须让条带在完整循环期间产生半个扭曲，或者`Δφ = Δθ/2`。
+
+```py
+phi = 0.5 * theta
+```
+
+现在我们使用三角函数的记忆来推导三维嵌入。我们将定义`r`，每个点距离中心的距离，并使用它来查找嵌入的`(x, y, z)`坐标：
+
+```py
+# x-y 平面中的半径
+r = 1 + w * np.cos(phi)
+
+x = np.ravel(r * np.cos(theta))
+y = np.ravel(r * np.sin(theta))
+z = np.ravel(w * np.sin(phi))
+```
+
+最后，为了绘制对象，我们必须确保三角剖分是正确的。 执行此操作的最佳方法是，在底层参数化中定义三角剖分，然后让 Matplotlib 将此三角剖分投影到莫比乌斯条带的三维空间中。这可以通过以下方式完成：
+
+```py
+# 在底层参数化中进行三角剖分
+from matplotlib.tri import Triangulation
+tri = Triangulation(np.ravel(w), np.ravel(theta))
+
+ax = plt.axes(projection='3d')
+ax.plot_trisurf(x, y, z, triangles=tri.triangles,
+                cmap='viridis', linewidths=0.2);
+
+ax.set_xlim(-1, 1); ax.set_ylim(-1, 1); ax.set_zlim(-1, 1);
+```
+
+![png](../img/8-15-10.png)
+
+结合所有这些技巧，可以在 Matplotlib 中创建和展示各种各样的三维对象和图案。
\ No newline at end of file