Python学习之数据分析绘图库（matplotlib&seaborn）

目录

一、数据分析绘图库Matplotlib

1.绘图基础知识

2.常用图形

3.  绘图步骤

4.属性详解

5.多图绘制

1）绘图步骤

 2）多图案例

3）案例一：散点图绘制

4）案例二：曲线图绘制

5）子图绘制

6.案例三（柱状图绘制）

二、K近邻算法分类可视化分析

1.K近邻算法原理

2.K近邻算法数据集

三、K近邻算法回归可视化分析

四.seaborn库

1.seaborn整体风格

2.seaborn设置子图风格

3.seaborn内容风格

---

一、数据分析绘图库Matplotlib

• matplotlib是python比较底层的可视化库，可定制性强、图表资源丰富、简单易用、达到出版质量级别。
• Seaborn是在matplotlib的基础上进行了更高级的API封装, 作图更加容易。
• 它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。
• Matplotlib 是 Python 的绘图库。
• 它可与 NumPy 一起使用，提供了一种有效的 MatLab 开源替代方案。
• 它也可以和图形工具包一起使用，如 PyQt 和 wxPython。

1.绘图基础知识

• 图例Legend 代表图形里的内容
• 网格Grid，图形中的虚线，True显示网格
• 点 Markers：表示点的形状。

2.常用图形

• 基本的视觉元素有三种：点、线、柱状。分析下面需求绘制什么图形?
• 学生为某科课程花费的时间和考试成绩两者之间的关系，查看两者之间的相关性。

3.  绘图步骤

4.属性详解

maker标记样式

标记颜色color

例如：第一个图形绘制完整顺序

# 1). 导入绘图库
import  matplotlib.pyplot as plt
import  numpy as np
# 2). 创建画板figure
figure = plt.figure(figsize=(10, 10))
# 3). 创建子图subplot/Axes
ax = plt.subplot(1, 1, 1)
# 4). 准备数据
# 从0-50分割成100份
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 6). 绘制
ax.plot(x, y, color='orange', marker='*', linestyle='-.')
ax.set_title('y = sinx')
ax.set_xlabel('x')
ax.set_ylabel('y')
# 7). 显示图形或者保存图形到文件中
# plt.show()
plt.savefig('barbar.png')

运行结果：

第一个图形绘制快速版：

import matplotlib.pyplot as plt
import numpy as np
import  seaborn as sns

# 1). 准备数据信息
x = np.linspace(0, 20, 100)
y = np.sin(x)

# 设置seaborn的主题样式
sns.set(style='ticks')

# 2). 直接绘图
plt.plot(x, y)
# plt.scatter(x, y)
plt.title('y = sinx')
plt.xlabel('x')
plt.ylabel('y')

# 去掉上边框和右边框(在绘图之后进行设置)
sns.despine(top=True, right=True)

# 3). 绘制图形并显示或者存储在文件中
# plt.show()
plt.savefig('barbar.png')

运行结果：

5.多图绘制

1）绘图步骤

 2）多图案例

3）案例一：散点图绘制

绘图需求: 基于某函数，并在其一定范围震动的离散图。一定范围内震动呢？y加个随机数

import numpy as np
import matplotlib.pyplot as plt
def trans(x):
    """
    按照函数定义x,y之间的关系，y是含有50个元素的数组
    :param x:
    :return:
    """
    #Numpy具有焊好的传播机制：数字间或者数组间计算，只需要关注逻辑
    #随机范围-5~5之间
    random_data = -5 + 10 * np.random.random(x.shape)
    y = 1 / 100 * x ** 4 - 8 / 300 * x ** 3 - 3 + np.log(x) +