机器学习——数据可视化库Matplotlib

最新推荐文章于 2024-02-20 17:24:24 发布
最新推荐文章于 2024-02-20 17:24:24 发布
阅读量483 收藏 3
点赞数 1
分类专栏： 机器学习-学习记录 文章标签： Matplotlib 数据可视化库 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Daker_Huang/article/details/85330898
版权

Matplotlib是一个数据可视化的库，也就是一个可以画图的库。通过 Matplotlib，我们就可以仅使用几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。接下来我就把学习记录放上来。

创建一张空图
两句话就能搞定，当然，前提是要导入Matplotlib包：

import matplotlib.pyplot as plt
plt.plot()
plt.show()

运行结果：
在这里插入图片描述
上面的图中，y轴和x轴都有小的切段标记：
在这里插入图片描述
我们可以通过这句话plt.tick_params(left="off",bottom="off")把它们去掉，即：

plt.plot()
plt.tick_params(left="off",bottom="off")
plt.show()

运行结果：
在这里插入图片描述
可以看到，都没了…

现在我有一个数据文件（UNRATE.csv），它其中的数据如下所示：
在这里插入图片描述
它表示的是美国在每一年每一月的失业率。接下来就对该文件中的数据进行相关操作。

折线图绘制
这里只读取前12行数据绘制折线图

file_unrate=pd.read_csv('UNRATE.csv')  #读文件
#file_unrate=pd.to_datetime(file_unrate["DATE"])
head12=file_unrate[0:12]
print(head12)
plt.plot(head12["DATE"],head12["VALUE"]) #分别表示X轴和Y轴
plt.xticks(rotation=45)  #X轴数据旋转45度
plt.xlabel(xlabel="date")  #X轴标题
plt.ylabel(ylabel="jobless rate") #Y轴标题
plt.title("U.S. unemployment rate data")  #图片标题
plt.show()

结果：
在这里插入图片描述
折线图指定线的颜色和线宽

file_unrate=pd.read_csv('UNRATE.csv')  #读文件
#file_unrate=pd.to_datetime(file_unrate["DATE"])
head12=file_unrate[0:12]
Color=(123/255,10/255,210/255) #Matplotlib中定义颜色必须要除以255
print(head12)
plt.plot(head12["DATE"],head12["VALUE"],color=Color,linewidth=10) #分别表示X轴,Y轴,线的颜色，线的宽度
plt.xticks(rotation=45)  #X轴数据旋转45度
plt.xlabel(xlabel="date")  #X轴标题
plt.ylabel(ylabel="jobless rate")  #Y轴标题
plt.title("U.S. unemployment rate data")  #图片标题
plt.show()

在这里插入图片描述
添加文字
使用plt.text()就可以添加文字。

file=pd.read_csv('fandango_score_comparison.csv')  #读文件

head_x=file["RottenTomatoes_User"][0:12]
head_y=file["Metacritic"][0:12]
Color=(123/255,10/255,210/255) #Matplotlib中定义颜色必须要除以255
plt.plot(head_x,head_y,color=Color,linewidth=10) #分别表示X轴,Y轴,线的颜色，线的宽度
plt.xticks(rotation=45)  #X轴数据旋转45度
plt.xlabel(xlabel="RottenTomatoes_User score")  #X轴标题
plt.ylabel(ylabel="Metacritic score")  #Y轴标题
plt.title("score")  #图片标题
plt.text(80,67,"Hello World")   #在（80,67）的位置添加“Hello World”文字
plt.show()

运行结果：
在这里插入图片描述

子图
如果我们要一次性显示多张图片，那就得写多次图片显示的代码，其实没必要，我们可以在一张大图中显示n多小图。用fig.add_subplot(2,2,X)的函数就可以插入。

这是一个2 * 2的矩阵分别按照1，2，3，4的顺序插入子图，比如我要插在第三个位置上，只需把fig.add_subplot(2,2,X)中的X写成3即可。即fig.add_subplot(2,2,3)。
当然也可以在3 * 2，4 * 2，…m * n的矩阵中插入。
在这里插入图片描述

fig=plt.figure()     #创建图片
ax1=fig.add_subplot(2,2,1)  #在大图中显示的位置，矩阵(2*2)的第一个位置
ax2=fig.add_subplot(2,2,2)
ax3=fig.add_subplot(2,2,4)
plt.show()

结果：
在这里插入图片描述
这样我就创建了一张空白的图，大图里面包含3张小图，当然fig.add_subplot(2,2,2)也可以写成(4,4,X),(3,2,X)…的样子。

子图中画内容
上述我们创建了一张包含子图的大图，现在我们在子图中绘制一些内容。

file_unrate=pd.read_csv('UNRATE.csv')  #读文件
date=file_unrate["DATE"][0:12]
unrate=file_unrate["VALUE"][0:12]
fig=plt.figure()     #创建图片
ax1=fig.add_subplot(2,2,1)  #在大图中显示的位置，矩阵(2*2)的第一个位置
ax2=fig.add_subplot(2,2,2)
ax3=fig.add_subplot(2,2,4)
ax1.plot(np.random.randint(1,5,5),np.arange(5)*10)
plt.show()

运行结果：
在这里插入图片描述

一张图中画多个内容

file_unrate=pd.read_csv('UNRATE.csv')  #读文件
file_unrate["DATE"] = pd.to_datetime(file_unrate["DATE"])  #把它转换成1948-07-01这样的格式
file_unrate["month"]=file_unrate["DATE"].dt.month  #取年月日中的月份

fig=plt.figure(figsize=(6,3))   #创建一张6*3的图像大小

plt.plot(file_unrate["month"][0:12],file_unrate["VALUE"][0:12],color="yellow")
plt.plot(file_unrate["month"][12:24],file_unrate["VALUE"][12:24],color="blue")
plt.show()

运行结果：
在这里插入图片描述

多条线段作图注
一般地，如果一张图有很多条线段的话，我们会做一个图注，就像这样的：
在这里插入图片描述
那么，现在我们来给这张图做个图注：

file_unrate=pd.read_csv('UNRATE.csv')  #读文件
file_unrate["DATE"] = pd.to_datetime(file_unrate["DATE"])  #把它转换成1948-07-01这样的格式
color=["red","blue","green","yellow","orange"]
file_unrate["month"] = file_unrate["DATE"].dt.month
fig=plt.figure(figsize=(10,6))
for i in range(0,5):
    data_month=file_unrate["month"][i*12:(i+1)*12] #显示每年1-12月
    data_value=file_unrate["VALUE"][i*12:(i+1)*12]  #显示每年1-12月的失业率值
    label=str(1948+i)   #给每条线段数据做个标签，就是显示的那个标注
    plt.plot(data_month,data_value,color=color[i],label=label)
plt.legend(loc="best")   #将图片标注放在右上角
# print(help(plt.legend()))  #可以使用帮助函数获取loc=""中的值
plt.show()

运行结果：
在这里插入图片描述
对于loc=""，我们可以使用帮助函数获取loc=""中的值，打印结果如下：
在这里插入图片描述
所以我们不仅可以使用best，也可以使用right，center…

柱状图
画柱状图，这里使用plt.bar()就可以绘制。

file_unrate=pd.read_csv('UNRATE.csv')  #读文件
name_0_5=file_unrate["DATE"][0:5]
score_0_5=file_unrate["VALUE"][0:5]

fig=plt.figure(figsize=(16,10))#定义画布大小
plt.bar(name_0_5,score_0_5,0.2)  #0.2表示柱状图的宽度
plt.show()

运行结果：
在这里插入图片描述

柱状图添加label等
与折线图一样，柱状图一样可以写上label等说明。

file_unrate=pd.read_csv('UNRATE.csv')  #读文件
name_0_5=file_unrate["DATE"][0:5]
score_0_5=file_unrate["VALUE"][0:5]

fig=plt.figure(figsize=(16,10))#定义画布大小

plt.bar(name_0_5,score_0_5,0.2)  #0.2表示柱状图的宽度
plt.xlabel("year-month")                 #x轴说明
plt.ylabel("unemployment VALUE")        #y轴说明
plt.title("U.S. unemployment rate data")  #标题
plt.xticks(rotation=45)                #x轴数据倾斜45度
plt.show()

运行结果：
在这里插入图片描述

柱状图横着画
柱状图不仅可以竖着画（垂直），也可以横着画（水平），只需要使用plt.barh()就可以绘制了。

file_unrate=pd.read_csv('UNRATE.csv')  #读文件
name_0_5=file_unrate["DATE"][0:5]
score_0_5=file_unrate["VALUE"][0:5]

fig=plt.figure(figsize=(16,10))#定义画布大小

plt.barh(name_0_5,score_0_5,0.2)  #0.2表示柱状图的宽度
plt.ylabel("year-month",fontsize=18)                 #y轴说明,fontsize字体
plt.xlabel("unemployment VALUE",fontsize=18)        #x轴说明
plt.title("U.S. unemployment rate data",fontsize=18)  #标题
plt.xticks(rotation=45,fontsize=18)                #x轴数据倾斜45度
plt.yticks(rotation=45,fontsize=18)
plt.show()

运行结果：
在这里插入图片描述

画散点图
散点图就是在坐标中有一个一个点，这些点由(x,y)构成.

file_unrate=pd.read_csv('fandango_score_comparison.csv')  #读文件
RottenTomatoes_0_100=file_unrate["RottenTomatoes"][0:100]
RottenTomatoes_User_0_100=file_unrate["RottenTomatoes_User"][0:100]#读取文件中该列的前100行数据
fig,ax=plt.subplots()   #定义一张fig大图，一张ax子图
ax.scatter(RottenTomatoes_0_100,RottenTomatoes_User_0_100)   #绘制散点图
ax.set_xlabel("RottenTomatoes score",fontsize=20)  #子图中设置x轴label就需要使用ax.set_xlabel()
ax.set_ylabel("RottenTomatoes_User score",fontsize=20)
ax.set_title("score",fontsize=20)
plt.show()

不过这里需要注意的是，在子图中写x或y轴标题时，需要使用.set_xlabel()才行。
运行结果：
在这里插入图片描述

画柱形图

file_unrate=pd.read_csv('fandango_score_comparison.csv')  #读文件
fig,ax=plt.subplots()

ax.hist(file_unrate["Fandango_Stars"])   #打印柱形图
#ax.hist(file_unrate["Fandango_Stars"],bins=3)   #打印柱形图
#ax.hist(file_unrate["Fandango_Stars"],range=(4,5))   #打印柱形图
plt.show()
file_unrate_count=file_unrate["Fandango_Stars"].value_counts()#统计相同个数
file_unrate_count=file_unrate_count.sort_index()  #排序
print(file_unrate_count)

bins=3表示只取3个分块数组。range=（4，5）表示x的范围是4-5。
运行结果：
在这里插入图片描述
在这里插入图片描述

画盒图

file_unrate=pd.read_csv('fandango_score_comparison.csv')  #读文件
file_unrate_nums=["RottenTomatoes_User","Metacritic","Metacritic_User"]  #定义一个列表数组
fig,ax=plt.subplots()
ax.boxplot(file_unrate[file_unrate_nums].values)
# ax.set_ylim(0,30)
ax.set_xticklabels(file_unrate_nums,rotation=45)     #设置x轴自变量名称和旋转45度
plt.show()

运行结果：
在这里插入图片描述

接下来放上所有实例（需要哪段将哪段注释去掉即可）：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np


#------------------创建一张空图-----------------------
# plt.plot()
# plt.tick_params(left="off",bottom="off")
# plt.show()

#------------------折线图绘制--------------------------
# file_unrate=pd.read_csv('UNRATE.csv')  #读文件
# #file_unrate=pd.to_datetime(file_unrate["DATE"])
# head12=file_unrate[0:12]
# print(head12)
# plt.plot(head12["DATE"],head12["VALUE"]) #分别表示X轴和Y轴
# plt.xticks(rotation=45)  #X轴数据旋转45度
# plt.xlabel(xlabel="date")  #X轴标题
# plt.ylabel(ylabel="jobless rate")  #Y轴标题
# plt.title("U.S. unemployment rate data")  #图片标题
# plt.tick_params()
# plt.show()

#------------------折线图指定线的颜色--------------------------
file_unrate=pd.read_csv('UNRATE.csv')  #读文件
#file_unrate=pd.to_datetime(file_unrate["DATE"])
head12=file_unrate[0:12]
Color=(123/255,10/255,210/255) #Matplotlib中定义颜色必须要除以255
print(head12)
plt.plot(head12["DATE"],head12["VALUE"],color=Color,linewidth=10) #分别表示X轴,Y轴,线的颜色，线的宽度
plt.xticks(rotation=45)  #X轴数据旋转45度
plt.xlabel(xlabel="date")  #X轴标题
plt.ylabel(ylabel="jobless rate")  #Y轴标题
plt.title("U.S. unemployment rate data")  #图片标题
plt.show()


#------------------添加文字--------------------------
# file=pd.read_csv('fandango_score_comparison.csv')  #读文件
#
# head_x=file["RottenTomatoes_User"][0:12]
# head_y=file["Metacritic"][0:12]
# Color=(123/255,10/255,210/255) #Matplotlib中定义颜色必须要除以255
# plt.plot(head_x,head_y,color=Color,linewidth=10) #分别表示X轴,Y轴,线的颜色，线的宽度
# plt.xticks(rotation=45)  #X轴数据旋转45度
# plt.xlabel(xlabel="RottenTomatoes_User score")  #X轴标题
# plt.ylabel(ylabel="Metacritic score")  #Y轴标题
# plt.title("score")  #图片标题
# plt.text(80,67,"Hello World") #在（80,67）的位置添加“Hello World”文字
# plt.show()


#------------------画子图--------------------------
# file_unrate=pd.read_csv('UNRATE.csv')  #读文件
# date=file_unrate["DATE"][0:12]
# unrate=file_unrate["VALUE"][0:12]
# fig=plt.figure()     #创建图片
# ax1=fig.add_subplot(2,2,1)  #在大图中显示的位置，矩阵(2*2)的第一个位置
# ax2=fig.add_subplot(2,2,2)
# ax3=fig.add_subplot(2,2,4)
# plt.show()


#------------------子图中画内容--------------------------
# file_unrate=pd.read_csv('UNRATE.csv')  #读文件
# date=file_unrate["DATE"][0:12]
# unrate=file_unrate["VALUE"][0:12]
# fig=plt.figure()     #创建图片
# ax1=fig.add_subplot(2,2,1)  #在大图中显示的位置，矩阵(2*2)的第一个位置
# ax2=fig.add_subplot(2,2,2)
# ax3=fig.add_subplot(2,2,4)
# ax1.plot(np.random.randint(1,5,5),np.arange(5)*10)
# plt.show()

#------------------一张图中画多个内容--------------------------
# file_unrate=pd.read_csv('UNRATE.csv')  #读文件
# file_unrate["DATE"] = pd.to_datetime(file_unrate["DATE"])  #把它转换成1948-07-01这样的格式
# file_unrate["month"]=file_unrate["DATE"].dt.month  #取年月日中的月份
#
# fig=plt.figure(figsize=(6,3))   #创建一张6*3的图像大小
#
# plt.plot(file_unrate["month"][0:12],file_unrate["VALUE"][0:12],color="yellow")
# plt.plot(file_unrate["month"][12:24],file_unrate["VALUE"][12:24],color="blue")
# plt.show()

#------------------多条线段作图注--------------------------
# file_unrate=pd.read_csv('UNRATE.csv')  #读文件
# file_unrate["DATE"] = pd.to_datetime(file_unrate["DATE"])  #把它转换成1948-07-01这样的格式
# color=["red","blue","green","yellow","orange"]
# file_unrate["month"] = file_unrate["DATE"].dt.month
# fig=plt.figure(figsize=(10,6))
# for i in range(0,5):
#     data_month=file_unrate["month"][i*12:(i+1)*12] #显示每年1-12月
#     data_value=file_unrate["VALUE"][i*12:(i+1)*12]  #显示每年1-12月的失业率值
#     label=str(1948+i)   #给每条线段数据做个标签，就是显示的那个标注
#     plt.plot(data_month,data_value,color=color[i],label=label)
# plt.legend(loc="best")   #将图片标注放在右上角
# print(help(plt.legend()))  #可以使用帮助函数获取loc=""中的值
# plt.show()


#------------------画条形图--------------------------
# file_unrate=pd.read_csv('UNRATE.csv')  #读文件
# name_0_5=file_unrate["DATE"][0:5]
# score_0_5=file_unrate["VALUE"][0:5]
#
# fig=plt.figure(figsize=(16,10))#定义画布大小
# plt.bar(name_0_5,score_0_5,0.2)  #0.2表示条形图的宽度
# plt.show()

#------------------条形图添加label等--------------------------
# file_unrate=pd.read_csv('UNRATE.csv')  #读文件
# name_0_5=file_unrate["DATE"][0:5]
# score_0_5=file_unrate["VALUE"][0:5]
#
# fig=plt.figure(figsize=(16,10))#定义画布大小
#
# plt.bar(name_0_5,score_0_5,0.2)  #0.2表示柱状图的宽度
# plt.xlabel("year-month")                 #x轴说明
# plt.ylabel("unemployment VALUE")        #y轴说明
# plt.title("U.S. unemployment rate data")  #标题
# plt.xticks(rotation=45)                #x轴数据倾斜45度
# plt.show()

#------------------条形图横着画--------------------------
# file_unrate=pd.read_csv('UNRATE.csv')  #读文件
# name_0_5=file_unrate["DATE"][0:5]
# score_0_5=file_unrate["VALUE"][0:5]
#
# fig=plt.figure(figsize=(16,10))#定义画布大小
#
# plt.barh(name_0_5,score_0_5,0.2)  #0.2表示条形图的宽度
# plt.ylabel("year-month",fontsize=18)                 #y轴说明,fontsize字体
# plt.xlabel("unemployment VALUE",fontsize=18)        #x轴说明
# plt.title("U.S. unemployment rate data",fontsize=18)  #标题
# plt.xticks(rotation=45,fontsize=18)                #x轴数据倾斜45度
# plt.yticks(rotation=45,fontsize=18)
# plt.show()

#------------------画散点图--------------------------
# file_unrate=pd.read_csv('fandango_score_comparison.csv')  #读文件
# RottenTomatoes_0_100=file_unrate["RottenTomatoes"][0:100]
# RottenTomatoes_User_0_100=file_unrate["RottenTomatoes_User"][0:100]#读取文件中该列的前100行数据
# fig,ax=plt.subplots()   #定义一张fig图，控制图整体的样子，ax相当于x或y轴
# ax.scatter(RottenTomatoes_0_100,RottenTomatoes_User_0_100)   #绘制散点图
# ax.set_xlabel("RottenTomatoes score",fontsize=20)  #子图中设置x轴label就需要使用ax.set_xlabel()
# ax.set_ylabel("RottenTomatoes_User score",fontsize=20)
# ax.set_title("score",fontsize=20)
# plt.show()


#------------------画柱形图----------------------------
# file_unrate=pd.read_csv('fandango_score_comparison.csv')  #读文件
# fig,ax=plt.subplots()
#
# ax.hist(file_unrate["Fandango_Stars"])   #打印柱形图
# #ax.hist(file_unrate["Fandango_Stars"],bins=3)   #打印柱形图
# #ax.hist(file_unrate["Fandango_Stars"],range=(4,5))   #打印柱形图
# plt.show()
# file_unrate_count=file_unrate["Fandango_Stars"].value_counts()#统计相同个数
# file_unrate_count=file_unrate_count.sort_index()  #排序
# print(file_unrate_count)


#------------------画盒图----------------------------
# file_unrate=pd.read_csv('fandango_score_comparison.csv')  #读文件
# file_unrate_nums=["RottenTomatoes_User","Metacritic","Metacritic_User"]  #定义一个列表数组
# fig,ax=plt.subplots()
# ax.boxplot(file_unrate[file_unrate_nums].values)
# # ax.set_ylim(0,30)
# ax.set_xticklabels(file_unrate_nums,rotation=45)     #设置x轴自变量名称和旋转45度
# plt.show()
风极_陨
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python使用matplotlib可视化、使用marker参数自定义线图中数据点的标记形状、设定节点的样式（markers of plot）
data+scenario+science+insight
06-21 588
python使用matplotlib可视化、使用marker参数自定义线图中数据点的标记形状、设定节点的样式（markers of plot）
Matplotlib 数据可视化详解
悦分享
04-30 431
数据可视化旨在将数据呈现为更直接的表示形式，例如散点图，密度图，条形图等。通过可视化数据，可以检测到潜在的异常值。在 Python 中，可以使用各种模块或库来可视化数据。Matplotlib 是主流模块之一，可以使用 Matplotlib 以各种绘图样式来可视化数据。本文中，安装了 Matplotlib 3.3.2 版本。如果要在 Jupyter Notebook（以下称为 Jupyter）中进行检查，则可以通过下面的代码来进行检查，如下图所示。
数据分析 - matpltlib 模块
weixin_30539625的博客
07-26 76
matplotlib 模块 引入模块 -matplotlib.pyplot import matplotlib.pyplot as plt 二维样本文件 样本数据 -unrate.csv 从1948年1月到2016年8月的每个月的失业人数总占比 折线图 基础画图展示 - plot, show plot 传入参数分别表示 x, y 的取值列名变...
教女朋友学数据分析——数据可视化库Matplotlib
striver6的博客
02-20 1079
数据可视化库Matplotlib Note Matplotlib 是一个0 Python 的 2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。 一、折线图绘制 数据文件’unrate.csv’：这份数据统计了美国从1948年1月到2016年8月每个月的失业率。读取数据： import pandas as pd unrate = pd.read_csv('unrate...
7个必会的数据可视化库
最新发布
sdasdas12的博客
02-20 984
Plotly 被许多用户誉为最好的 Python 可视化库，是一个交互式、开源且全面的工具，用于在 Python 中创建声明性可视化。它通过提供简洁而富有表现力的方式来创建复杂的绘图，从而简化了数据可视化的过程。Altair 是 Python 可视化软件包之一，它提供非常令人愉快且引人注目的数据可视化，但与 Seaborn 相比，需要更多的精力来理解和编写。它提供了一种结构化的方式来表达视觉意图，使用户可以轻松地用简单的代码表达复杂的想法。它的语法直观且富有表现力，因此用户只需几行代码即可创建复杂的绘图。
matplotlib训练可视化
什么都干的派森
03-27 8702
计算机视觉方向的训练如果看不到图片的话就不太好直观的判断出训练结果。 例如现在要训练一个CycleGAN网络，目标是输入一个杰哥，输出一个阿伟，那么下面这种展示效果就可以直观的判断出训练是否成功下↓ 代码如下↓ if __name__ == '__main__': # 声明一个图框 ---------------------------------------------- fig = plt.figure() # 往图框中插入一个子图， 1行2列的大小，放在第1个位置---
Matplotlib数据分析可视化-实训
随心发挥
11-17 1530
python数据分析及可视化之Matplotlib可视化-实训
【神经网络】tensorflow实验4--Matplotlib数据可视化
qq_53869058的博客
04-11 1026
NumPy除了在相当程度上优化了Python计算过程，其自身还有较多的高级特性由于NumPy几乎仅专注于数组处理，另一方面则是数据分析牵涉到的数据特性众多，需要处理各种表格和混杂数据。(1)下载波士顿数据集，读取全部506条数据，放在NumPy数组x、y中（x：属性，y：标记）。(3) 要求用户选择属性，如图2所示，根据用户的选择，输出对应属性的散点图，如图3所示。在第二题中显示用户选择的图片，显然这中间有些冲突，应该将两者分开实现，减少了代码的冲突。LSTAT 人口中地位较低人群的百分数越高,价格越低。
杨桃的Python机器学习5——数据可视化1：散点图
12-21
使用Matplotlib将数据可视化 Matplotlib 能创建非常多的可视化图表，它有一个丰富的 Python 工具生态环境，请移步到以下教程进行学习： https://blog.csdn.net/zw0Pi8G5C1x/article/details/79186024 如果不打算...
Python数据可视化分析库-Matplotlib
02-14
课程分享——Python数据可视化分析库-Matplotlib，附课件、代码。 Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。这里将会探索 matplotlib...
机器学习：决策树(三)——决策树的可视化
01-20
 对于自己实现的决策树，我们可以使用matplotlib将其可视化，见下。  其中create_plot可以生成最终的图，其中Tree是树结构，如果你的决策树直接用字典类型存储的化，可以适当修改其中的代码，大概的思路是不变的。...
unrate.csv唐宇迪机器学习与实战失业率数据集
08-22
unrate.csv唐宇迪机器学习与实战失业率数据集，麦子学院机器学习与实战失业率数据集
实验：泰坦尼克号生存数据可视化.docx
12-07
假设如果真有穿越这回事，突然哪一天你的灵魂穿越到了正在航行的泰坦尼克号上的某个乘客身上，你发现你伸出某层客舱内，被你的同伴称为Mr/Miss，而你...接下来，请通过数据分析，得出有哪些特征会影响你的存活几率？
Python数据分析与科学计算数据可视化篇：Matplotlib和Seaborn
06-14
本课程介绍了Python数据可视化库——Matplotlib和Seaborn，其中包括了：Matplotlib库：图表基本构成要素、绘制线图、显示图形、显示中文和负号、设置线条颜色和风格、保存图片、绘制柱状图、绘制饼状图、绘制散点图...
python matplotlib数据可视化教程_matplotlib的Python数据可视化和探索——入门指南
weixin_39864738的博客
12-09 187
matplotlib——最受欢迎的Python库，用于数据可视化和探索我喜欢在Python中使用matplotlib。这是我学会掌握的第一个可视化库，此后一直存在。matplotlib是最受欢迎的用于数据可视化和探索的Python库，这是有原因的——它提供的灵活性和敏捷性是无与伦比的！Matplotlib提供了一种简单而全面的可视化方法来介绍我们的发现。我们将在本教程中很快看到，有很多可视化可供选...
pytorch使用matplotlib和tensorboard实现模型和训练的可视化
踏莎行的博客
07-13 7275
pytorch构建和训练深度学习模型的过程中，往往需要能够直观的观测到可视化的过程，比如画出训练曲线等。 对于简单的曲线绘制可以使用matplotlib库做出基本的图，如果需要更加高级的可视化过程，pytorch有好几个工具都可以做到，比如tensorwatch，visdom，tensorboard，实测下来发现tensorboard用起来比较方便和成熟稳定。 （pytorch自从1.2版本依赖就正式支持了独立的tensorboard，不再需要去安装tensorboardX了） 本文通过简单线性模型训
的训练过程_人工智能TensorFlow（八）-matplotlib动态演示训练过程
weixin_30074763的博客
12-27 272
通过往期的分享，我们学习了TensorFlow如何定义层，如何使用激励函数的概念，上期分享了matplotlib，那我们利用定义层的代码来实现如何使用matplotlib动态演示训练结果。定义原始数据x_data=np.linspace(-1,1,300)[:,np.newaxis] noise=np.random.normal(0,0.05,x_data.shape) y_data=np.squ...
python可视化库总结_Python 可视化库 - Matplotlib 使用总结
weixin_29663547的博客
03-02 370
Python 可视化库 - Matplotlib 使用总结在做完数据分析后, 有时候需要将分析结果一目了然地展示出来, 此时便离不开 Python 可视化工具, Matplotlib 是 Python 中的一个 2D 绘图工具, 是另外一个绘图工具 seaborn 的基础包先总结下绘制子图的步骤:1. 确定绘制的图形形状 (如折线图 / 条状图 / 柱状图 / 饼图 / 散点图等)2. 填充 x/...
Matplotlib数据可视化（1）：入门介绍
chb4715的博客
02-23 247
1 matplot入门指南¶ matplotlib是Python科学计算中使用最多的一个可视化库，功能丰富，提供了非常多的可视化方案，基本能够满足各种场景下的数据可视化需求。但功能丰富从另一方面来说也意味着概念、方法、参数繁多，让许多新手望而却步。 据我了解，大部分人在对matplotlib接触不深时都是边画图边百度，诸如这类的问题，我想大家都似曾相识：Python如何画...
精准营销购买意向预测——数据探索与可视化
06-28
常用的数据可视化工具包括 Tableau、Power BI、Matplotlib 等。 在数据探索和可视化的过程中，我们可以采集到哪些数据对精准营销购买意向预测有帮助呢？以下是几个重要的维度： 1. 用户行为数据：浏览过的商品、...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值