Python记6（Marplotlib数据可视化2---几个数据集的可视化

已于 2022-03-07 00:46:48 修改
阅读量2.7k 收藏 34
点赞数 1
分类专栏： Python 图像处理 文章标签： python 开发语言
于 2022-03-06 17:53:46 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/qq_42888201/article/details/123311442
版权

目录

1、Keras

keras：是一个高层的神经网络和深度学习库（其实就是提供大量的数据，弥补测试时数据不足），其中集成的数据集：

序号名称说明
1boston_housing波士顿房价数据集
2CIFAR1010种类别的图片集
3CIFAR100100种类别的图片集
4MNIST手写数字图片集
5Fashion-MNIST10种时尚类别的图片集
6IMDB电影点评数据集
7reuters特殊路透社新闻数据集

2、波士顿房价数据集：

2.1、数据集简述

  • boston_housing.npz包含506条数据，每条数据包含14个变量（如下表），14个变量中前13个是“房屋属性”最后一个是“房价”。
序号变量名说明示例
1CRIM城镇人均犯罪率0.00632
2ZN超过25000平方英尺的住宅用地所占比例18.0
3INDUS城镇非零售业的商业用地所占比例2.31
4CHAS是否被 Charles河流穿过（取值1：是；取值0：否）0
5NOX一氧化氮浓度0.538
6RM每栋住宅的平均房间数6.575
7AGE早于1940年建成的自住房屋比例65.2
8DIS到波士顿5个中心区域的加权平均距离4.0900
9RAD到达高速公路的便利指数1
10TAX每10000美元的全值财产税率296
11PTRATIO城镇中师生比例15.3
12B反映城镇中的黑人比例的指标，越靠近0.63越小；B=1000*(BK-0.63)平方，其中BK是黑人的比例396.90
13LSTAT低收入人口的比例7.68
14MEDV自住房屋房价的平均房价（单位为1000美元）24

2.2、加载数据： .load_data(test_split=0.2)

默认加载数据中20%为测试集

import tensorflow as tf
boston_housing=tf.keras.datasets.boston_housing  #tf.keras.datasets是前缀，boston_housing数据集名称
(train_x,train_y),(test_x,test_y)=boston_housing.load_data()

注意：第一次运行load_data()时，由于本地没有数据会自动从网络获取数据，但是国内访问可能有问题，所以会因为长时间而报错：

请添加图片描述
此时，可以百度，自行下载相关数据集（https://github.com/yuxiwang66/boston_housing），再将文件boston_housing.npz放到路径C:\Users\你自己的用户名文件夹.keras\datasets中（我的是C:\Users\ZHUIAO.keras\datasets），再运行data_load()即可。

  • 波士顿房价数据集：划分为训练集和测试集，而每个集又包括“房屋属性”和“房价”，所以上述用(train_x,train_y)接收训练数据集、(test_x,test_y)接收测试数据集：
>>>print("Training set:{} Testing set:{}" .format(len(train_x),len(test_x)))
Training set:404 Testing set:102   #默认训练集有404条数据，测试集有102条
  • 设置所有数据为训练集，则测试集为0： .load_data(test_split=0)
>>>(train_x,train_y),(test_x,test_y)=boston_housing.load_data(test_split=0)
>>>print("Training set:{} Testing set:{}" .format(len(train_x),len(test_x)))
Training set:506 Testing set:0
>>>type(train_x)
numpy.ndarray   #train_x是数组类型，train_y也是
>>>print("Shape : train_x is {},train_y is {}" .format(train_x.shape,train_y.shape))
Shape : train_x is (506, 13),train_y is (506,) #train_x是506*13的二维数组，train_y是长度为506的 一维数组
  • 平均房间数与房价之间的关系：
import matplotlib.pyplot as plt           #导入绘图库
import tensorflow as tf                   #导入TensorFlow库
boston_housing=tf.keras.datasets.boston_housing  #加载数据集
(train_x,train_y),(test_x,test_y)=boston_housing.load_data(test_split=0)

plt.figure(figsize=(5,5))          #绘图尺寸
plt.scatter(train_x[:,5], train_y) #散点图描点

plt.xlabel("RM")                  #坐标轴
plt.ylabel("Price($1000's")
plt.title("Rm-Price")             #标题
plt.show()                        #显示

2.3、效果图：

请添加图片描述

2.4、代码：

import matplotlib.pyplot as plt           #导入绘图库
import tensorflow as tf                   #导入TensorFlow库

boston_housing=tf.keras.datasets.boston_housing  #加载数据集
(train_x,train_y),(_,_)=boston_housing.load_data(test_split=0)  #Python允许变量名为"_"

plt.rcParams['font.sans-serif']='SimHei'
plt.rcParams['axes.unicode_minus']=False

titles=["CRIM","ZN","INDUS","CHAS","NOX","RM","AGE",         #子图标题数组
        "DIS","RAD","TAX","PTRATIO","B-1000","LSTAT","MEDV"]

plt.figure(figsize=(12,12))                      #绘图尺寸

for i in range(13):                              #i=0,1,2,...12
    plt.subplot(4, 4,(i+1))
    plt.scatter(train_x[:,i], train_y)           #散点图描点
    plt.title(str(i+1)+"."+titles[i]+" - Price",loc='center') #标题
    plt.xlabel(titles[i],loc='center')                        #坐标轴标题
    plt.ylabel("Price($1000's")

plt.tight_layout(pad=3.5,rect=[0,0, 1,0.95])                 #自动调整子图位置
plt.suptitle("各个属性与房价的关系", x=0.5,y=1,fontsize=20)

plt.show()

请添加图片描述

3、鸢尾花数据集

3.1、数据集简述：

该数据集包含3种鸢尾花类别，每个类别有50个样品（即，总共3*50=150个样品），每个样品包含鸢尾花的4种属性：

花萼（Sepal）的长度、宽度
花瓣（Petal）的长度、宽度

和1个标签:

山鸢尾Setosa、变色鸢尾Versicolor、维吉尼亚鸢尾Virginica

3.2、鸢尾花数据集的加载与访问

3.2.1、get_file()函数下载数据集： tf.keras.utils.get_file(fname,origin,cache_dir)

参数:（执行时先检查本地是否有fname，若有直接返回地址，否者根据

origin地址下载，然后再返回地址） fname:下载后的文件名； origin:文件的URL地址； cache
dir:下载后文件的存储位置。 默认下载地址：C\Users\当前用户名.keras\datasets
返回值:下载后的文件在本地磁盘中的绝对路径

TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv"
train_path=tf.keras.utils.get_file("iris_training.csv",TRAIN_URL)

说明：由于下载网址很多时候下不来，建议自行百度下载好文件iris.csv，再放入文件夹。（链接：https://pan.baidu.com/s/1ymEwiAW_guvUA6MgzPXkYw 提取码：hxu3，注意的是这里下载的“iris.csv”文件是训练集和测试集一起的，所以命名是iris.csv而不是iris_training.csv，下面统统改用iris.csv即可）

  • 也可以用sklearn库里面的数据
from sklearn.datasets import load_iris #sklearn的鸢尾花
iris=load_iris()  #type(iris)=sklearn.utils.Bunch
#iris：
{'data': array([[5.1, 3.5, 1.4, 0.2],  #各种属性值
                [4.9, 3. , 1.4, 0.2],
                ...]),
'target': array([0, 0, 0,...]),     #对应的标签值
'target_names': array(['setosa', 'versicolor',...#target标签对应的意义
...   #还有很多属性

3.2.2、csv文件

  • .csv文件是字符分隔文件，以纯文本形式存储表格数据，可以用记事本或Excel表格打开，Excel打开：
Sepal.LengthSepal.WidthPetal.LengthPetal.WidthSpecies
15.13.51.40.2setosa
24.931.40.2setosa
34.73.21.30.2setosa
44.63.11.50.2setosa
553.61.40.2setosa

3.2.3、split()函数：

  • 通过指定的分隔符对字符串进行切片，返回一个列表
>>>TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv"
>>>TRAIN_URL.split('/')
['http:', '', 'download.tensorflow.org', 'data', 'iris_training.csv']
  • 可以使用负索引值从下载地址中获取文件名称：
>>>fname_list=TRAIN_URL.split('/')
>>>fname_list[-1]
'iris_training.csv'

简写为：

>>>TRAIN_URL.split('/')[-1]
'iris_training.csv'
  • 所以自动获取文件名，只需要改变TRAIN_URL的地址就可获得文件名：
train_path=tf.keras.utils.get_file(TRAIN_URL.split('/')[-1],TRAIN_URL)
#train_path='C:\\Users\\ZHUIAO\\.keras\\datasets\\iris.csv'

3.2.4、Pandas库：Panel Data&Data Analysis （Anaconda自带的，用于读取.csv数据集文件）

3.5.4.1、导入：
import pandas as pd
3.5.4.2、读取csv数据集： pd.read_csv(filepath_or_buffer,header,names)

3个参数的用法：

  • filepath_or_buffer：文件名，可以是绝对或相对路径：
>>>pd.read_csv("C:/Users/ZHUIAO/.keras/datasets/iris.csv")
     Unnamed: 0  Sepal.Length  ...  Petal.Width    Species
0             1           5.1  ...          0.2     setosa
1             2           4.9  ...          0.2     setosa
2             3           4.7  ...          0.2     setosa
3             4           4.6  ...          0.2     setosa
4             5           5.0  ...          0.2     setosa
..          ...           ...  ...          ...        ...
145         146           6.7  ...          2.3  virginica
146         147           6.3  ...          1.9  virginica
147         148           6.5  ...          2.0  virginica
148         149           6.2  ...          2.3  virginica
149         150           5.9  ...          1.8  virginica

[150 rows x 6 columns]

返回值是一个150行*6列的表格，它的类型是二维数据表：

>>>type(df_iris)
pandas.core.frame.DataFrame   #这是pandas中一种常用的数据类型
  • header指定数据中哪一行作为表格的列标题（默认header=0，第1行数据作为列标题。如果没有列标题，header设置为None即可）
  • name：由于有时候第一行并不是完全是列标题，所以可以用name来自定义列标题名字：
TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv"
train_path=tf.keras.utils.get_file("iris.csv",TRAIN_URL)
COLUMN_NAMES=['SepalLength','SepalWidth','PetalLength','PatalWidth','Species']
df_iris=pd.read_csv(train_path,names=COLUMN_NAMES,header=0)
#header=0：指定第一列为列标题，然后使用数组COLUMN_NAMES命名列名
#输出：
     SepalLength  SepalWidth  PetalLength  PatalWidth    Species
1            5.1         3.5          1.4         0.2     setosa
2            4.9         3.0          1.4         0.2     setosa
3            4.7         3.2          1.3         0.2     setosa
4            4.6         3.1          1.5         0.2     setosa
5            5.0         3.6          1.4         0.2     setosa
..           ...         ...          ...         ...        ...
146          6.7         3.0          5.2         2.3  virginica
147          6.3         2.5          5.0         1.9  virginica
148          6.5         3.0          5.2         2.0  virginica
149          6.2         3.4          5.4         2.3  virginica
150          5.9         3.0          5.1         1.8  virginica

[150 rows x 5 columns]

3.2.5、访问数据：

head(n=5) 读取前n行数据，默认值为5
tail(n=5) 读取后n行数据，默认值为5 使用索引和切片
df_iris[10:12] 读取行号为10-11的数据，行号以0开始

>>>df_iris.head(2)  #读取前2行数据，
   SepalLength  SepalWidth  PetalLength  PatalWidth Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
>>>df_iris.tail(1) 
     SepalLength  SepalWidth  PetalLength  PatalWidth    Species
150          5.9         3.0          5.1         1.8  virginica
>>>df_iris[10:12]
    SepalLength  SepalWidth  PetalLength  PatalWidth Species
11          5.4         3.7          1.5         0.2  setosa
12          4.8         3.4          1.6         0.2  setosa

3.2.6、显示二维数据的统计信息： describe()

>>>df_iris.describe() 
#依次：总数、均值、标准差、最小值、1/4分倍数、1/2分倍数、3/4分倍数、最大值
       SepalLength  SepalWidth  PetalLength  PatalWidth
count   150.000000  150.000000   150.000000  150.000000
mean      5.843333    3.057333     3.758000    1.199333
std       0.828066    0.435866     1.765298    0.762238
min       4.300000    2.000000     1.000000    0.100000
25%       5.100000    2.800000     1.600000    0.300000
50%       5.800000    3.000000     4.350000    1.300000
75%       6.400000    3.300000     5.100000    1.800000
max       7.900000    4.400000     6.900000    2.500000

3.2.7、DataFrame常用属性

属性描述
ndim数据表的维数
shape数据表的形状
size数据表元素的总个数

如下：

>>>print("ndim:{} shape:{} size:{}" .format(df_iris.ndim,df_iris.shape,df_iris.size))
ndim:2 shape:(150, 5) size:750  #df_iris是2维，150行*5列，750个元素

3.2.8、转化为NumPy数组：

>>>iris=np.array(df_iris)  
>>>type(iris)
numpy.ndarray   #而df_iris是pandas.core.frame.DataFrame
#或者使用iris=df_iris.values或iris=df_iris.as_matrix()

3.3、可视化

3.3.1、色彩映射：plt.scatter(x,y,c,cmap)

3.3.1.1、camp
  • cmap即colormap，如果需要在一个散点图绘制多种不同颜色的点时，设置c为一个颜色的列表/数组取值为0,1,2，…，cmap中每个字母与c的0,1,2，…一一对应：
  • 也可以用cm_pt=mpl.colors.ListedColormap([“blue”,“red”]) #自定义颜色集合（蓝色，红色），参见机器学习笔记5（有道云笔记）
颜色缩略字符颜色缩略字符
bluebblackk
greengwhitew
redrcyanc
yellowymegentam
x=np.arange(10)
y=np.arange(10)

dot_color=[0,0,1,1,2,2,0,1,2,2]  #10个数据，取值范围为0,1,2 

plt.scatter(x,y,c=dot_color,cmap='brg')#0：蓝色b 1：红色r 2：绿色g
plt.show()

请添加图片描述

3.3.2、鸢尾花数据集应用，将鸢尾花种类索引为4的列作为scatter的c参数：

import matplotlib.pyplot as plt           #导入绘图库
import tensorflow as tf                   #导入TensorFlow库
import pandas as pd
import numpy as np

#TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv" #由于路径不可达而弃用
train_path=tf.keras.utils.get_file("iris.csv", origin=None)   #获取文件的绝对路径
COLUMN_NAMES=['SepalLength','SepalWidth','PetalLength','PatalWidth','Species'] #列标题
df_iris=pd.read_csv(train_path,names=COLUMN_NAMES,header=0) #读取csv文件并修改列标题

iris=np.array(df_iris)  #将二维数据表类型转化为二维数组类型
colornum=np.zeros(np.shape(iris)[0])
dic_ir={'setosa':0,'versicolor':1,'virginica':2}
for i in range(np.shape(iris)[0]):
    colornum[i]=dic_ir.get(iris[i,4],-1)

plt.scatter(iris[:,2],iris[:,3],c=colornum,cmap='brg')#x花瓣长度，y花瓣宽度，c花瓣种类区分颜色
plt.title("Anderson's IrisData Set\n(Blue->Setosa|Red->Versicolor | Green->Virginica")
plt.xlabel(COLUMN_NAMES[2])
plt.ylabel(COLUMN_NAMES[3])
plt.show()

请添加图片描述

3.3.3、属性标签（花萼/花瓣 长/宽）

  • 花萼（Sepal）的长度、宽度、花瓣（Petal）的长度、宽度共4种属性，组合有4*4=16种，其中主对角线4辐图像仅仅显示属性名称而不显示图像：

3.3.4、绘制一行四个子图代码：

import matplotlib.pyplot as plt           #导入绘图库
import tensorflow as tf                   #导入TensorFlow库
import pandas as pd
import numpy as np

#TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv" #由于路径不可达而弃用
train_path=tf.keras.utils.get_file("iris.csv", origin=None)   #获取文件的绝对路径
COLUMN_NAMES=['SepalLength','SepalWidth','PetalLength','PatalWidth','Species'] #列标题
df_iris=pd.read_csv(train_path,names=COLUMN_NAMES,header=0) #读取csv文件并修改列标题

iris=np.array(df_iris)                         #将二维数据表类型转化为二维数组类型
ir_color=np.zeros(np.shape(iris)[0])           #ir_color是为下面scatter函数的参数c赋值
dic_ir={'setosa':0,'versicolor':1,'virginica':2}
for i in range(np.shape(iris)[0]):
    ir_color[i]=dic_ir.get(iris[i,4],-1)

fig=plt.figure('Iris Data',figsize=(15,3))   #设置画布尺寸
fig.suptitle("Anderson's IrisData Set\n(Blue->Setosa|Red->Versicolor | Green->Virginica")

for i in range(4):                          #i=0,1,2,3对应4个子图
    plt.subplot(1,4,i+1)
    if(i==0):                  #两个坐标轴属性相同时，不画散点图，只显示属性
        plt.text(0.3,0.5,COLUMN_NAMES[0],fontsize=15)
    else:
        plt.scatter(iris[:,i],iris[:,0],c=ir_color,cmap='brg')
    
    plt.title(COLUMN_NAMES[i])         #子图标题
    plt.ylabel(COLUMN_NAMES[0])        #子图y坐标标签
    
plt.tight_layout(rect=[0,0,1,0.9])     #自动调整子图
plt.show()

请添加图片描述

3.3.5、完整代码

import matplotlib.pyplot as plt           #导入绘图库
import tensorflow as tf                   #导入TensorFlow库
import pandas as pd
import numpy as np

#TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv" #由于路径不可达而弃用
train_path=tf.keras.utils.get_file("iris.csv", origin=None)   #获取文件的绝对路径
COLUMN_NAMES=['SepalLength','SepalWidth','PetalLength','PatalWidth','Species'] #列标题
df_iris=pd.read_csv(train_path,names=COLUMN_NAMES,header=0) #读取csv文件并修改列标题

iris=np.array(df_iris)                         #将二维数据表类型转化为二维数组类型
ir_color=np.zeros(np.shape(iris)[0])           #ir_color是为下面scatter函数的参数c赋值
dic_ir={'setosa':0,'versicolor':1,'virginica':2}
for i in range(np.shape(iris)[0]):
    ir_color[i]=dic_ir.get(iris[i,4],-1)

fig=plt.figure('Iris Data',figsize=(12,6))   #设置画布尺寸
fig.suptitle("Anderson's IrisData Set\n(Blue->Setosa|Red->Versicolor | Green->Virginica")

for i in range(4):                          #i=0,1,2,3对应第i行子图
    for j in range(4):                       #j=0,1,2,3对应第j列子图
        plt.subplot(4,4,4*i+j+1)
        if(i==j):                  #对角线4个图，两个坐标轴属性相同，不画散点图，只显示属性
            plt.text(0.3,0.5,COLUMN_NAMES[i],fontsize=15)
        else:
            plt.scatter(iris[:,j],iris[:,i],c=ir_color,cmap='brg')
    
        plt.title(COLUMN_NAMES[j])         #子图标题
        plt.ylabel(COLUMN_NAMES[i])        #子图y坐标标签
    
plt.tight_layout(rect=[0,0,1,0.98])     #自动调整子图
plt.show()

请添加图片描述

4、MNIST数据集

4.1、下载数据集mnist.npz：

import tensorflow as tf
mnist=tf.keras.datasets.mnist
(train_x,train_y),(test_x,test_y)=mnist.load_data()

注意：第一次本地没有数据集，会自动从网络下载，显示

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz...........

下载缓慢，所以一般先下载好数据集，一般放在”C:\Users\用户名.keras\datasets\“，再运行上面语句，
MNIST数据集下载地址：https://pan.baidu.com/share/init?surl=27CSAC9Ng6wFYdUI0WXIww 提取码：2gsh

4.2、数据集

  • 60 000条训练数据+10 000条测试数据，每个数据是2828像素灰度图像，存储在2828的二维数组
print("Training set:{},Testingset:{},\nTrain_x.shape:{},train_y.shape{},\ntrain_x.dtype={},train_y.dtype={}" .format(len(train_x),len(test_x),train_x.shape,train_y.shape,train_x.dtype,train_y.dtype))
Training set:60000,Testingset:10000,
Train_x.shape:(60000, 28, 28),train_y.shape(60000,),
train_x.dtype=uint8,train_y.dtype=uint8

显示图片：
import tensorflow as tf
import matplotlib.pyplot as plt
mnist=tf.keras.datasets.mnist
(train_x,train_y),(test_x,test_y)=mnist.load_data()

plt.axis("off")
plt.imshow(train_x[0],cmap="gray")
plt.show()
print(train_y[0])
5  #输出

请添加图片描述

追求源于热爱！
关注
  • 1
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python数据分析与可视化------NumPy第三方库
杨总的博客
03-31 3097
数据的维度 维度: 一组数据的组织形式 一维数据 由对等关系的有序或无序数据构成,采用线性方式组织 列表和集合类型 列表和数组 数组 数据类型相同 列表 数据类型可以不同 一组数据的有序结构 二维数据 由多个一维数据构成,是一维数据的组合形式 列表类型 表格 多维数据 由一维数据或多维数据在新维度的扩展 列表类型 高维数据 仅用最基本的二元关系展示数...
基于python的旅游数据可视化平台-爬虫
11-12
基于python的数据可视化
Matplotlib基础03：波士顿房价数据集可视化
01-20
Matplotlib基础03：利用已学知识绘制boston房价的影响因素表 波士顿房价数据集介绍 散点图描绘这些因素对房价的影响 1.我们先下载数据集 boston = tf.keras.datasets.boston_housing #加载数据，分训练集与测试集 (train_x,train_y),(test_x,test_y) = boston.load_data(test_split=0) #我们让测试数据为0，这里的test_split是划分数据集中测试集的比例的 print(len(train_x)) print(len(test_x)) 会出现下载 2.访问数据集中的元素
利用常见的数据分析库对数据集可视化分析和聚类分析方法
jojosansy的博客
03-03 1936
cs231n作业knn的学习报告
可视化点云.npz文件
最新发布
bettle_king的博客
05-26 228
笔记
机器学习04-数据理解之数据可视化-(基于Pima数据集)
小海聊智造
08-02 2094
数据可视化是指通过图表、图形、地图等视觉元素将数据呈现出来的过程。它是将抽象的、复杂的数据转化为直观、易于理解的视觉表达的一种方法。数据可视化的目的是帮助人们更好地理解数据，从中发现模式、趋势、关联和异常，从而作出更明智的决策。数据可视化在各个领域都有广泛的应用，包括商业、科学、工程、医疗、社会科学等。通过可视化数据，我们可以更好地探索数据之间的关系，展示数据的变化趋势，发现数据的异常值，并从中得出洞察和结论。常见的数据可视化形式包括：折线图和曲线图：用于显示随时间或其他连续变量的趋势和变化。
波士顿房价数据集进行数据预处理和模型训练（Python）
心态的博客
12-28 1万+
根据数据预处理的过程和步骤，对波士顿房价数据集进行数据预处理和模型训练（需要将数据集切分为训练集和测试集）在进行模型训练时进行数据按列归一化、特征规约/特征抽取等数据预处理操作，训练出高分模型后在测试集上进行测试，在测试集上验证准确度。这几天没有更新就是在做这个数据预处理的大作业和其他的大作业。现在总算是做完了，发上来大家一起研究讨论讨论，有什么不足的地方还请评论出来，我们一起学习~
python读取查看npz/npy文件数据及数据完全显示方法
热门推荐
zeeq的博客
12-23 5万+
npz和npy文件都可以直接使用numpy读写。 import numpy as np ac = np.load('Alcatraz Courtyard.npz') ac.files 要查看其中某一项的数据： M = ac['M'] M 显示的值带省略号，要完全显示，执行： np.set_printoptions(threshold=np.inf) M 输出有很多很多： 查看M的形状大小： M.shape 将numpy输出样式修改回去（默认为6）： np.set_printoptions(th
一次下载所有Keras数据集
Hansel的专栏
04-21 3050
使用下面的代码可以一次下载所有Keras的dataset。 也可以直接下载我已经下好的解压到%UserProfile%\.keras\目录下，也就是C:\Users\<user>\.keras\ 数据集比较大，分成4部分，方便下载。 Keras数据集-fashion-mnist： https://download.csdn.net/download/hansel/11133067...
基于Python的产品销售数据可视化系统的设计与实现-爬虫
11-12
基于python的数据可视化
Python-机器学习数据集的可视化
08-10
在机器学习领域，数据可视化是至关重要的一个环节。它能够帮助我们理解数据的特性，发现潜在的模式，以及检查模型的预测结果是否合理。Python作为数据科学中的主流语言，提供了丰富的库来支持数据可视化，例如...
波士顿房价数据集(boston_housing.npz)
04-27
本节将要预测 20 世纪 70 年代中期波士顿郊区房屋价格的中位数，已知当时郊区的一些数据点，比如犯罪率、当地房产税率等。 本节用到的数据集与前面两个例子有一个有趣的区别。它包含的数据点相对较少，只有 506 个，分为 404 个训练样本和 102 个测试样本。输入数据的每个特征（比如犯罪率）都有不同的取值范围。例如，有些特性是比例，取值范围为 01；有的取值范围为 112；还有的取值范围为 0~100，等等。
可视化：可视化数据集
03-04
可视化 试图可视化数据集
深度学习keras例程中常用的数据集
11-22
深度学习keras中的例程里常用的数据集mnist.npz, boston_housing.npz, reuters.npz下载，解压后放在.keras/dataset中即可跑通很多keras的example
keras学习数据集boston_housing.npz
03-10
波士顿房屋价格回归数据集。该数据集取自卡内基梅隆大学维护的StatLib库。20世纪70年代后期，样本在波士顿郊区的不同位置包含13个房屋属性。
【python数据分析】-python可视化-散点图
11-10
python数据分析与可视化 # 导入matplotlib.pyplot，并使用"plt"作为该模块的简写 import matplotlib.pyplot as plt # 导入pandas，并使用"pd"作为该模块的简写 import pandas as pd # 读取路径为 "/Users/书店图书...
【python数据分析】-python可视化-柱状图
11-08
python数据分析与可视化 # 导入matplotlib.pyplot，并使用"plt"作为该模块的简写 import matplotlib.pyplot as plt # 导入pandas，并使用"pd"作为该模块的简写 import pandas as pd # 读取路径为 "/Users/yequ/书店...
Python数据可视化实战——iris数据集可视化
weixin_39506322的博客
10-07 2万+
首先，这个Python数据可视化实战是在Iris数据集上完成的。所使用的是Python 3环境下的jupyter notebook。 实战中我们需要用到的库包括：pandas , matplotlib , seaborn. %matplotlib notebook #在jupyter notebook使用交互式绘图 # 首先，我们导入pandas, 一个可用于数据处理和CSV文件输出...
[Python]Numpy读取npz文件并且使用matplotlib绘制散点图和折线图
DicoY的博客
12-23 1万+
分析1996- -2015年人口数据特征间的关系以及各个特征的分布与分散状况需求说明训练要点具体实现打开npz文件完整代码最终结果 需求说明 人口数据总共拥有6个特征，分别为年末总人口、男性人口、女性人口、城镇人口、乡村人口和年份。在看各个特征随着时间推移发生的变化情况可以分析出未来男女人口比例、城乡人口变化的方向。通过绘制各年份男女人口数目及城乡人口数目的柱状图，男女人口比例及城乡人口比例的饼图...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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