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
Python学习之Matplotlib
weixin_45724273的博客
05-15 307
python中Matplotlib包具有强大的图像绘制功能。同时，Matplotlib包支持MATLAB风格接口的复杂绘图函数 利用pyplot进行绘图 在利用pyplot进行绘图之前应先导入Matplotlib和Numpy以及pyplot，使用语句如下： import matplotlib import numpy as np import matplotlib.pyplot as plt 1利用plot绘制线形图 由于前面已经将导入的matplotlib.pyplot指定名称为plt，即matplotl
听慕课做Python 机器学习笔记（三）：matplotlib基础
weixin_44011439的博客
02-14 315
一、plot 1、导出库 导出matplotlib库，取别名，产生一个数组以及2个以该数组为自变量的因变量函数数组 import matplotlib as mpl import matplotlib.pyplot as plt import numpy as np x = np.linspace(0,10,100) y = np.sin(x) cosy = np.cos(x) siny = y....
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
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 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...
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...
机器学习任务中怎么选择模型？
最新发布
weixin_39915444的博客
07-25 271
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：
机器学习笔记 第二章模型估计与选择
qq_53034510的博客
07-22 836
为此，需使用一个“测试集”来测试学习器对新样本的判别能力，然后以测试集上的“测试误差”作为泛化误差的近似。当学习器把训练样本学得“太好”了的时候，很可能已经把训练样本自身的一些特点当作了所有潜在样本都会具有的一般性质，这样会导致泛化性能下降，这种现象在机器学习中称为“过拟合”。答案是否定的，因为测试性能不等于泛化性能，测试性能随着测试集的变化而变化，很多机器学习算法本身有一定的随机性。显然，泛化误差越小越好，但是，我们事先并不知道新样本，实际能做的是努力使经验误差最小化。泛化误差：在“未来”样本上的误差。
【机器学习】机器学习解决的问题特点、机器学习学的是什么、怎么学、如何构建高效机器学习模型的策略、机器学习的分类以及机器学习、模式识别、数据挖掘和人工智能的区别
m0_49243785的博客
07-22 986
机器学习学什么、怎么写、高效构建机器学习模型的策略以及机器学习的分类
机器学习笔记 第一章绪论
qq_53034510的博客
07-22 762
归纳偏好的作用在图1.3这个回归学习图示中可能更直观.这里的每个训 练样本是因中的一个点 (x，y)， 要学得一个与训练集一致的模型，相当于找到一 条穿过所有训练样本点的曲线.显然，对有限个样本点组成的训练集，存在着 很多条曲线与其一致.我们的学习算法必须有某种偏好，才能产出它认为"正确"的模型。从数据中学的模型的过程称为“学习”或“训练”，这个过程通过执行某个学习算法来完成，训练过程中使用的数据称为“训练数据”，其中每个样本称为一个“训练样本”，训练样本组成的集合称为“训练集”。表示第i个样例，其中。
机器学习中的数据分析
MAMA6681的博客
07-19 876
明确你希望通过数据分析解决的问题。这可能涉及到商业目标、研究假设或具体的信息需求。
昇思25天学习打卡营第14天|Vision Transformer图像分类
Xavier_F的博客
07-21 662
本案例详细介绍了ViT模型在ImageNet数据集上的训练、验证和推理过程，重点讲解了模型的核心结构和关键概念，如Multi-Head Attention、Transformer Encoder和位置编码等。通过学习此案例，用户将掌握ViT的基本原理以及其在图像分类任务中的应用潜力，为深入研究计算机视觉领域提供了坚实基础。!
9. 机器学习汇总（数据、模型、流程、心血管疾病预测）
MechMaster
07-23 477
机器学习汇总（数据、模型、流程）
【Rust光年纪】数据科学与机器学习：深入了解Rust语言中的6个关键库
记录我的学习历程
07-22 1176
本文将重点介绍六个在Rust语言中具有重要作用的库和框架，分别是ndarray、linfa、tangram、juicer、leaf和rustlearn。这些工具提供了丰富的功能和灵活的API，为开发者们在数据处理、机器学习和自然语言处理等领域提供了便利。通过本文的阅读，读者将能够了解到这些工具的核心功能、使用场景、安装与配置方法以及API概览，帮助他们在Rust语言中进行相关领域的开发工作。
AI学习指南机器学习篇-SOM在数据聚类和可视化中的应用
俞兆鹏的博客
07-22 1028
Self-Organizing Map（简称SOM）是一种无监督学习和非线性降维技术，由芬兰赫尔辛基理工大学教授Teuvo Kohonen于1982年提出。它基于人脑的皮层神经网络结构，通过对高维数据的降维和聚类，将数据映射到二维或三维空间中，并保持数据之间的拓扑结构。SOM可以有效地发现数据之间的潜在关系，帮助我们理解和分析复杂的数据集。SOM的核心思想是对数据空间进行分割，其中每个区域由一个神经元（或节点）代表。神经元通过调整自身的权重向量来学习数据分布，使得与其相邻的神经元具有相似的权重向量。
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