1、搭建matplotlib环境
构建matplotlib运行环境，需要满足相关软件环境。
numpy库提供大数据集的数据的数据结构和数学方法。诸如元组、列表或字典等python的默认数据结构同样可以很好的支持数据的插入、删除和谅解。NumPy的数据结构支持矢量操作，使用简便，同时具有很高的执行效率。矢量操作在实现时充分考虑了大数据的需要，基于C语言的方式也保证了执行效率。
基于Numpy的scipy库，是Python的标准科学计算和数学计算工具包，包含了大量的专用函数和算法。大部分函数和算法源自著名的Netlib软件仓库（http://www.netlib.org)，实际上是使用C语言和Fortran实现的。
1、安装NumPy
安装Python-NumPy软件包
apt-get install python-numpy
安装完成后，使用命令
python -c 'import numpy; printf numpy_.__version__'
检查版本。
2、安装所需库
libpng1.2：PNG文件处理
freetype6：处理True type字体
sudo apt-get install libfreetype6 sudo apt-get install libpng12-dev
3、安装matplotlib
apt-get install python-matplotlib4
如果你想进行机器学习方向的学习，下面这些库也是必不可少的。
4、安装scipy
Scipy是一个高级的科学计算库，它和Numpy联系很密切，Scipy一般都是操控Numpy数组来进行科学计算，所以可以说是基于Numpy之上的开发工具。
apt-get installl python-scipy5
5、安装数据分析工具pandas
apt-get install python-pandas 6
6、sklearn是必不可少的，sklearn中包含了大量的优质的数据集，在你学习机器学习的过程中，你可以通过使用这些数据集实现出不同的模型。安装指令
apt-get install python-sklearn
2、安装virtualenv和virtualenvwrapper
如果同时工作在多个项目上，或是需要在不同项目间频繁切换，将所有软件都安装在操作系统上并不是一个好主意。当需要在不同系统上运行软件时，这种方式会带来问题。virtualenv它可以创建一个独立的python环境，这样就可以让我们很容易的在不同的运行环境之间切换。同时，如果需要切换到另外的机器或者需要在产品服务器上部署软件时，用virtualenv可以很容易的重新构建相同的软件包。
1、安装pip
pip是安装并管理Python软件包的工具，可以用它来代替easy install工具。pip安装命令如下：
apt-get install python-setuptools easy_install pip
什么时候该用pip,什么时候该用apt-get呢？情况是这样的，如果你需要最新版本的python依赖包，你可以直接使用apt-get,在项目突然需要使用旧版本的依赖包时，你就可以使用virtualenv和pip来使完美得再安装上一个旧版本的依赖包；
2、安装virtualenv和virtualenvwrapper
easy_install virtualenv
easy_install virtualenvwrapper
安装完成后，需要在系统中添加virtualenvwrapper的环境变量，在~/.bashrc文件中的最后添加路径如下
source "/usr/local/bin/virtualenvwrapper.sh" export WORKON_HOME="/opt/virtual_env/"
3、关于virtualenv使用
（1） 首先创建一个虚拟环境
virtualenv python_env
系统在预设虚拟环境时，默认的会依赖系统环境中的包，如果不想依赖西戎的包，可以加上 --no-site-packages 来建立虚拟环境即
virtualenv --no-site-packages python_env
（2）启动虚拟环境
进入到虚拟环境的目录下，使用命令
source bin/active
可以看到，在最前面多了一个虚拟环境的名称，说明虚拟环境已经开始运行了。
（3）在虚拟环境安装新的Python 套件
安装套件的命令为
pip install [套件名称]
如果想要避免pip在没有进入虚拟环境时被使用，可以在~/.bashrc加上：
export PIP_REQUIRE_VIRTUALENV=true
要求pip一定要在虚拟环境中执行。
也可以用下面的设定，让系统的pip自动使用启动中的虚拟环境。
export PIP_RESPECT_VIRTUALENV=true
避免意外将套件安装至系统环境。
（4）退出虚拟环境
在命令中输入
deactivate
即可推出虚拟环境。
4、关于virtualenvwrapper的使用
Virtualenvwrapper 是一个Virtualenv 的扩展，可使虚拟环境的管理变得更容易。
详细来说，Virtualenvwrapper 提供下述功能：
- 将所有的虚拟环境整合在一个目录下。
- 管理（新增、移除、复制）所有的虚拟环境。
- 可以使用一个命令切换虚拟环境。
- Tab 补全虚拟环境的名字。
- 每个操作都提供允许使用者自订的hooks。
- 可撰写容易分享的extension plugin 系统。
使用如下：
使用命令mkvirtualenv可以进行一次性装配
mkvirtualenv [-i package] [-r requirements_file] [virtualenv options] ENVNAME
当然也可以一步步来，首先创建虚拟环境
然后可以看到在~/.virtualenvs的文件下创建了一个虚拟环境，我们可以如virtualenv一样去文件加下激活，但是这样就比较麻烦，virtualenvwrapper提供了一个非常有用的激活命令workon来进行激活，我们可以直接使用命令进行激活。
workon 要激活的环境名
除此之外，virtualenvwrapper还提供了一些其他的命令方便我们使用：
（1）虚拟环境列出指令
lsvirtualenv [-b] [-l] [-h]
其中-b是简短模式；-l是详细模式（预设）；-h是印出help资讯。
（2）复制虚拟环境指令
cpvirtualenv ENVNAME TARGETENVNAME
（3）移除虚拟环境指令
rmvirtualenv ENVNAME
还有更多指令请查看查考手册。
3、安装图像处理工具PIL
python图像库（PIL）为python提供了强大的图像处理能力，PIL支持的文件格式相当广泛，其特性有快速数据访问、点运算、滤波、图像缩放、旋转、任意仿射转换等。
使用命令
apt-get install python-PIL
即可安装。
有一个专门针对PIL编写的在线手册，可以查看链接学习。
4、安装requests模块
我们需要的大部分数据都可以同通过HTTP或类似协议得到，因此，我们需要一些工具来实现数据访问，虽然python提供的urllib2提供了访问远程资源的能力，但是该模块完成基础任务的工作量较大。Request封装了HTTP1.1的内容，并提供了新的API，仅在需要实现非默认访问的情况下才需要暴露相关内容。安装用
apt-get install python-requests
下面为一个requtests的使用小例子(运行环境python3.4)：
import requests
r = requests.get('http://github.com/timeline.json')
print(r.content)
运行结果如下：
本例中，是向github站的URI发送HTTP GET请求，以JSON格式返回了GITHub网站的活动时间表。在成功读取HTTP响应后，对象r包含了HTTP响应内容以及其他属性信息（HTTP状态码、cookie、HTTP头元数据，甚至包括当前响应所对应的请求信息。
5、在代码中配置matplotlib参数
在matplotlib的配置文件.rc文件中，已经为大部分属性提供了默认值，这里讲解下如何在代码中配置matplot参数。
在代码执行过程中，有两种方法运行参数：使用字典（rcParams)或调用matplotlib.rc()命令进行更改。第一种方式，可以通过rcParams访问修改所有已经加载的配置项，第二种方式中，可以通过向matplotlib.rc()传入属性的关键字元元组来修改配置项。
如果要修改重置动态修改后的配置参数，可以调用matplotlib.rcdefaults()将配置重置为标准设置。
下面通过两段代码延时之前介绍的功能
使用matplotlib.rcParams的例子
import matplotlib as mpl mpl.rcParams['lines.linewidth'] = 2 mpl.rcParams['lines.color'] = 'y'
使用matplotlib.rc()函数的例子。
import matplotlib as mpl
mpl.rc('lines',linewidth=2,color='r')
上面两个例子具有相同的作用，第二个例子中，我们设定后续的所有线条宽度为2个点，第一个例子中的最后一条语句表面光，语句之后的所有线条的衍射均为红色，除非本地覆盖他。下面给出一个实际应用的例子。
import matplotlib.pyplot as plt import numpy as np t=np.arange(0.0,1.0,0.01) s=np.sin(2*np.pi*t) plt.rcParams['lines.color'] = 'r' plt.plot(t,s) c=np.cos(2*np.pi*t) plt.rcParams['lines.linewidth'] = '3' plt.plot(t,c) plt.show()
使用python test.py运行上面的test.py程序，运行结果如下：
6、为项目设置matplotlib参数
如果不想每次使用matplot时都在代码开始部分进行分配，就需要为不同的项目设定不同的默认配置项。假设一个项目对于matplot的特性参数总会设置相同的值，就没有必要每次编写新的绘图代码时都进行相同的配置。取而代之的，应该是在代码之外，使用一个永久的文件设定matplotlib参数默认值。
通过matplotlibrc来配置文件。配置文件在三个不同位置，而他们的位置决定了他们的应用范围，三个位置的说明如下：
当前目录：即代码运行的目录。在当前目录下，可以为目录所包含的当前项目定制matplotlib配置项。配置文件的名称为matplotlibrc。
用户级.matplotlib/matplotlibrc文件：通常在用户的$HOME目录下。可以用matplotlib.get_configdir()命令来找到当前用户的配置文件目录。
安装级配置文件：通常在python的site-packages目录下。这是系统级配置，不过在每次重新安装matplotlib后，覆盖文件会被覆盖。因此如果希望保持持久有效的配置，最好选择在用户级配置文件中进行设置。目前对本配置文件的最佳应用方式，是将其作为默认配置模板。如果在用户级配置文件已经比较混乱，或者需要为新项目做全新配置时，可以基于该配置文件进行配置。
在shell中运行以下命令，即可打印出配置文件目录的位置：
python -c 'import matplotlib as mpl; print mpl.get_configdir()'
配置文件包括以下配置项：
axes：设置坐标轴边界和表面的颜色、坐标刻度大小和网格的显示。
backend：设置目标输出TKAgg和GTKAgg。
figure:控制dpi、边界颜色、图形大小和子区设置。
font：字体集，字体大小和样式设置。
grid：设置网格颜色和线型。
legend：设置图例和其中文本的显示。
line：设置线条（颜色、线性、宽度等）和标记。
patch：填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。
savefig：可以对保存的图形进行单独设置。
text：设置字体颜色、文本解析等。
verbose:设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。
xticks和yticks：为x、y轴的主刻度和次刻度设置颜色、大小、方向以及标签大小。