Matplotlib是使用python进行科学计算和数据分析的利器，它可以帮助我们将数据集可视化，方便人们直观的查看和学习数据的分布和规律。
想系统学习Matplotlib很久了，一直没有时间，这次就通过bilibili上的相关视频引导，结合官方文档来学习，学习的笔记会在此记录，方便以后复习。
最好的参考资料就是官方文档，链接如下（可下载到本地）：
Matplotlib官方文裆
一、Numpy基础
关于numpy基础的学习，建议查看完整的numpy官方文档来学习，文档的链接如下：
Numpy中文文档
- ndarray对象的创建方式
A.从python的基础数据对象来转化，例如：
import numpy as np
# 创建一个原生python列表
a = [1, 2, 3, 4]
# 将列表转化为numpy数组
np_a = np.array(a)
#打印np_a的类型，结果是numpy.ndarray
print(type(np_a))
B. 通过numpy内置的函数生成一段序列，例如：
# 使用numpy的arange函数来生成一个序列
array_a = np.arange(10)
# 结果为[0, ..., 9]
print(array_a)
# 结果为numpy.ndarray
print(type(array_a))
写到这里，不妨顺便学习一下arange的用法：
可以看到此函数的作用是从给定的区间中返回均等划分的元素。使用start，stop来指定区间（默认从0开始），这个区间是左闭右开的。还可以使用step来指定取元素的步长，dtype来指定数据的类型。从这个意义上它和python内置的range函数颇为相似。
C. 从文件读取数据
array_a = np.loadtxt("a.txt", delimiter = ','
skiprows=1,
usecols(1, 4, 6),
unpack = False)
#返回的array_a也是numpy.ndarray的类型
非常有必要的，同时也学习一下loadtxt函数的用法：
- numpy数组的索引和切片
# array_a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
array_a = np.arange(11)
# 正向索引array_a[4] = 4
# 反向索引表示从尾向头索引，array_a[-1] = 10
# 切片array[0:5] = [0, 1, 2, 3 ,4], 切片范围左闭右开
# 当切片的一端缺省时，表示一直截取到此数组的尽头，例如：
# array_a[:] = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
#第二个冒号表示启用切片步长step，例如
#array_a[::2] = [0, 2, 4, 6, 8, 10]
#特殊的，当使用的步长为-1时，将数组就地逆置，非常有用
#array_a[::-1] = [10, 9, ..., 0]
- 使用numpy内置的数组
numpy内置函数的两种调用方法：
A. np.func(x) # 对x调用np.func
B. x.func() # x一般是numpy.ndarray对象
常用的函数：
| 函数 | 功能 |
|---|---|
| min | 求数组的最小值 |
| max | 求数组的最大值 |
| mean | 求数组的平均值 |
| sort | 对数组进行排序 |
# 注意sort函数的使用
# 从10到100随机生成10个数字
array_a = np.randint(1, 100, 10)
# 此时array_a没有发生改变，而返回值array_b是经过排序的
array_b = np.sort(array_a)
# 此时array_c是空的，array_a已经完成了排序
array_c = array_a.sort()