最近一直在学习有关机器学习的内容，发现有关可视化的内容无法绕过，在网上搜索了很久，看了一些中英文的资料和书，这里主要是记录下来，主要供自己进一步学习之用。
本文适合零基础，但你需要对Python, Numpy, Pandas 有基本的了解。
首先完成以下的中文翻译资料的学习，原作者的github链接也一并奉上，你可以 clone 下来。
学习这个课程的过程中，你需要了解的基本API函数：
完成了这个学习，
使用面向对象界面画图的一般步骤就是
- 建立一个 Figure 对象
- 在这个 Figure 里建立一个或n个 Axes 对象
- 这些 Axes 里分别画图、装饰
- 我们画完图以后一般要加上标题、图例这些元素。这些功能散布在 Matplotlib API 的各处
加标题可以使用 Axes 对象的 set_title 方法。
坐标轴的标签可以使用 Axes 对象的 set_xlabel 和 set_ylabel 方法。
图例可以使用 Axes 对象的 legend 方法创建。这 个函数会使用 Line2D 对象的 label 属性。注意 上一节最后的那一段代码，Ax.plot() 这一行我们并没有使用 plot 的返回值，实际上它的返回值正是 Line2D 对象的列表，所以我们可以这样设置 label:
Ax.plot(X1, Y1, label="blabla") 也可以这样
Lines = Ax.plot(X1, Y1) Lines[0].set_label("blabla") 如果我们在一个 plot 调用里画多条线，同时设 label，这些线都会有相同的 label。设置完这些以后，只需调用 Ax.legend()，图例就会出现在图的右上角。如果我们使用上一节 的那个例子，右上角并不是放图例的好地方，这时我们可以使用 legend 的 loc参数。这个参数可以是一个字符串， 比如"right"，"lower left" 之类，也可以是一 个整数，具体定义请见 官方文档。这里我们可以简单地使用 0 或者 "best" 让 Matplotlib 自动选择位置，
Ax.legend(loc=0) 现在我们的图基本成型，可以插入到文档里了。这时我们可能想调整图的大小， 我们可以修改 Figure 构造函数的调用，
Fig = Plt.figure(figsize=(4,3)) 这样图的大小就会是宽 4 高 3，单位传说是英寸。也可以使用 Fig 的 set_figwidth 和 set_figheight 方法。如果你把图的尺寸改得比较小的话，可能会 发生一件非常奇妙的事，就是坐标轴的标签被图的边界遮住了，或者干脆不见了。 解决办法就是调整绘图区域的四个边界在图中的位置，比如下面的代码
Fig.subplots_adjust(left=0.15, top=0.9) 把绘图区域的左边界放在图左边 15% 的位置，上边界放在高的 90% 的位置。
Matplotlib 中的文本 Matplotlib 有很强的文本功能。它可以处理普通的文本，也可以使用 LaTeX 渲 染数学公式。Matplotlib 还带了一个 LaTeX 引擎，可以在系统里没有 LaTeX 的 时候渲染数学公式。以下代码使用默认字体（貌似是 Verdana）显示 x 轴的标题
Ax.set_xlabel("x") 如果你要使用 LaTeX 来排这个标题，只需要使用 Python raw string，并把标 题放在数学模式里，
Ax.set_xlabel(r" 𝑥
x
") 注意即便是使用 raw string，不在数学模式里的部分仍然不会使用 LaTeX。
Matplotlib 的 Axes 类有一个 text 方法，可以 在一个 Axes 对象的任意位置放置一个文本。 Figure 也有一个 figtext 方法用来在 Figure 对象的任意位置放置文本。具体用法请见 官方文档。 Axes 对象还有一个超级强大的 annotate 方法， 可以满足你对标注的最变态需求。
要改变文本的默认字体，需要使用 pyplot 模块的 rc 函数，
Plt.rc("font", family="Helvetica") 不过如果你指定的字体是 OpenType 的话，貌似不能嵌入到 PDF 里…
请参考：
1）github - https://github.com/rougier/matplotlib-tutorial
2) Translation - https://liam.page/2014/09/11/matplotlib-tutorial-zh-cn/
3） https://www.cnblogs.com/wei-li/archive/2012/05/23/2506940.html
4) https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1003833
以下为草稿：
http://liyangbit.com/pythonvisualization/matplotlib-top-50-visualizations/
