导读
本系列将持续更新50个matplotlib
可视化示例,主要参考Selva Prabhakaran
在MachineLearning Plus
上发布的博文:Python可视化50图。
定义
关联图是查看两个事物之间关系的图像,它能够展示出一个事物随着另一个事物是如何变化的。关联图的类型有:折线图,散点图,相关矩阵等。
![关联图](https://i-blog.csdnimg.cn/blog_migrate/3c13f3fc5721838ac7a05040d0df6e9d.png)
散点图
![散点图](https://i-blog.csdnimg.cn/blog_migrate/f365deada070635b1f596f2e4ea1379c.png)
测试
-
导入需要使用的库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
-
plt.scatter
#绘制超简单的散点图:变量x1与x2的关系
#定义数据
x1 = np.random.randn(10) #取随机数
x2 = x1 + x1**2 - 10
#确定画布 - 当只有一个图的时候,不是必须存在
plt.figure(figsize=(8,4))
#绘图
plt.scatter(x1,x2 #横坐标,纵坐标
,s=50 #数据点的尺寸大小
,c="red" #数据点的颜色
,label = "Red Points"
)
#装饰图形
plt.legend() #显示图例
plt.show() #让图形显示
![result](https://i-blog.csdnimg.cn/blog_migrate/0784918e13e7232b2dde2da4766ffb6f.png)
-
例子
# 除了两列X之外,还有标签y的存在
# 在机器学习中,经常使用标签y作为颜色来观察两种类别的分布的需求
X = np.random.randn(10,2) # 10行,2列的数据集
y = np.array([0,0,1,1,0,1,0,1,0,0])
colors = ["red","black"] # 确立颜色列表
labels = ["Zero","One"] # 确立标签的类别列表
for i in range(X.shape[1]):
plt.scatter(X[y==i,0],
X[y==i,1],
c=colors[i],
label = labels[i])
# 在标签中存在几种类别,就需要循环几次,一次画一个颜色的点
plt.legend()
plt.show()
![result](https://i-blog.csdnimg.cn/blog_migrate/9b3d9b7781834589e19a2081f58cd2cb.png)
实战
数据
# 导入数据
midwest = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv")
# 探索数据
midwest.shape
midwest.head()
midwest.columns
标签
midwest['category']
![category](https://i-blog.csdnimg.cn/blog_migrate/07a33b17f8ef74fc8c85e681b44a9c5d.png)
# 提取标签中的类别
categories = np.unique(midwest['category']) # 去掉所有重复的项
categories # 查看使用的标签,如下图
![categories](https://i-blog.csdnimg.cn/blog_migrate/e1f7dc20fdfc76f3f7d198ecc23c31cd.png)
颜色
-
plt.cm.tab10()
用于创建颜色的十号光谱,在 matplotlib
中,有众多光谱供我们选择:https://matplotlib.org/stable/tutorials/colors/colormaps.html 。可以在plt.cm.tab10()
中输入任意浮点数,来提取出一种颜色。光谱tab10中总共只有十种颜色,如果输入的浮点数比较接近,会返回类似的颜色。这种颜色会以元祖的形式返回,表示为四个浮点数组成的RGBA色彩空间或者三个浮点数组成的RGB色彩空间中的随机色彩。
color1 = plt.cm.tab10(5.2)
color1 # 四个浮点数组成的一个颜色
![color1](https://i-blog.csdnimg.cn/blog_migrate/4887be6a55c8863aa194dcecb95f4ca2.png)
绘图
# 预设图像的各种属性
large = 22; med = 16; small = 12
params = {'axes.titlesize': large, # 子图上的标题字体大小
'legend.fontsize': med, # 图例的字体大小
'figure.figsize': (16, 10), # 图像的画布大小
'axes.labelsize': med, # 标签的字体大小
'xtick.labelsize': med, # x轴上的标尺的字体大小
'ytick.labelsize': med, # y轴上的标尺的字体大小
'figure.titlesize': large} # 整个画布的标题字体大小
plt.rcParams.update(params) # 设定各种各样的默认属性
plt.style.use('seaborn-whitegrid') # 设定整体风格
sns.set_style("white") # 设定整体背景风格
# 准备标签列表和颜色列表
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]
# 建立画布
plt.figure(figsize=(16, 10) # 绘图尺寸
, dpi=100 # 图像分辨率
, facecolor='w' # 图像的背景颜色,设置为白色,默认也是白色
, edgecolor='k' # 图像的边框颜色,设置为黑色,默认也是黑色
)
# 循环绘图
for i, category in enumerate(categories):
plt.scatter('area', 'poptotal',
data=midwest.loc[midwest.category==category, :],
s=20, c=np.array(colors[i]).reshape(1,-1), label=str(category))
# 对图像进行装饰
# plt.gca() 获取当前的子图,如果当前没有任何子图的话,就创建一个新的子图
plt.gca().set(xlim=(0, 0.12), ylim=(0, 80000)) # 控制横纵坐标的范围
plt.xticks(fontsize=12) # 坐标轴上的标尺的字的大小
plt.yticks(fontsize=12)
plt.ylabel('Population',fontsize=22) # 坐标轴上的标题和字体大小
plt.xlabel('Area',fontsize=22)
plt.title("Scatterplot of Midwest Area vs Population", fontsize=22) # 整个图像的标题和字体的大小
plt.legend(fontsize=12) # 图例的字体大小
plt.show()
![result](https://i-blog.csdnimg.cn/blog_migrate/d0a3b263ad796a21f63e4f7e3c0b143a.png)
欢迎Star -> 学习目录 <- 点击跳转
国内链接 -> 学习目录 <- 点击跳转
本文由 mdnice 多平台发布