机器学习基础之数据科学包（matplotlib）

最新推荐文章于 2022-05-08 13:03:31 发布
最新推荐文章于 2022-05-08 13:03:31 发布
阅读量449 收藏
点赞数
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/qq_41514914/article/details/105215311
版权
本文详细介绍了matplotlib数据科学包的使用，包括散点图、折线图、条形图、直方图、饼状图和箱形图等图表的绘制，并探讨了图形优化、颜色和线型设置、面向对象与Matlab风格的区别，以及子图、多图、网格图的创建和坐标轴管理等高级技巧。
摘要由CSDN通过智能技术生成

目录

matplotlib数据科学包

散点图

不相关

import matplotlib.pyplot as plt
import numpy as np
N=10000
x=np.random.randn(N)
y1=np.random.randn(N)
plt.scatter(x,y1,s=1)
plt.show()

在这里插入图片描述

正相关

N=10000
x=np.random.randn(N)
y2=x+np.random.randn(N)*0.5
plt.scatter(x,y2,s=1)
plt.show()

在这里插入图片描述

负相关

N=10000
x=np.random.randn(N)
y3=-x+np.random.randn(N)*0.5
plt.scatter(x,y3,s=1)
plt.show()

在这里插入图片描述

股票分析示例

#读取文件，delimiter表示数据间隔方式，skiprows表示跳过第一行，usecols表示选取第1列和第4列（从0开始），unpack表示单独读取数据
open,close=np.loadtxt('000001.csv',delimiter=',',skiprows=1,usecols=(1,4),unpack=True)
change=close-open
yesterday=change[:-1] #前一天的变化
today=change[1:]  #当天的变化
plt.scatter(yesterday,today,s=1) #画出前一天和当天变化的关系
plt.show()

在这里插入图片描述

折线图

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.dates as mdates
date,open,close=np.loadtxt('000001.csv',delimiter=',',
                           converters={0:mdates.bytespdate2num('%m/%d/%Y')},skiprows=1,usecols=(0,1,4),unpack=True)
plt.plot_date(date,open,linestyle='--',color='b',marker='o')
plt.plot_date(date,close,linestyle='--',color='r',marker='>')
plt.show()

在这里插入图片描述

条形图

无堆叠

import numpy as np
import matplotlib.pyplot as plt
#多组数据并列显示
index=np.arange(4)
sales_BJ=[52,55,63,53]
sales_SH=[44,66,55,41]
bar_width=0.3
#垂直方向
plt.bar(x=index,height=sales_BJ,width=bar_width,color='b')
plt.bar(x=index+bar_width,height=sales_SH,width=bar_width,color='r')
plt.show()
#水平方向
plt.barh(y=index,width=sales_BJ,height=bar_width,color='blue')
plt.barh(y=index+bar_width,width=sales_SH,height=bar_width,color='red')
plt.show()

在这里插入图片描述
在这里插入图片描述

有堆叠

import numpy as np
import matplotlib.pyplot as plt
#多组数据并列显示
index=np.arange(4)
sales_BJ=[52,55,63,53]
sales_SH=[44,66,55,41]
bar_width=0.3
#垂直方向
plt.bar(x=index,height=sales_BJ,width=bar_width,color='b')
plt.bar(x=index,height=sales_SH,width=bar_width,color='r',bottom=sales_BJ)
plt.show()
#水平方向
plt.barh(y=index,width=sales_BJ,height=bar_width,color='blue')
plt.barh(y=index,width=sales_SH,height=bar_width,color='red',left=sales_BJ)
plt.show()

在这里插入图片描述
在这里插入图片描述

直方图

单变量的直方图

import numpy as np
import matplotlib.pyplot as plt

mu=100 #分布的平均值
sigma=20 #分布的标准差
x=mu+sigma*np.random.randn(2000)
#画直方图，bins表示分成的份数，normed 标准化，显示所占比例
plt.hist(x,bins=10,color='red',normed=True)
plt.show()

在这里插入图片描述

双变量的直方图

x=np.random.randn(2000)+1
y=np.random.randn(2000)+5
plt.hist2d(x,y,bins=40)
plt.show()

颜色深浅表示频率的大小

饼状图

import matplotlib.pyplot as plt
import numpy as np

labels='A','B','C','D'
fracs=[15,30,45,10]
#设置explode参数，改变不同部分与圆心的距离，突出显示
explode=[0,0.05,0,0]
#设置x轴与y轴的比例，得到正圆的饼状图
plt.axes(aspect=1)
#autopct显示所占百分比，shadow显示阴影
plt.pie(fracs,explode=explode,labels=labels,autopct='%.1f%%',shadow=True)
plt.show()

在这里插入图片描述

箱形图

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np
#设置随机种子
np.random.seed(100)
data=np.random.normal(size=(1000,5),loc=0,scale=1)
labels='A','B','C','D','E'
#sym表示调整异常值的形状,
# whis表示上边缘与上四分位的长度，通过调节可以增加或减少异常值的数目
plt.boxplot(data,labels=labels,sym='o',whis=1)
plt.show()

在这里插入图片描述

图形的优化

颜色

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt
y=np.arange(1,5)
#用内置颜色
plt.plot(y,color='m')

#用灰色阴影表示，color='0.5'表示灰色的深度
plt.plot(y+1,color='0.5')

#用十六进制的方法
plt.plot(y+2,color='#200351')

#用RGB的方法
plt.plot(y+3,color=(0.5,0.3,0.3))
plt.show()

在这里插入图片描述

点和线的样式

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

y=np.arange(1,5)
plt.plot(y,'k>--')
plt.plot(y+1,'mD:')
plt.plot(y+2,'gp-.')
plt.plot(y+3,'ro-')
plt.show()

在这里插入图片描述

面向对象vsMatlab style

在这里插入图片描述
在这里插入图片描述

pylab方式

from pylab import *
x=arange(0,10,1)
y=randn(len(x))
plot(x,y)
title('pylab')
show()

在这里插入图片描述

面向对象方法

import matplotlib.pyplot as plt
import numpy as np
x=np.arange(0,10,1)
y=np.sin(x)
#改成面向对象的方式
fig=plt.figure() #创建一块画布
ax=fig.add_subplot(111)  #创建坐标轴
l,=plt.plot(x,y)
t=ax.set_title('object oriented')
plt.show()

在这里插入图片描述

子图的创建

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np

x=np.arange(1,100)

plt.subplot(221)
plt.plot(x,x)

plt.subplot(222)
plt.plot(x,-x)

plt.subplot(223)
plt.plot(x,x*x)

plt.subplot(224)
plt.plot(x,np.log(x))

plt.show()

在这里插入图片描述

多图的创建

import matplotlib.pyplot as plt

fig1=plt.figure()

ax1=fig1.add_subplot(111)

ax1.plot([1,2,3],[3,2,1])

fig2=plt.figure()

ax2=fig2.add_subplot(111)

ax2.plot([1,2,3],[1,2,3])

plt.show()

在这里插入图片描述
在这里插入图片描述

网格图的创建

import matplotlib.pyplot as plt
import numpy as np
y=np.arange(1,5)
plt.plot(y,y*2)
#生成网格图
plt.grid(True,color='g',linestyle='-',linewidth='2')
plt.show()
#Object Oriented  
import matplotlib.pyplot as plt
import numpy as np
x=np.arange(0,10,1)
y=np.random.randn(len(x))
fig=plt.figure()
ax=fig.add_subplot(111)
l,=plt.plot(x,y)

ax.grid(color='g')

plt.show()

在这里插入图片描述

图例的创建

图例位置的参数
在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np


x=np.arange(1,11,1)
y=x*x

plt.plot(x,x*2,label='Normal')

plt.plot(x,x*3,label='Fast')

plt.plot(x,x*4,label='Faster')

plt.legend(loc=3,ncol=2) #ncol可以将图例分成两列

plt.show()


#方式2

plt.plot(x,x*2)
plt.plot(x,x*3)
plt.plot(x,x*4)

plt.legend(['Normal','Fast','Faster'])

plt.show()
#OO
import matplotlib.pyplot as plt
import numpy as np
x=np.arange(0,10,1)
y=np.random.randn(len(x))
fig=plt.figure()
ax=fig.add_subplot(111)
l,=plt.plot(x,y)

ax.legend(['ax legend'])

line, =ax.plot(x,y,label='Inline label')

line.set_label('label via method')

ax.legend()

plt.show()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

坐标轴的范围

import numpy as np
import matplotlib.pyplot as plt
x=np.arange(-10,11,1)
plt.plot(x,x*x)
#用.axis()函数调整，可同时调整x轴和y轴
plt.axis([-1,6,10,70])
plt.show()
#用xlim和ylim单独调整坐标轴
plt.xlim(xmin=-5,xmax=5)
plt.ylim(ymin=0,ymax=100)
plt.show()

在这里插入图片描述
在这里插入图片描述

坐标轴刻度

x=np.arange(1,11,1)
plt.plot(x,x)
#面向对象的方式
ax=plt.gca()  #获取坐标轴
ax.locator_params('x',nbins=20)  #nbins表示刻度的个数
plt.show()

#用plt方式
plt.locator_params('y',nbins=10)
plt.show()

在这里插入图片描述

import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np
import datetime

fig=plt.figure()
start=datetime.datetime(2015,1,1)
stop=datetime.datetime(2016,1,1)
delta=datetime.timedelta(days=1)
dates=mpl.dates.drange(start,stop,delta)
y=np.random.rand(len(dates))
ax=plt.gca()
ax.plot_date(dates,y,linestyle='-',marker='')
date_format=mpl.dates.DateFormatter('%Y-%m')  #调整日期的格式
ax.xaxis.set_major_formatter(date_format)
fig.autofmt_xdate()  #设定x轴的间隔与图片大小适应
plt.show()

在这里插入图片描述

添加坐标轴

plt方法

import matplotlib.pyplot as plt
import numpy as np
x=np.arange(2,20,1)
y1=x*x
y2=np.log(x)
plt.plot(x,y1)
plt.twinx()  #添加新的y轴
plt.plot(x,y2,'r')
plt.show()
#添加新的x轴
plt.plot(y1,x)
plt.twiny()  #添加新的坐标轴
plt.plot(y2,x,'r')
plt.show()

在这里插入图片描述

面向对象方法

x=np.arange(2,20,1)
y1=x*x
y2=np.log(x)
fig=plt.figure()
ax1=fig.add_subplot(111)
ax1.plot(x,y1)
ax1.set_ylabel('Y1')
ax2=ax1.twinx()
ax2.plot(x,y2,'r')
ax2.set_ylabel('Y2')
ax1.set_xlabel('Compare Y1 and Y2')
plt.show()

在这里插入图片描述
在这里插入图片描述

只求毕业
关注
Python 机器学习 基础 之 【常用机器学习库】 Matplotlib 数据可视化库
仙魁XAN
06-07 983
Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。Python 机器学习是利用 Python 编程语言中的各种工具和库来实现机器学习算法和技术的过程。
数据可视化模块Matplotlib的使用以及折线图
G-无忧仙-LB——随笔
12-15 417
数据可视化模块Matplotlib的使用以及折线图 1、Matplotlib是什么？ Matplotlib是一个Python的2D绘图库，它可以在各种平台上以各种硬拷贝格式和交互环境生成具有出版品质的图形。 Matplotlib师徒让简单的事情变得更简单，让无法实现的事情变得可能实现，是Python中最常用的可...
机器学习数据科学包（一）——numpy数据包
DuBenBen的博客
02-04 779
目录 1.numpy概述 2.矩阵构造方法： 3.矩阵形状维度相关方法： 4.矩阵基本操作 5.矩阵查找 6.矩阵遍历 7.矩阵合并 8.矩阵分割 9.矩阵浅拷贝与深拷贝 1.numpy概述 NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 安装：python...
机器学习常用数据集介绍
一起躺躺躺的博客
04-05 1457
1.2 数据获取【斯坦福21秋季：实用机器学习中文版】_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1Lf4y1n7LN/?spm_id_from=333.788 MNIST:手写数字数据集，学习常用 Imagenet：图片的数据集，从搜索引擎的图片 AudioSet：youtube上面的声音切片的数据集，可以分类 Kinetics：youtube上面的视频的切片，每个切片都有一些人的行为 KITTI：无人驾驶的数据集，摄像头、激光雷达各种传感器得到的
最常用的Python库--机器学习和数据科学必备神器
chenxy_bwave的专栏
01-20 3810
机器学习和数据科学领域有无数多优秀的工具和资源可供使用，令人眼花缭乱，有时会让我们很难弄清楚该学习什么技能，该使用哪种工具。本文对机器学习和数据科学领域最常用的Python开源库做一个罗列和极简介绍（当然仅限于我所知道、用过且喜欢的），仅作抛砖引玉之用。另外，此列表会不断增长。
数据库中包的使用
weixin_30323961的博客
10-20 273
create or replace package pg_test is --包：公开的：开放包体的程序名的定义，提供给外部访问 procedure pr_test; function fn_test2(tablename in varchar2) return number; end pg_test; create or replace packa...
机器学习基础阶段Matplotlib、Numpy、Pandas（科学计算库)安装及使用.zip
最新发布
05-19
Matplotlib、Numpy 和 Pandas 是 Python 中非常流行的三个库，常用于数据分析和可视化。下面是它们各自的基本介绍和功能： 1. Numpy Numpy 是 Python 的一个核心库，用于处理大型多维数组和矩阵，以及进行高级数学...
Python3.6机器学习使用的Matplotlib、pandas和基础包
05-26
在这个"Python3.6机器学习使用的Matplotlib、pandas和基础包"中，我们将深入探讨这些库的功能、用法及其在机器学习中的应用。 首先，Matplotlib是Python中最常用的数据可视化库，它提供了丰富的图形绘制功能，包括...
《Python大战机器学习-数据科学家的第一个小目标》代码.rar
05-12
《Python大战机器学习-数据科学家的第一个小目标》是一本旨在引导初学者进入数据科学领域的书籍，特别关注Python编程语言在机器学习中的应用。通过这本书，读者可以了解到如何使用Python进行数据预处理、模型构建和...
toolkit:我的机器学习和数据科学工具包
05-24
在机器学习和数据科学领域，拥有一个高效且实用的工具包是至关重要的。"toolkit:我的机器学习和数据科学工具包"是一个汇集了作者在各种项目中积累的Python代码片段的资源库，旨在帮助开发者更便捷地进行数据处理、...
Python机器学习：数据科学，机器学习和人工智能的主要发展技术趋势概述
图像算法Imalg的博客
03-05 4431
1.介绍 Python因易于学习而广为人知，并且它仍然是数据科学，机器学习和科学计算中使用最广泛的语言。根据最近的一项民意的调查，该调查对1,800多名研究人员分析，数据科学和机器学习偏好的参与者进行了调查，Python在2019保持其依然使用最广泛的编程语言。 然而，Python编译器和解释器使用最广泛的实现CPython在单个线程中执行CPU绑定代码，并且其多处理程序包...
中输入learn_慕课|Python调用scikit-learn实现机器学习(一）
weixin_35850669的博客
12-19 131
一、机器学习介绍及其原理1.什么是人工智能？机器对人的思维信息过程的模拟，让它能相认一样思考。a.输入 b.处理 c.输出根据输入信息进行模型建构、权重更新，实现最终优化。特点：信息处理、自我学习，优化升级2.人工智能核心方法机器学习：使用算法来解析数据，从中学习，然后对真实世界中的事件做出决策和预测。如：垃圾邮件检测、房价预测。深度学习：模仿人类神经网络，建立模型，进行数据分析。如：人...
机器学习数据科学包——Matplotlib
qq_43635468的博客
04-01 930
目录数据准备创建array对象 matplotlib是基于Python语言的开源项目，旨在为Python提供一个数据绘图包。用户在熟悉了核心对象之后，可以轻易的定制图像。 import 数据准备 Numpy是Python的开源的数值计算扩展，可用来存储和处理大型矩阵，比Python自身数据结构要高效。 import numpy as np 创建array对象 1、从python的基础数据对象转化...
Python用于数据科学三大顶级模块，你应该都知道
Python追梦
09-04 1651
Python有许多吸引力，如效率，代码可读性和速度，使其成为数据科学爱好者的首选编程语言。Python通常是希望升级其应用程序功能的数据科学家和机器学习专家的首选。 由于其广泛的用途，Python拥有大量的库，使数据科学家可以更轻松地完成复杂的任务，而无需很多编写代码的麻烦。以下是数据科学的前3个Python库。 1. NumPy NumPy(Numerical Python的缩写)是配备有用资...
机器学习——python之matplotlib的使用——①
qq_43060870的博客
09-15 325
1.安装matplotlib 库 pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple// 2.折线图 2.1折线图的绘制 from matplotlib import pyplot as plt # x轴的位置 x = range(1, 8) # y轴的位置 y = [17, 17, 18, 15, 11, 11, 13] # 传入x和y, 通过plot画折线图 plt.plot(x, y) # 显示 plt.
Python机器学习包安装（numpy，scipy，matplotlib、sklearn）
May_mei_127的博客
08-28 1870
Python机器学习包安装（numpy，scipy，matplotlib、sklearn）欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文...
多元统计分析
weixin_51304016的博客
05-08 1151
# -*- coding: utf-8 -*- """ Created on Fri Apr 29 19:42:55 2022 @author: 25526 """ #多元线性回归 #1.导入模块 #住房房价预测 import random from pandas.plotting import scatter_matrix import pandas as pd import matplotlib.pyplot as plt from sklearn.model_selection import tr
【python】Matplotlib作图常用marker类型、线型和颜色
巫_月的博客
02-26 4万+
python作图中常常会考虑用什么颜色、marker、线型，这个资料查了又查，所以自己总结在这个地方，以便常用。 一、常用marker表示 1.普通marker 这类普通marker直接marker ='^'就可以用了 2.高级marker 这类高级marker使用marker ='$\circledR$'来调用 可以显示的形状 marker名称 ϖ \varpi ϱ \varrho ς \varsigma ϑ \vartheta ξ \xi ζ \zeta Δ \Delta Γ \
Python模块 matplotlib功能与使用方法大全
热门推荐
Hibiki's Ending
12-07 4万+
目录 一.简介 二.文档 三.食用方法 1.基础折线图绘制 2.xxxx 3.yyyy 一. 简介 二.文档 三.食用方法
掌握Python基础包实现数据分析、挖掘与机器学习
资源摘要信息:"Python用于数据分析、数据挖掘、机器学习的基础包练习.zip" 在这个压缩包中，很可能包含了一系列用Python编写的数据分析、数据挖掘和机器学习的练习文件。根据文件标题和标签，我们可以推断这些文件...
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