matplotlib绘制统计特征图，分布特征图和降维分析散点图

已于 2024-03-31 16:23:24 修改
阅读量910 收藏 13
点赞数 3
分类专栏： python数据分析 文章标签： matplotlib python 数据分析 pandas 数据可视化
于 2024-03-19 21:39:25 首次发布
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/bradyM/article/details/136850335
版权

文章目录

一、统计特征图绘制

1.需求

我现在有两个数据集Pdata和Cdata分别在DataFrame对象中，我现在想对这两个数据集进行统计特征分析，并用直方图展示出来。

2.代码

方法一

# 查看提取数据的统计特征
p1 = Pdata.describe()
c1 = Cdata.describe()
# 绘制指标
metrics = ['mean', 'std', '25%', '50%', '75%']
# 创建一个包含3行和2列的子图布局，每个子图的大小为 (20, 12)
# 这里的axes是一个3×2的数组，里面存放的是Axes对象，可以理解为画布上的一块区域，您可以在这个区域上绘制各种图形
fig, axes = plt.subplots(nrows=3, ncols=2, figsize=(20, 12))
for i, metric in enumerate(metrics):
    row = i // 2
    col = i % 2
    # 绘制出p1的一个条形图
    # 第一个参数：柱子在x轴上的坐标，即每个条形图的横坐标位置，类数组结构。
	# 第二个参数：柱子的高度，即每个条形图的高度，类数组结构。
    # width=0.4控制柱状图的宽度,alpha=0.7控制柱状图的透明度。
    axes[row, col].bar(range(len(p1.columns)), p1.loc[metric], width=0.4, label='p1', alpha=0.7)
    # 绘制出c1的一个条形图,为了避免两组柱状图重叠,我们将第二组柱状图的位置平移了0.4个单位
    axes[row, col].bar([j + 0.4 for j in range(len(c1.columns))], c1.loc[metric], width=0.4, label='c1', alpha=0.7)
    # 设置 x 轴刻度的位置
    axes[row, col].set_xticks([j + 0.2 for j in range(len(p1.columns))])
    # 设置x轴的刻度标签,进行了45度旋转和右对齐
    axes[row, col].set_xticklabels(range(1, len(p1.columns) + 1), rotation=45, ha='right')
    # 添加图例
    axes[row, col].legend()
    axes[row, col].set_title(metric)
# 自动调整子图布局,使它们适应整个图形区域，同时避免重叠和裁剪
plt.tight_layout()
plt.savefig('metrics.png')

在这里插入图片描述

方法二

metrics = ['mean', 'std', '25%', '50%', '75%']
# 创建一个新的空白画布
plt.figure(figsize=(19, 10))
for i, metric in enumerate(metrics):
	# 在当前画布中创建一个子图，3行2列的布局，当前子图的位置由 i+1 指定
    plt.subplot(3, 2, i + 1)
    plt.bar(range(len(p1.columns)), p1.loc[metric], width=0.4, label='p1', alpha=0.7)
    plt.bar([j + 0.4 for j in range(len(c1.columns))], c1.loc[metric], width=0.4, label='c1', alpha=0.7)
    plt.xticks(ticks=[j + 0.2 for j in range(len(p1.columns))], labels=range(1, len(p1.columns) + 1), rotation=45, ha='right')
    plt.legend()
    plt.title(metric)
plt.tight_layout()
plt.savefig('metrics.png')

在这里插入图片描述

总结

这两种方法都可以用来画子图，但它们的使用方式略有不同，适用于不同的情况：

  1. 方法一

    • 这种方式是一次性创建一个包含多个子图的画布，并返回一个包含所有子图的Axes对象数组。
    • 这种方法适合需要同时处理多个子图的情况，可以更方便地对所有子图进行操作，例如调整子图之间的间距、设置共享轴等。

  2. 方法二

    • 这种方式是先创建一个空白画布，然后在循环中逐个添加子图。
    • 这种方法适合需要在每个子图之间进行个性化设置或处理的情况，例如设置不同子图的标题、颜色等。

总体来说，方法一适用于需要创建多个子图且希望一次性处理它们的情况，而方法二适用于需要逐个处理子图或对子图进行个性化设置的情况。

二、分布特征图绘制

1.需求

我现在有两个数据集Pdata和Cdata分别在DataFrame对象中，我现在想对这两个数据集进行分布特征分析，即各个数据段的密度分析，并用直方图展示出来。

2.代码

cols_to_plot1 = ['feature_0', 'feature_1', 'feature_2', 'feature_3', 'feature_4', 'feature_5', 'feature_6', 'feature_7', 'feature_8']
plt.figure(figsize=(19, 10))
for i, col in enumerate(cols_to_plot1):
    plt.subplot(3, 3, i+1)
    # 绘制数据的分布情况，bins指定了直方图的箱数，stat='density'参数用于指定绘制的统计信息是归一化的密度而不是数量
    sns.histplot(Pdata[col], bins=15, label='p1', stat='density')
    sns.histplot(Cdata[col], bins=15, label='c1', stat='density')
    plt.legend()
plt.tight_layout()
plt.savefig('feature.png')

在这里插入图片描述

三、降维分析

1.需求

我现在有两个数据集Pdata和Cdata分别在DataFrame对象中，但是这两个数据集有很多通道(变量)，不利于做整体可视化分析，我需要将这两个数据降维到二维，然后利用散点图观察他们的分布特性

2.PCA降维代码

# 将两个数据集合并
combined_df = pd.concat([Pdata, Cdata], axis=0)
# 创建一个 PCA 模型，设置主成分个数为 2
pca = PCA(n_components=2)
# 对合并后的数据集进行主成分分析
pca_result = pca.fit_transform(combined_df)
# 将转换后的数据分开
pca_df1 = pd.DataFrame(pca_result[:len(data_to_analyze)], columns=['PC1', 'PC2',])
pca_df2 = pd.DataFrame(pca_result[len(data_to_analyze):], columns=['PC1', 'PC2',])
# 绘制散点图
plt.figure(figsize=(19, 10))
plt.scatter(pca_df1['PC1'], pca_df1['PC2'], label='pattern', color='blue', marker='o', alpha=0.3)
plt.scatter(pca_df2['PC1'], pca_df2['PC2'], label='both', color='red', marker='x', alpha=0.3)
# 设置坐标轴标签
plt.xlabel('X Label')
plt.ylabel('Y Label')
plt.legend()
plt.title('PCA Visualization')
plt.savefig('pca.png')

在这里插入图片描述

3.t-SNE降维代码

combined_df = pd.concat([data_to_analyze, correct_to_analyze, error_to_analyze], axis=0)
tsne = TSNE(n_components=2)
tsne_result = tsne.fit_transform(combined_df)

# 将转换后的数据分开
tsne_df1 = pd.DataFrame(tsne_result[:len(data_to_analyze)], columns=['TSNE1', 'TSNE2'])
tsne_df2 = pd.DataFrame(tsne_result[len(data_to_analyze):len(data_to_analyze)+len(correct_to_analyze)], columns=['TSNE1', 'TSNE2'])
tsne_df3 = pd.DataFrame(tsne_result[len(data_to_analyze)+len(correct_to_analyze):], columns=['TSNE1', 'TSNE2'])

# 绘制散点图
plt.figure(figsize=(19, 10))
plt.scatter(tsne_df1['TSNE1'], tsne_df1['TSNE2'], label='pattern', marker='o')
plt.scatter(tsne_df2['TSNE1'], tsne_df2['TSNE2'], label='both', marker='x', alpha=0.4)
plt.scatter(tsne_df3['TSNE1'], tsne_df3['TSNE2'], label='error', marker='*', alpha=0.1)

# 设置坐标轴标签
plt.xlabel('X Label')
plt.ylabel('Y Label')
plt.legend()
plt.title('t-SNE Visualization')
plt.savefig('tsne.png')

在这里插入图片描述

今天上上签
关注
  • 3
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
matplotlib plt 画不同颜色和标签的散点图
03-04 324
matplotlib plt 画不同颜色和标签的散点图
Python-Matplotlib可视化数据分析图表
2301_78417636的博客
12-06 1539
Maplotlib是一个Python的2D绘图库，常用于可视化。它能够以多种硬拷贝格式和跨平台的交互环境生成出版物质量的图形。Matploxlib非常强大，绘制各种各样的图表游刃有余，它将容易的事情变得更容易，困难的事得可能，只需几行代码就可以绘制折线图 、柱形图 、直方图 、饼形图等。
数据挖掘常用可视化技巧（特征分布图，PCA可视化，热力图，....）
NP_hard的博客
10-28 3340
文章目录绘制特征分布图绘制热力图PCA降维可视化AUC曲线图 本文就是为方便自己查代码 绘制特征分布图 plt.style.use('seaborn') features_set=list(df_graph.columns.difference(['source','target','class'])) fig, axes = plt.subplots(ncols=2, nrows=4,figsize=[15,20]) for i, ax, fea in zip(range(10), axes.fla
如何用matplotlib绘制图像分类任务的类别特征空间分布
最新发布
llf000000的博客
07-01 275
【代码】如何用matplotlib绘制图像分类任务的类别特征空间分布。
【数据分析】Matplotlib可视化最有价值的图表之——4、分布(Distribution)
wx1871428的博客
07-02 759
在数据分析和可视化中最有用的 50 个 Matplotlib 图表。 这些图表列表允许使用 python 的 matplotlib 和 seaborn 库选择要显示的可视化对象。 这里开始第四部分内容：分布（Distribution） 准备工作 在代码运行前先引入下面的设置内容。 当然，单独的图表，可以重新设置显示要素。 # !pip install brewer2mpl import numpy as np import pandas as pd import matplo
【Python数据科学快速入门系列 | 10】Matplotlib数据分布图表应用总结
机器未来的博客
10-24 6421
本篇文章总结常用的数据分布图表。数据分布图表强调数据集中的数值及其频率或分布规律。常见的有统计直方图、核密度曲线图、箱形图、小提琴图等。
【Python数据科学快速入门系列 10】Matplotlib数据分布图表应用总结_matplotlib 分布图
2401_84181704的博客
05-03 883
本篇文章总结常用的数据分布图表。数据分布图表强调数据集中的数值及其频率或分布规律。常见的有统计直方图、核密度曲线图、箱形图、小提琴图等。
特征分布图
zhuozhuomin的博客
06-17 1019
import pandas as pd from matplotlib import pyplot as plt from sklearn.manifold import TSNE seed = 0 import numpy as np def visualize_embeddings(embeddings, labels, figsize=(16, 16)): # Extract TSNE values from embeddings embed2D = TSNE(n_componen
matplotlib绘制多维度分类散点图
weixin_42810335的博客
10-16 4061
这里的“多维度”是指不同组数据，这些组的数据需要绘制分类散点图进行分布对比。比如，如果我们的数据在一个pd.DataFrame中，这些不同维度的数据就是指不同列的数据，其中还有一列标签数据作为我们的分类类别依据。下面的代码就是基于这些假设的。 代码 x_label = ['Feature1', 'Feature2', 'Feature3', 'Feature4', 'Feature5'] # 想要展示在图中的维度label x_col = ['col1', 'col2', 'col3', 'col4'
Python---数据分析---matplotlib绘制散点图
qq_43766304的博客
03-13 368
问题 假设通过爬虫你获取到了北京2016年3,10月份每天白天的最高气温(分别位于列表a,b),那么此时如何寻找出气温和随时间(天)变化的某种规律? a = [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22,22,22,23] b = [26,26,28,19,21,17,16,19,18...
python调用Matplotlib绘制分布点图
01-02
Python调用Matplotlib代码绘制分布点，供大家参考，具体内容如下 绘制点图的目的 Matplotlib简介 代码 截图 1.绘制点图的目的 我们实验室正在做关于人脸识别的项目，其中在人脸检测后，会有些误检的图片，但是其中就有很多不符合的。很明显的是从图片大小，就可以过滤掉一部分。老大交给我的工作，就是通过绘制图片width,height的分布图，来找到一个合理的阈值。 2.Matlablib简介 Matplotlib是一个Python的图形框架 下面是官网的例子 Matplotlib example 3.代码如下 import matplotlib.pyplot
PCA.zip_PCA散点图_Python PCA_python pca 画图_python 图_降维
09-24
接下来，我们将使用`matplotlib`和`seaborn`绘制降维后的散点图： ```python plt.figure(figsize=(8, 6)) sns.scatterplot(x=X_pca[:, 0], y=X_pca[:, 1], hue=y, palette="Set2") plt.xlabel("First Principal ...
【python数据挖掘课程】二十五.Matplotlib绘制带主题及聚类类标的散点图
杨秀璋的专栏
07-18 1万+
这是《Python数据挖掘课程》系列文章，希望对您有所 帮助。当我们做聚类分析绘制散点图时，通常会遇到无法区分散点类标的情况，做主题分析时，可能会遇到无法将对应散点的名称（尤其中文名称）添加至图型中，为了解决这两个问题，本文提出了Matplotlib库的高级应用，主要是绘制带主题的散点图及聚类类标颜色进行区分，该方法被广泛应用于文本聚类和主题分析领域。 本篇文章为基础性文章，希望对你有所帮助，提供...
python 散点图 不同颜色_绘制散点图中的PCA输出，同时根据标签着色python matplotlib...
weixin_39928102的博客
11-24 773
我认为你的问题现在很明确的 - 感谢编辑！下面介绍如何创建您所描述的情节。首先，让我们产生了一些示例数据：# Paramsn_samples = 100m_features = 14selected_names = ['name_13', 'name_23', 'name_42', 'name_66']# Generatenp.random.seed(42)names = ['name_%i' %...
[Python从零到壹] 十七.可视化分析之Matplotlib、Pandas、Echarts入门万字详解
热门推荐
杨秀璋的专栏
08-24 3万+
前一篇文章讲述了数据预处理、Jieba分词和文本聚类知识，这篇文章主要介绍Matplotlib和Pandas扩展包绘图的基础用法，同时引入Echarts技术，该技术主要应用于网站可视化展示中。本文内容以实例为主，给读者最直观的图形感受。两万字基础文章，希望对您有所帮助。
Python学习笔记-用matplotlib绘制随机分布图
码出精彩
08-22 4266
用matplotlib绘制随机分布图 1.创建RandomWalk()类 我们先创建一个随机漫步的类，它可以随机选择前进方向。这个类需要三个属性，其中一个是储存随机漫步次数的变量，其他两个是列表，分别储存随机漫步经过的每个点的x和y坐标；同时，这个类也包含两个方法，初始化函数和fill_walk()，其中后者计算随机漫步经过的所有点。如下图： from random import choice ...
数据分析--matplotlib绘图
weixin_66610130的博客
09-25 1603
matplotlib
python数据分布_Python matplotlib 数据分布
weixin_39630498的博客
11-27 240
利用plt.hist()importmatplotlib.pylab as plt%matplotlib inlineplt.figure(figsize=(21, 12))plt.hist(x, bins=50)#plt.hist(df['title'].apply(lambda x: len(x)), bins=50)plt.grid()plt.savefig('distribution.pn...
PCA降维和散点图可视化
07-09
PCA降维与散点图可视化是两个不同的概念。PCA降维是一种常用的数据降维方法，通过线性变换将高维数据映射到低维空间，以减少数据维度并保留最重要的信息。 在进行PCA降维后，可以使用散点图来可视化数据。散点图可以帮助我们直观地观察数据的分布和聚类情况。一般情况下，我们会使用降维后的数据的前两个主成分作为散点图的x轴和y轴，然后使用不同颜色或形状来表示不同的类别或聚类结果。 以下是使用PCA降维和散点图可视化的示例代码： ```python from sklearn.decomposition import PCA import matplotlib.pyplot as plt # 假设X是原始数据 pca = PCA(n_components=2) # 选择降维后的维度为2 X_pca = pca.fit_transform(X) # 进行PCA降维 # 假设kpredictions是聚类结果或类别标签 plt.scatter(X_pca[:, 0], X_pca[:, 1], c=kpredictions) # 使用散点图可视化降维后的数据 plt.xlabel('Principal Component 1') plt.ylabel('Principal Component 2') plt.title('PCA Scatter Plot') plt.show() ``` 上述代码中，使用sklearn库中的PCA类进行降维，将原始数据X降维到2维。然后使用matplotlib库中的scatter函数绘制散点图，其中参数c表示散点的颜色，可以根据聚类结果或类别标签进行设置。最后设置x轴和y轴的标签和标题，并使用plt.show()显示散点图。 请注意，这只是一个示例代码，具体的实现可能根据您的数据和需求进行调整。
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