Python matplotlib 练习题

最新推荐文章于 2024-10-06 04:00:00 发布
最新推荐文章于 2024-10-06 04:00:00 发布
阅读量1.8w 收藏 115
点赞数 12
分类专栏： 数据处理与机器学习 文章标签： python matplotlib
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/czl389/article/details/76944504
版权

matplotlib —— 课后练✋

%matplotlib inline
import matplotlib as mpl
from matplotlib import pyplot as plt
import seaborn as sns
import numpy as np
import pandas as pd

练习1：航班乘客变化分析

  • 分析年度乘客总量变化情况（折线图）
  • 分析乘客在一年中各月份的分布（柱状图）
data = sns.load_dataset("flights")
data.head()
# 年份，月份，乘客数
yearmonthpassengers
01949January112
11949February118
21949March132
31949April129
41949May121

年度变化

# your code
year_group=data.groupby('year').sum()

fig,ax=plt.subplots()
ax.plot(year_group.index,year_group['passengers'])
ax.set_xlabel('year')
ax.set_ylabel('passengers')
ax.set_title('Annual Variation Trend of Passengers')
<matplotlib.text.Text at 0x7f89cacfaf50>

这里写图片描述

各月份之间的差异

data_1949=data[data['year']==1949]
month_group=data.groupby('month').sum()
month_group['month_num']=range(12)

fig1,ax1=plt.subplots()
ax1.bar(month_group['month_num'],month_group['passengers'],align='center')
ax1.set_xlabel('month')
ax1.set_ylabel('passengers')
ax1.set_xticks(range(12))
month_names=[str[:3] for str in list(month_group.index)]
ax1.set_xticklabels(month_names)
ax1.set_title('Monthly Distribution of Passengers')
<matplotlib.text.Text at 0x7f89cabdad10>

这里写图片描述

练习2：鸢尾花花型尺寸分析

  • 萼片（sepal）和花瓣（petal）的大小关系（散点图）
  • 不同种类（species）鸢尾花萼片和花瓣的大小关系（分类散点子图）
  • 不同种类鸢尾花萼片和花瓣大小的分布情况（柱状图或者箱式图）
data = sns.load_dataset("iris")
data.head()
# 萼片长度，萼片宽度，花瓣长度，花瓣宽度，种类
sepal_lengthsepal_widthpetal_lengthpetal_widthspecies
05.13.51.40.2setosa
14.93.01.40.2setosa
24.73.21.30.2setosa
34.63.11.50.2setosa
45.03.61.40.2setosa
# your code
#尺寸为长乘以宽
data['sepal_size']=data['sepal_length']*data['sepal_width']
data['petal_size']=data['petal_length']*data['petal_width']

花瓣与萼片的关系

fig, ax2_1 = plt.subplots()
ax2_1.scatter(data['sepal_size'],data['petal_size'])

# 添加标题和坐标说明
ax2_1.set_title('Size of Sepal vs Size of Petal')
ax2_1.set_xlabel('size of sepal')
ax2_1.set_ylabel('size of petal')
<matplotlib.text.Text at 0x7f89caa496d0>

这里写图片描述

species=data['species'].unique()
species
array([‘setosa’, ‘versicolor’, ‘virginica’], dtype=object) 
data1=data[data['species']==species[0]]
data2=data[data['species']==species[1]]
data3=data[data['species']==species[2]]

不同种类之间萼片与花瓣的关系

fig, ax2_2 = plt.subplots()

ax2_2.scatter(data1['sepal_size'],data1['petal_size'],color = '#ff0000',label=species[0])
ax2_2.scatter(data2['sepal_size'],data2['petal_size'],color = '#00ff00',label =species[1])
ax2_2.scatter(data3['sepal_size'],data3['petal_size'],color = '#0000ff',label=species[2])
ax2_2.legend(loc = 'best')

# 添加标题和坐标说明
ax2_2.set_title('Size of Sepal vs Size of Petal')
ax2_2.set_xlabel('size of sepal')
ax2_2.set_ylabel('size of petal')
<matplotlib.text.Text at 0x7f89ca98b990>

这里写图片描述

不同种类的花瓣与萼片大小

def boxplot(x_data, y_data, base_color, median_color, x_label, y_label, title):
    _, ax = plt.subplots()
    ax.boxplot(y_data
               # 箱子是否颜色填充
               , patch_artist = True
               # 中位数线颜色
               , medianprops = {'color': base_color}
               # 箱子颜色设置，color：边框颜色，facecolor：填充颜色
               , boxprops = {'color': base_color, 'facecolor': median_color}
               # 猫须颜色whisker
               , whiskerprops = {'color': median_color}
               # 猫须界限颜色whisker cap
               , capprops = {'color': base_color})
    # 箱图与x_data保持一致
    ax.set_xticklabels(x_data)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)


bp_data=[data1['sepal_size'],data2['sepal_size'],data3['sepal_size']]

# 调用绘图函数
boxplot(x_data = species
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'Species'
        , y_label = 'Size of Sepal'
        , title = 'Size Distribution of Sepal By Species')

这里写图片描述

bp_data=[data1['petal_size'],data2['petal_size'],data3['petal_size']]

# 调用绘图函数
boxplot(x_data = species
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'Species'
        , y_label = 'Size of Petal'
        , title = 'Size Distribution of Petal By Species')

这里写图片描述

练习3：餐厅小费情况分析

  • 小费和总消费之间的关系（散点图）
  • 男性顾客和女性顾客，谁更慷慨（分类箱式图）
  • 抽烟与否是否会对小费金额产生影响（分类箱式图）
  • 工作日和周末，什么时候顾客给的小费更慷慨（分类箱式图）
  • 午饭和晚饭，哪一顿顾客更愿意给小费（分类箱式图）
  • 就餐人数是否会对慷慨度产生影响（分类箱式图）
  • 性别+抽烟的组合因素对慷慨度的影响（分组柱状图）
data = sns.load_dataset("tips")
data.head()
# 总消费，小费，性别，吸烟与否，就餐星期，就餐时间，就餐人数
total_billtipsexsmokerdaytimesize
016.991.01FemaleNoSunDinner2
110.341.66MaleNoSunDinner3
221.013.50MaleNoSunDinner3
323.683.31MaleNoSunDinner2
424.593.61FemaleNoSunDinner4

小费与总消费的关系

# your code
_, ax3_1 = plt.subplots()
ax3_1.scatter(data['tip'],data['total_bill'])
ax3_1.set_title('Tip vs Total bill')
ax3_1.set_xlabel('total bill')
ax3_1.set_ylabel('tip')
<matplotlib.text.Text at 0x7f89ca689150>

这里写图片描述

男性与女性

sex=data['sex'].unique()
bp_data=[data[data['sex']==sex[0]]['tip'],data[data['sex']==sex[1]]['tip']]

# 调用绘图函数
boxplot(x_data = sex
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'Sex'
        , y_label = 'Tip'
        , title = 'Distribution of Tip By Sex')

这里写图片描述

抽烟与否

smoker=data['smoker'].unique()
bp_data=[data[data['smoker']==smoker[0]]['tip'],data[data['smoker']==smoker[1]]['tip']]

# 调用绘图函数
boxplot(x_data = smoker
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'Smoke or Not'
        , y_label = 'Tip'
        , title = 'Distribution of Tip By Smoker')

这里写图片描述

工作日与周末

day=data['day'].unique()
bp_data=[data[data['day'].isin(day[:2])]['tip'],data[data['day'].isin(day[2:4])]['tip']]

# 调用绘图函数
boxplot(x_data = ['weekend','weekday']
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'Day'
        , y_label = 'Tip'
        , title = 'Distribution of Tip By Day')

这里写图片描述

午餐与晚餐

time=data['time'].unique()
bp_data=[data[data['time']==time[0]]['tip'],data[data['time']==time[1]]['tip']]

# 调用绘图函数
boxplot(x_data = time
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'Time'
        , y_label = 'Tip'
        , title = 'Distribution of Tip By Time')

这里写图片描述

就餐人数

size=data['size'].unique()
bp_data=[]
for i in range(len(size)):
    bp_data.append(data[data['size']==size[i]]['tip'])

# 调用绘图函数
boxplot(x_data = size
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'Size'
        , y_label = 'Tip'
        , title = 'Distribution of Tip By Size')

这里写图片描述

性别+抽烟

tip_by_sex_smoke=data.groupby(['sex','smoker']).mean()['tip']
tip_by_sex_smoke=tip_by_sex_smoke.unstack()
tip_by_sex_smoke
smokerYesNo
sex
Male3.0511673.113402
Female2.9315152.773519
# 绘制分组柱状图的函数
def groupedbarplot(x_data, y_data_list, y_data_names, colors, x_label, y_label,title):
    _, ax = plt.subplots()
    # 设置每一组柱状图的宽度
    total_width = 0.8
    # 设置每一个柱状图的宽度
    ind_width = total_width / len(y_data_list)
    # 计算每一个柱状图的中心偏移
    alteration = np.arange(-total_width/2+ind_width/2, total_width/2+ind_width/2, ind_width)

    # 分别绘制每一个柱状图
    for i in range(0, len(y_data_list)):
        # 横向散开绘制
        ax.bar(x_data + alteration[i], y_data_list[i], color = colors[i], label = y_data_names[i], width = ind_width)
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'upper right')



# 调用绘图函数
groupedbarplot(x_data = range(2)
               , y_data_list = [tip_by_sex_smoke['Yes'],tip_by_sex_smoke['No']]
               , y_data_names = ['Yes', 'No']
               , colors = ['#539caf', '#7663b0']
               , x_label = 'sex'
               , y_label = 'tip'
               ,title = 'Tip By Smoker and Sex')
ax=plt.gca()
ax.set_xticks(range(2))
ax.set_xticklabels(tip_by_sex_smoke.index.values)
[<matplotlib.text.Text at 0x7f89ca39cdd0>,
 <matplotlib.text.Text at 0x7f89ca3a7e90>]

这里写图片描述

练习4：泰坦尼克号海难幸存状况分析

  • 不同仓位等级中幸存和遇难的乘客比例（堆积柱状图）
  • 不同性别的幸存比例（堆积柱状图）
  • 幸存和遇难乘客的票价分布（分类箱式图）
  • 幸存和遇难乘客的年龄分布（分类箱式图）
  • 不同上船港口的乘客仓位等级分布（分组柱状图）
  • 幸存和遇难乘客堂兄弟姐妹的数量分布（分类箱式图）
  • 幸存和遇难乘客父母子女的数量分布（分类箱式图）
  • 单独乘船与否和幸存之间有没有联系（堆积柱状图或者分组柱状图）
data = sns.load_dataset("titanic")
data.head()
# 幸存与否，仓位等级，性别，年龄，堂兄弟姐妹数，父母子女数，票价，上船港口缩写，仓位等级，人员分类，是否成年男性，所在甲板，上船港口，是否幸存，是否单独乘船
survivedpclasssexagesibspparchfareembarkedclasswhoadult_maledeckembark_townalivealone
003male22.0107.2500SThirdmanTrueNaNSouthamptonnoFalse
111female38.01071.2833CFirstwomanFalseCCherbourgyesFalse
213female26.0007.9250SThirdwomanFalseNaNSouthamptonyesTrue
311female35.01053.1000SFirstwomanFalseCSouthamptonyesFalse
403male35.0008.0500SThirdmanTrueNaNSouthamptonnoTrue

不同仓位等级幸存比例

# your code
# 绘制堆积柱状图
def stackedbarplot(x_data, y_data_list, y_data_names, colors, x_label, y_label, title):
    _, ax = plt.subplots()
    # 循环绘制堆积柱状图
    for i in range(0, len(y_data_list)):
        if i == 0:
            ax.bar(x_data, y_data_list[i], color = colors[i], align = 'center', label = y_data_names[i])
        else:
            # 采用堆积的方式，除了第一个分类，后面的分类都从前一个分类的柱状图接着画
            # 用归一化保证最终累积结果为1
            ax.bar(x_data, y_data_list[i], color = colors[i], bottom = y_data_list[i - 1], align = 'center', label = y_data_names[i])
    ax.set_ylabel(y_label)
    ax.set_xlabel(x_label)
    ax.set_title(title)
    ax.legend(loc = 'upper right') # 设定图例位置
pclass_survived=data.groupby(['pclass','survived']).size().unstack()
pclass_survived
survived01
pclass
180136
29787
3372119
pclass_survived['sum']=pclass_survived[0]+pclass_survived[1]
pclass_survived['yes_prop']=pclass_survived[1]/pclass_survived['sum']
pclass_survived['no_prop']=pclass_survived[0]/pclass_survived['sum']
pclass_survived
survived01sumyes_propno_prop
pclass
1801362160.6296300.370370
297871840.4728260.527174
33721194910.2423630.757637
# 调用绘图函数
stackedbarplot(x_data = pclass_survived.index.values
               , y_data_list = [pclass_survived['yes_prop'], pclass_survived['no_prop']]
               , y_data_names = ['Survived', 'Not survived']
               , colors = ['#539caf', '#7663b0']
               , x_label = 'Pclass'
               , y_label = 'Number of People'
               , title = 'Number of People By Survived Or Not and Pclass')

ax=plt.gca()
ax.set_xticks(range(1,4))
ax.set_xticklabels(pclass_survived.index.values)
[<matplotlib.text.Text at 0x7f89ca2f1890>,
 <matplotlib.text.Text at 0x7f89ca27a410>,
 <matplotlib.text.Text at 0x7f89ca26d6d0>]

这里写图片描述

不同性别幸存比例

sex_survived=data.groupby(['sex','survived']).size().unstack()
sex_survived
survived01
sex
female81233
male468109
sex_survived['sum']=sex_survived[0]+sex_survived[1]
sex_survived['yes_prop']=sex_survived[1]/sex_survived['sum']
sex_survived['no_prop']=sex_survived[0]/sex_survived['sum']
sex_survived
survived01sumyes_propno_prop
sex
female812333140.7420380.257962
male4681095770.1889080.811092
# 调用绘图函数
stackedbarplot(x_data = [0,1]
               , y_data_list = [sex_survived['yes_prop'], sex_survived['no_prop']]
               , y_data_names = ['Survived', 'Not survived']
               , colors = ['#539caf', '#7663b0']
               , x_label = 'Sex'
               , y_label = 'Number of People'
               , title = 'Number of People By Survived Or Not and Sex')
ax=plt.gca()
ax.set_xticks(range(2))
ax.set_xticklabels(sex_survived.index.values)
[<matplotlib.text.Text at 0x7f89ca1c3a10>,
 <matplotlib.text.Text at 0x7f89ca1ce0d0>]

这里写图片描述

幸存or遇难の票价分布

survived=data['survived'].unique()
bp_data=[data[data['survived']==survived[0]]['fare'],data[data['survived']==survived[1]]['fare']]

# 调用绘图函数
boxplot(x_data = survived
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'survived'
        , y_label = 'fare'
        , title = 'Distribution of Fare By Survived')

这里写图片描述

幸存or遇难の年龄分布

data['age'].fillna(0,inplace=True)
survived=data['survived'].unique()
bp_data=[data[data['survived']==survived[0]]['age'],data[data['survived']==survived[1]]['age']]
# 调用绘图函数
boxplot(x_data=survived
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'survived'
        , y_label = 'age'
        , title = 'Distribution of Age By Survived')

这里写图片描述

不同上传港口の仓位等级

embark_pclass=data.groupby(['embark_town','pclass']).size().unstack()
#embark_pclass.fillna(0,inplace=True)
embark_pclass
pclass123
embark_town
Cherbourg851766
Queenstown2372
Southampton127164353
pclass_list=[embark_pclass.iloc[:,0],embark_pclass.iloc[:,1],embark_pclass.iloc[:,2]]
pclass_list
[embark_town Cherbourg 85 Queenstown 2 Southampton 127 Name: 1, dtype: int64, embark_town Cherbourg 17 Queenstown 3 Southampton 164 Name: 2, dtype: int64, embark_town Cherbourg 66 Queenstown 72 Southampton 353 Name: 3, dtype: int64] 

# 调用绘图函数
groupedbarplot(x_data = range(3)
               , y_data_list = pclass_list
               , y_data_names = embark_pclass.columns
               , colors = ['#539caf', '#7663b0','#00ff00']
               , x_label = 'embark_town'
               , y_label = 'counts of pclass'
               ,title = 'Counts of Pclass vs Embark Town')

ax=plt.gca()
ax.set_xticks(range(3))
ax.set_xticklabels(embark_pclass.index.values)
[<matplotlib.text.Text at 0x7f89c9f488d0>,
 <matplotlib.text.Text at 0x7f89ca045b10>,
 <matplotlib.text.Text at 0x7f89c9eec150>]

这里写图片描述

幸存or遇难の堂兄弟姐妹数量分布

survived=data['survived'].unique()
bp_data=[data[data['survived']==survived[0]]['sibsp'],data[data['survived']==survived[1]]['sibsp']]
# 调用绘图函数
boxplot(x_data=survived
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'survived'
        , y_label = 'sibsp'
        , title = 'Distribution of Sibsp By Survived')

这里写图片描述

幸存or遇难の父母子女数量分布

survived=data['survived'].unique()
bp_data=[data[data['survived']==survived[0]]['parch'],data[data['survived']==survived[1]]['parch']]
# 调用绘图函数
boxplot(x_data=survived
        , y_data = bp_data
        , base_color = 'b'
        , median_color = 'r'
        , x_label = 'survived'
        , y_label = 'parch'
        , title = 'Distribution of Parch By Survived')

这里写图片描述

单独乘船 vs 幸存

alone_survived=data.groupby(['alone','survived']).size().unstack()
alone_survived
survived01
alone
False175179
True374163
_, ax = plt.subplots()
width=0.4
index=alone_survived.index.values
ax.bar(index, alone_survived[0], color = '#ff0000', label = 'Not survived', width = width)
ax.bar(index+width, alone_survived[1], color = '#00ff00', label = 'Survived', width = width)

ax.set_ylabel('numbers of People')
ax.set_xlabel('alone')
ax.set_title('People Survived vs Alone')
ax.legend(loc = 'upper right')
plt.xticks(index+width,index)
([<matplotlib.axis.XTick at 0x7f89ca2d73d0>,
  <matplotlib.axis.XTick at 0x7f89ca85f4d0>],
 <a list of 2 Text xticklabel objects>)

这里写图片描述

numpy-pandas-matplotlib练习题（作业）.ipynb
11-10
数据分析作业，numpy、pandas、matplotlib练习题，自己出的，有兴趣的可以作为参考。
Matplotlib 练习题 [python]
yyying2016的博客
06-02 959
import numpy as np import matplotlib.pyplot as plt x = np.linspace(0,2,100) y = np.power(np.sin(x - 2), 2) * np.exp(-np.power(x, 2)) f, ax=plt.subplots(1, 1, figsize=(5,4)) ax.plot(x, y) ax.set_xli...
Python：Matplotlib详细使用
最新发布
Molson_Choi的博客
10-06 1167
Matplotlib是python数据分析三剑客之一，是一个功能强大且非常流行的 Python数据可视化库。Matplotlib可用于绘制折线图(line plot)、散点图(scatter plot)、条形图(bar plot)、直方图(histogram plot)、饼图(pie plot)等，同时也支持部分3D绘图功能。正所谓“一图胜千言”，通过图像，可以更加清晰、直观地展示数据，从而有利于数据分析。
数据可视化（matplotlib库）知识点归纳总结及练习题
cgrs5572的博客
11-10 2948
matplotlib数据可视化作图知识点归纳总结
【python数据可视化】Matplotlib绘图练习（一）
好好读书
06-12 1962
Matplotlib是一个Python库，用于绘制静态、动态和交互式图形，包括线图、散点图、条形图、直方图、等高线图、图像等等。 线图 散点图 直方图 柱状图 图中图
Python数据分析17——seaborn小费数据集
Py.ziMing的博客
06-10 5610
消费数据集 我之前也有用过seaboard中的小费数据集，但是没有对它进行详尽一点的分析。接下来，我就用小费数据集进行一些数据分析。 准备工作 导入相关的库。 import pandas as pd import numpy as np from pandas import Series, DataFrame import seaborn as sns 创建小费数据集对象。 tips = s...
Python可视化seaborn练习题
czl389的专栏
08-10 8074
seaborn —— 课后练✋%matplotlib inline import numpy as np import pandas as pd from scipy import stats, integrate import matplotlib as mpl from matplotlib import pyplot as plt import seaborn as sns## 练习1：鸢
python matplotlib库绘制条形图练习题
09-18
Python的matplotlib库是数据可视化的重要工具，尤其在绘制各种图表方面，如条形图。在本题中，我们将探讨如何使用matplotlib库来绘制条形图，以便更好地展示数据。 首先，我们来看练习一。在这个练习中，我们需要...
Python Matplotlib绘图基础知识代码解析
09-16
Python Matplotlib库是数据可视化的重要工具，主要用于二维图形的绘制。在本文中，我们将深入探讨Matplotlib的基础知识，包括创建Figure、Subplot、颜色、标记、线型、刻度、标签以及图例等方面。 首先，我们来看...
python matplotlib库绘制散点图例题解析
09-18
### Python matplotlib库绘制散点图知识点 matplotlib是Python的一个用于数据可视化的重要库，尤其在科学计算领域，它能够生成高质量的静态、动态和交互式的图表。散点图是数据分析中常用的一种图形表示方法，它...
课堂练习题
duanqiaoyuanyu10的博客
10-18 133
matplotlib中文网 https://www.matplotlib.org需求一： 图例用4列展示需求二： 表格填充你喜欢的任意颜色需求三： 调整图例和表格位置，如运行效果图所示（不要求完全一致，但应做到相似度8成上）
数据可视化面试题
u011868279的博客
04-05 4870
问答题 1.随机从某超市抽取10个顾客，得到他们购物所花费的金额（单位：元） 数据：388，24，152，63.2，224.6，26，69，70，138，213 请问我们可以用哪些统计量，分析该组数据？ 中心趋势统计量: median(均值), mean（中位数）,mode（众数） 散布程度统计量：标准差(方差)，四分位极差 (极差range=Max - Min 四分位极差（IQR）= Q3 - Q1) 分布形状统计量： 偏度系数和峰度系数 偏度是用于衡量数据分布对称性的统计量：通
Python 数据可视化 5.6 习题
qq_43416206的博客
09-03 2121
5．当 matplotlib 使用 GridSpec() 自定义布局结构时，可以通过（　　）参数控制子图的间隙。1．请简述 subplot()、subplots() 和 subplot2grid() 函数的区别。1．subplot(223) 与 subplot(2, 2, 3) 是等价的。2．matplotlib 使用 subplot() 可以一次绘制多个子图。3．同一画布的多个子图可以共享同方向的坐标轴。1．下列函数中，可以一次绘制多个子图的是（　　）。4．下列选项中，可以实现紧密布局的是（　　）。
matplotlib综合练习一
qq_46103282的博客
08-11 143
【代码】matplotlib综合练习一。
Python编程题之matplotlib练习部分
＃两个西柚
03-30 734
matplotlib练习 使用语言：Python 运行环境：Jupyter Notebook 1、线图练习 ① %matplotlib inline import numpy as np from matplotlib import pyplot as plt x = np.arange(1,11) y = 2 * x + 5 plt.title("Matplotlib demo") plt.xlabel("x axis caption") plt.ylabel("y axis c
仅需10道题轻松掌握Matplotlib图形处理 | Python技能树征题
盼小辉丶的博客
10-13 2925
Matplotlib 是 Python 的绘图库，它提供了一整套和 matlab 相似的命令 API，可以生成出版质量级别的精美图形，Matplotlib 使绘图变得非常简单，本文通过 10 道 Python 编程题来介绍使用 Matplotlib 库进行图形绘制的方法。
【Matplotlib】练习题
七月流火的博客
05-26 1665
Exercise 11.1: Plotting a function    题目描述                      Plot the functionf(x) = sin^2(x - 2)e^(-x2)            over the interval [0; 2]. Add proper axis labels, a title, etc.    输入样例        NO...
Python数据可视化 |4、可视化案例练习题目(基于Matplotlib)
qq_34740277的博客
08-23 5288
目录航班乘客变化分析鸢尾花花型尺寸分析餐厅小费情况分析泰坦尼克号海难幸存状况分析 航班乘客变化分析 %matplotlib inline import matplotlib as mpl from matplotlib import pyplot as plt import seaborn as sns import pandas as pd # 设置一些全局的资源参数，可以进行个性化修改 import matplotlib # 设置图片尺寸 14" x 7" # rc: resource configu
Python Matplotlib 综合练习
ppqppl的博客
03-07 481
Python Matplotlib 综合练习 可视化练习(一些杂例) 引入库： import numpy as np import matplotlib import matplotlib.mlab as mlab import matplotlib.pyplot as plt 正弦函数： def simple_plot(): # 生成测试数据 x = np.linspace(-...
python matplotlib 习题练习
06-11
以下是一些Python使用Matplotlib库进行数据可视化方面的习题练习，供您参考： 1. 使用Matplotlib库绘制一个简单的折线图，并添加标题、坐标轴标签等。 2. 使用Matplotlib库绘制一个散点图，并添加标题、坐标轴标签...
评论 3
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