机器学习基础（八）Python知识串讲---Matplotlib

已于 2023-09-14 16:16:58 修改
阅读量76 收藏
点赞数
分类专栏： 机器学习基础 文章标签： 机器学习 python matplotlib
于 2023-09-13 19:41:08 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/screaming_zz/article/details/132858756
版权

机器学习基础知识笔记

目录

  • 绘图是数据分析工作中最重要的任务之一，将各种数据以图形的方式表现出来更加直观。Matplotlib模块是Python数据分析、数据探索中数据可视化的重要模块。可以生成点线图plot、柱状图bar、饼状图pie、散点图scatter、直方图hist等等各种数据图表。
  • 可以参考Matplotlib的官网进行各种图形的绘制：官网链接

1. 绘制点线图

import matplotlib.pyplot as plt
import numpy as np
# 绘制点线图
x = np.arange(0, 2*np.pi + 0.01, 0.01)
print(x)
y = np.sin(x)
plt.plot(x, y)
plt.show()

在这里插入图片描述

  • 改变线的形状和颜色，会有不同的图效果：
import matplotlib.pyplot as plt
import numpy as np
# 绘制点线图
x = np.arange(0, 2*np.pi + 0.01, 0.01)
print(x)
y = np.sin(x)
plt.plot(x, y, 'b--')
plt.show()

在这里插入图片描述

2. 柱状图

  • 绘制一个简单柱状图：
import matplotlib.pyplot as plt
import numpy as np

x = [1, 2, 3, 4, 5, 6]
y = [500, 200, 100, 800, 700, 200]

plt.bar(x, y)
plt.grid(linestyle="--")  # 网格线，代表虚线
plt.show()

在这里插入图片描述

  • 需要添加两行文字，来可以正常显示中文和负号。
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
  • 为了能够为x轴和y轴以及图示命名，需要引入画布，具体的代码如下：
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = [1, 2, 3, 4, 5, 6]
y = [500, 200, 100, 800, 700, 200]

ax = plt.subplot()
ax.set_title("月度销售额（万元")
ax.set_xlabel("月份")
ax.set_ylabel("万元")

plt.bar(x, y)
plt.grid(linestyle="--")  # 网格线，代表虚线
plt.show()

在这里插入图片描述

  • 设置x的刻度和label
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = [1, 2, 3, 4, 5, 6]
y = [500, 200, 100, 800, 700, 200]
# 使用推导式
xlabel = ["{0}月".format(t) for t in x]

ax = plt.subplot()
ax.set_title("月度销售额（万元")
ax.set_xlabel("月份")
ax.set_ylabel("万元")

ax.set_xticks(x)  # 设置刻度值
ax.set_xticklabels(xlabel)  # 设置x轴的刻度值

plt.bar(x, y)
plt.grid(linestyle="--")  # 网格线，代表虚线
plt.show()

在这里插入图片描述

  • 可以通过函数bar.color()改变每个柱子的颜色，具体实现代码如下：
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = [1, 2, 3, 4, 5, 6]
y = [500, 200, 100, 800, 700, 200]
# 使用推导式
xlabel = ["{0}月".format(t) for t in x]

ax = plt.subplot()
ax.set_title("月度销售额（万元")
ax.set_xlabel("月份")
ax.set_ylabel("万元")

ax.set_xticks(x)  # 设置刻度值
ax.set_xticklabels(xlabel)  # 设置x轴的刻度值

# 设置柱子的颜色RGB ： #FFFFFF
bars = plt.bar(x, y)
colors = ["#FF0000", "#00FF00", "#0000FF", "#001122", "#ee00ee", "#221100"]
for bar, color in zip(bars, colors):
    bar.set_color(color)
    pass

plt.grid(linestyle="--")  # 网格线，代表虚线
plt.show()

在这里插入图片描述

  • 可以使用plt.text()函数在图片上添加文字。其内部参数为text(x横坐标，y纵坐标，显示数据，水平对齐，垂直对齐)
  • 在每个柱子上也可以添加文字，代码如下：
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = [1, 2, 3, 4, 5, 6]
y = [500, 200, 100, 800, 700, 200]
# 使用推导式
xlabel = ["{0}月".format(t) for t in x]

ax = plt.subplot()
ax.set_title("月度销售额（万元")
ax.set_xlabel("月份")
ax.set_ylabel("万元")

ax.set_xticks(x)  # 设置刻度值
ax.set_xticklabels(xlabel)  # 设置x轴的刻度值

# 设置柱子的颜色RGB ： #FFFFFF
bars = plt.bar(x, y)
colors = ["#FF0000", "#00FF00", "#0000FF", "#001122", "#ee00ee", "#221100"]
for bar, color in zip(bars, colors):
    bar.set_color(color)
    pass

for x1, y1, in zip(x, y):
    plt.text(x1, y1, "%d万元" % (y1), ha = "center", va="bottom")
    pass

plt.grid(linestyle="--")  # 网格线，代表虚线
plt.show()

在这里插入图片描述

  • 还可以在这个图上继续显示折线图：
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = [1, 2, 3, 4, 5, 6]
y = [500, 200, 100, 800, 700, 200]
# 使用推导式
xlabel = ["{0}月".format(t) for t in x]

ax = plt.subplot()
ax.set_title("月度销售额（万元")
ax.set_xlabel("月份")
ax.set_ylabel("万元")

ax.set_xticks(x)  # 设置刻度值
ax.set_xticklabels(xlabel)  # 设置x轴的刻度值

# 设置柱子的颜色RGB ： #FFFFFF
bars = plt.bar(x, y)
colors = ["#FF0000", "#00FF00", "#0000FF", "#001122", "#ee00ee", "#221100"]
for bar, color in zip(bars, colors):
    bar.set_color(color)
    pass

for x1, y1, in zip(x, y):
    plt.text(x1, y1, "%d万元" % (y1), ha = "center", va="bottom")
    pass

plt.plot(x, y)
plt.grid(linestyle="--")  # 网格线，代表虚线
plt.show()

在这里插入图片描述

  • 还可以在图上继续画出点：
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = [1, 2, 3, 4, 5, 6]
y = [500, 200, 100, 800, 700, 200]
# 使用推导式
xlabel = ["{0}月".format(t) for t in x]

ax = plt.subplot()
ax.set_title("月度销售额（万元")
ax.set_xlabel("月份")
ax.set_ylabel("万元")

ax.set_xticks(x)  # 设置刻度值
ax.set_xticklabels(xlabel)  # 设置x轴的刻度值

# 设置柱子的颜色RGB ： #FFFFFF
bars = plt.bar(x, y)
colors = ["#FF0000", "#00FF00", "#0000FF", "#001122", "#ee00ee", "#221100"]
for bar, color in zip(bars, colors):
    bar.set_color(color)
    pass

for x1, y1, in zip(x, y):
    plt.text(x1, y1, "%d万元" % (y1), ha = "center", va="bottom")
    pass

plt.plot(x, y, 'b--')
plt.scatter(x, y)
plt.grid(linestyle="--")  # 网格线，代表虚线
plt.show()

在这里插入图片描述

3.绘制饼状图

  • explod参数的意思是，使一个块区凸出出来。
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

jobType = ['Java', '大数据', '人工智能']
jobs = [50000, 10000, 15000]

plt.pie(jobs, explode=[0.1, 0, 0], labels=jobType, colors=['#FFFF00', '#00FF00', '#0000FF'])
plt.show()

在这里插入图片描述

  • 还可以通过自行编写label来重新显示饼状图：
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

jobType = ['Java', '大数据', '人工智能']
jobs =np.array([50000, 10000, 15000])
labels = ["%s:%.2f%%" % (j, t) for t, j in zip(jobs/np.sum(jobs) * 100, jobType)]

plt.pie(jobs, explode=[0.1, 0, 0], labels=labels, colors=['#FFFF00', '#00FF00', '#0000FF'])
plt.title("全国职位数量对比饼状图")
plt.show()

在这里插入图片描述

4. 绘制散点图

import matplotlib.pyplot as plt
import  numpy as np

# 绘制散点图
x = np.random.randint(0, 100, size = (100,))
y = np.random.randint(0, 100, size = (100,))

# alpha是透明度, marker是点的形状
plt.scatter(x, y,  c = "#FF0000", alpha = 0.5, marker = 'o')
plt.show()

在这里插入图片描述

5. 绘制子图

  • 使用add_subplot函数，完成子图绘制：
import matplotlib.pyplot as plt

# 绘制子图
figure = plt.figure()

ax = figure.add_subplot(2, 2, 1)

ax.plot([1, 2, 3, 4, 5],[100, 200, 300, 50, 100])

plt.show()

在这里插入图片描述
这里的（2, 2, 1）指将画布分为两行两列，而1意为（1,1）位置的子图。继续增加子图，可以得到如下的效果：

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 绘制子图
figure = plt.figure()

ax1 = figure.add_subplot(2, 2, 1)
ax2 = figure.add_subplot(2, 2, 2)
ax3 = figure.add_subplot(2, 1, 2)

# ===================ax1绘制饼状图========================
jobType = ['Java', '大数据', '人工智能']
jobs =np.array([50000, 10000, 15000])
labels = ["%s:%.2f%%" % (j, t) for t, j in zip(jobs/np.sum(jobs) * 100, jobType)]

ax1.pie(jobs, explode=[0.1, 0, 0], labels=labels, colors=['#FFFF00', '#00FF00', '#0000FF'])
ax1.set_title("全国职位数量对比饼状图", loc='center')

# ====================ax2绘制散点图========================
# 绘制散点图
x = np.random.randint(0, 100, size = (100,))
y = np.random.randint(0, 100, size = (100,))

# alpha是透明度, marker是点的形状
ax2.scatter(x, y,  c="#FF0000", alpha=0.5, marker='o')

# =====================ax3绘制柱状图========================
x = [1, 2, 3, 4, 5, 6]
y = [500, 200, 100, 800, 700, 200]
# 使用推导式
xlabel = ["{0}月".format(t) for t in x]

ax3.set_title("月度销售额（万元", loc='left')
ax3.set_xlabel("月份")
ax3.set_ylabel("万元")

ax3.set_xticks(x)  # 设置刻度值
ax3.set_xticklabels(xlabel)  # 设置x轴的刻度值

# 设置柱子的颜色RGB ： #FFFFFF
bars = ax3.bar(x, y)
colors = ["#FF0000", "#00FF00", "#0000FF", "#001122", "#ee00ee", "#221100"]
for bar, color in zip(bars, colors):
    bar.set_color(color)
    pass

for x1, y1, in zip(x, y):
    plt.text(x1, y1, "%d万元" % (y1), ha = "center", va="bottom")
    pass

ax3.plot(x, y, 'b--')
ax3.scatter(x, y)
ax3.grid(linestyle="--")  # 网格线，代表虚线

plt.show()

在这里插入图片描述

screaming_zz
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
二）PyTorch入门基础串讲（二）
Engineering_的博客
04-10 218
这里的Q虽然是n×n的，但是当把Q的特征值从大到小排列会发现里边有些数是非常小的，这些维度的能量小，很可能是造成，这些特征就可以。matplotlib里，用户绘图可以通过plt这个对象来绘图，在visdom中，同样需要一个绘图对象，我们通过。使用序列的方法完成对网络的定义，串联起来或者采用字典的结构，类似sklearn中的pipline。完成对模型的保存和加载，比如网络要迭代10万次，我们要每1万次保存参数，用以上的方法。dropout在训练和推理时的参数是不一样的，因此训练和推理时要指定不同的参数。
python matplotlib-3.0.0.tar.gz
03-02
这个`matplotlib-3.0.0.tar.gz`文件包含的是matplotlib库的3.0.0版本源代码，适用于那些希望深入了解其内部工作原理或者想要自定义扩展功能的开发者。 matplotlib是一个用于创建静态、动态和交互式可视化的Python库...
机器学习基础（七）Python知识串讲---科学计算核心
screaming_zz的博客
09-06 77
机器学习基础知识笔记。
python机器学习与深度学习在气象领域中的实践技术应用
weixin_xiao5kou4chang6kai4的博客
06-23 1378
GFS数值模式的风速预报订正、台风预报数据智能订正、机器学习预测风电场的风功率、深度学习预测浅水方程模式、LSTM方法预测ENSO、深度学习convLSTM
基于Python机器学习、深度学习技术提升气象、海洋、水文领域实践应用能力
zkzhzy的博客
04-23 1137
人工智能和大数据技术在许多行业都取得了颠覆式的成果，气象和海洋领域拥有海量的模式和观测数据，是大数据和人工智能应用的天然场景。Python也是当前进行机器学习和深度学习应用的最热门语言。对于的气象海洋领域的专业人员，Python是进行机器学习和深度学习工作的首选。
python机器学习与深度学习在气象领域中的应用
zhkjjww的博客
06-29 1048
Python是功能强大、免费、开源，实现面向对象的编程语言，在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面具备优异的性能，这些优势使得Python在气象、海洋、地理、气候、水文和生态等地学领域的科研和工程项目中得到广泛应用。可以预见未来Python将成为的主流编程语言之一。人工智能和大数据技术在许多行业都取得了颠覆式的成果，气象和海洋领域拥有海量的模式和观测数据，是大数据和人工智能应用的天然场景。Python也是当前进行机器学习和深度学习应用的最热门语言。...
数字图像处理与Python实现笔记之基础知识
热门推荐
紫芝的博客
07-25 1万+
数字图像处理与Python实现笔记之基础知识摘要绪论1 数字图像处理基础知识1.1 数字图像简介1.1.1 数字图像处理的目的1.1.2 数字图像处理的应用1.1.3 数字图像处理的特点1.1.4 常见的数字图像处理方法1.2 图像采集和量化1.2.1 图像采样1.2.2 图像量化1.3 图像的表示和可视化1.3.1 图像的表示1.3.2 图像的格式1.3.3 图像的基本属性1.3.4 图像可视化模块1.4 像素间的关系1.5 简单图像处理1.5.1 图像基本属性的操作1.5.2 图像的简单运算1.5.3
Python气象数据分析：风速预报订正、台风预报数据智能订正、机器学习预测风电场的风功率、浅水模型、预测ENSO等
weixin_46747075的博客
04-29 1304
掌握Python实操基础和机器学习与深度学习的理论基础，并进一步实战学习机器学习和深度学习在气象领域的具体案例。采用 “理论讲解+动手实操+案例实战”相结合的方式，深入浅出讲解Python在气象领域的人工智能应用。不仅能够掌握Python编程技巧和机器学习和深度学习的相关经验，更能够将所学在专业领域进一步应用。
基于PyTorch机器学习与深度学习实践应用与案例分析
zhkjjww的博客
03-08 931
熟悉可穿戴设备硬件系统的开发，具备心电、肌电、血压、血氧饱和度、惯性传感器等 生理信号采集系统的开发经验。因此，为了帮助广大科研人员更加系统地学习深度学习的基础理论知识及对应的Pytorch代码实现方法，Ai尚研修特举办“基于PyTorch机器学习与深度学习实践应用与案例分析培训班”，旨在帮助学员掌握深度学习的基础知识，与经典机器学习算法的区别与联系，以及最新的迁移学习、循环神经网络、长短时记忆神经网络、时间卷积网络、对抗生成网络、Yolo目标检测算法、自编码器等算法的原理及其Pytorch编程实现方法。
PyTorch机器学习与深度学习
cyd20161117的博客
03-20 415
帮助广大科研人员更加系统地学习深度学习的基础理论知识及对应的Pytorch代码实现方法，掌握深度学习的基础知识，与经典机器学习算法的区别与联系，以及最新的迁移学习、循环神经网络、长短时记忆神经网络、时间卷积网络、对抗生成网络、Yolo目标检测算法、自编码器等算法的原理及其Pytorch编程实现方法。6、值得研究的若干问题（隐含层神经元个数、学习率、初始权值和阈值等如何设置？4、张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（element wise）、除法、幂、开方、指数与对数、近似、裁剪）
Python-master_机器学习；AndrewNg_Python-master_
09-30
Python是当今世界上最受欢迎的编程语言之一，特别是在数据科学、机器学习和人工智能领域。"Python-master_机器学习；AndrewNg_Python-master"这个标题暗示了这是一个关于Python编程的学习资源，特别是针对机器学习...
Python机器学习基础（二）-数据可视化
10-31
数据可视化
matplotlib-3.3.4.tar.gz
01-15
本资源提供的"matplotlib-3.3.4.tar.gz"是matplotlib库的一个稳定版本，版本号为3.3.4，适用于Python开发环境，特别是对于进行深度学习和数据分析的用户来说，这是一个不可或缺的工具。 matplotlib的设计理念是模仿...
机器学习实战--Python基础篇视频教学
06-10
《机器学习实战--Python基础篇视频教学》课程旨在为学员提供深入浅出的Python语言教程，特别是针对在机器学习和人工智能领域中应用的基础知识。Python作为数据科学和机器学习的首选语言，其简洁的语法和丰富的库使得...
人工智能与机器学习原理精解【7】
“数学如同音乐或诗一样显然地确实具有美学价值。” —— 雅可比
07-25 612
数学优化（Mathematical Optimization），也称为最优化问题，是一个广泛应用的数学领域，旨在解决在一定约束条件下寻找目标函数的最优值（最大值或最小值）的问题。数学优化问题的定义为：给定一个目标函数（也称为代价函数）fA→R，寻找一个变量（也称为参数）x∗∈D，使得对于所有D中的x，都有fx∗≤fx（最小化问题）或fx∗≥fx（最大化问题）。其中，D是变量x的约束集，也称为可行域；D中的变量被称为可行解。
机器学习任务中怎么选择模型？
weixin_39915444的博客
07-25 250
选择适合的机器学习模型是一个复杂且关键的过程，需要考虑以下几个方面：以下是选择模型的一般步骤：明确任务类型：探索数据：模型选择：模型评估：模型解释：
机器学习驱动的智能化电池管理技术与应用
最新发布
YHJX57的博客
07-25 777
3.3 两种电池电(化学)-热耦合模型的区别及应用场景。(1) 基于融合模型和融合算法的SOC估计方法。5.2.3 典型工况电池空冷模型构建及仿真演示。5.3.2 锂离子电池-冷却液流动耦合模型构建。5.3.3 典型工况电池液冷模型构建及仿真演示。3.2 电池集总参数模型及其与电池热模型耦合。5.2.2 锂离子电池-空气流动耦合模型构建。实例讲解-基于模型误差谱的SOH估计方法。基于转移注意力机制的电池剩余寿命预测方法。2.2 COMSOL中电池P2D模型构建。3.1 P2D电化学模型与电池热模型耦合。
人工智能与机器学习原理精解【8】
“数学如同音乐或诗一样显然地确实具有美学价值。” —— 雅可比
07-25 587
函数系是指由一组函数构成的集合，这些函数之间可能具有某种特定的关系或性质。在数学中，函数系的概念广泛应用于多个领域，如数学分析、泛函分析、逼近论等。函数系中的函数可以是同一类型的，也可以是不同类型的，关键在于它们之间的某种联系或共性。测度（Measure）是一个数学术语，在数学和物理学等多个领域都有广泛应用。数学上，测度是一个函数，它对一个给定集合的某些子集指定一个数，这个数可以比作大小、体积、概率等等。简单来说，测度就是用来量化集合或其子集的一种数学工具。
Python机器学习-OpenCV窗口操作及功能简介
Python机器学习-原理算法及案例实战微课视频版课件第章Python常用机器学习库其他库.pptx介绍了Python机器学习中常用的库，其中包括OpenCV。OpenCV是一个用于解决计算机视觉问题的Python库，它支持多种与计算机视觉和...
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