Matplotlib 练习

import matplotlib.pyplot as plt
from pylab import *
import numpy
from scipy.stats import gaussian_kde

#exercise 1
x = np.linspace(0, 2)
y = np.power(np.sin(x-2), 2)*np.power(np.e, -x*x)
plt.plot(x, y, label='y = f(x)')
plt.xlabel('x')    #设置X轴信息
plt.ylabel('y')    #设置Y轴信息
plt.title('f(x)')    #设置标题
plt.legend()
plt.show()        #展示画出来的图

一个简单的画函数图练习，以上代码效果如下：

这里要用到最小二乘法，实现起来也不难

由线代的知识，计算Ax=b的最小二乘问题可以通过求解ATAx=ATb得到

#exercise 2
x = np.random.randn(20, 10)*10 + 2
b = np.random.randn(10, 1) + 1
z = np.random.randn(20, 1)

y = np.matmul(x, b) + z
A = np.matmul(x.transpose(), x)
b_approximate = np.linalg.solve(A, np.matmul(x.transpose(), y))  #计算b的逼近

index = np.arange(0, 10)    #产生一个数组，[0, 1, 2, ……, 9]

plt.scatter(index, b, color='green', label='green is true')    #画散点图，通过color设置颜色，通过marker设置形状，通过label设置图例
plt.scatter(index, b_approximate, color='red', marker='v', label='red is approximate')
plt.xticks(index)  #设置X轴刻度
plt.legend()
plt.show()

效果如下：

画直方图与密度估计曲线，这里要用到scipy.stats的gaussian_kde

代码如下:

import matplotlib.pyplot as plt
import numpy
from scipy.stats import gaussian_kde

data = np.random.normal(size=10000)  #用标准正态分布生成10k个数据
print(np.shape(data))
x = np.linspace(-5, 5)    
plt.hist(data, bins=25, histtype='bar', normed=1)    画直方图， normed=1：归一化

kernel = gaussian_kde(data)    #拟合数据
plt.plot(x, kernel(x))        #画图

plt.xlabel('x')
plt.ylabel('y')
plt.title('Histogram and density estimation')
plt.show()

效果如下: