python中subplot的用法_[小白系列][可视化基础]多个子图(Axes), 使用 subplot() 快速绘制...

subplot使用

subplot:

matplotlib下, 一个 Figure 对象可以包含多个子图(Axes), 可以使用 subplot() 快速绘制

subplot(numRows, numCols, plotNum)

图表的整个绘图区域被分成 :

numRows 行和 numCols 列

plotNum 参数指定创建的 Axes 对象所在的区域

然后按照从左到右,从上到下的顺序对每个子区域进行编号,左上的子区域的编号为1

如果 numRows, numCols 和 plotNum 这三个数都小于 10 的话, 可以把它们缩写为一个整数, 例如 subplot(323) 和 subplot(3,2,3) 是相同的.

subplot在 plotNum 指定的区域中创建一个轴对象. 如果新创建的轴和之前创建的轴重叠的话,之前的轴将被删除.

情形一:规则划分

import matplotlib.pyplot as plt

plt.figure(figsize=(6,6), dpi=80)

plt.figure(1)

ax1 = plt.subplot(221)

plt.plot([1,2,3,4],[4,5,7,8], color="r",linestyle = "--")

ax2 = plt.subplot(222)

plt.plot([1,2,3,5],[2,3,5,7],color="y",linestyle = "-")

ax3 = plt.subplot(223)

plt.plot([1,2,3,4],[11,22,33,44],color="g",linestyle = "-.")

ax4 = plt.subplot(224)

plt.plot([1,2,3,4],[11,22,33,44],color="b",linestyle = ":")

其中:

plt.figure(figsize=(6,6), dpi=80) figsize表示画板的大小,dpi为图形的分辨率

plt.plot(x,y)plot函数内可以传入两个数据,一个表示横轴一个表示y轴

ax1 = plt.subplot(221) 221表示将画板分成两行两列,取第一个区域,即左上 角区域-plt.figure(1)表示取第一块画板,一个画板即一张图,如果有多个画板,运行完就会打开多张图(多个窗口)

color为线的颜色

linestyle为线的形状

65d162b085a55ac17f80311d71fe5499.png

情形二:不规则划分

import matplotlib.pyplot as plt

plt.figure(figsize=(6,6), dpi=80)

plt.figure(1)

ax1 = plt.subplot(221)

plt.plot([1,2,3,4],[4,5,7,8], color="r",linestyle = "--")

ax2 = plt.subplot(222)

plt.plot([1,2,3,5],[2,3,5,7],color="y",linestyle = "-")

ax3 = plt.subplot(212)

plt.plot([1,2,3,4],[11,22,33,44],color="g",linestyle = "-.")

第三幅图的坐标写成212即可,即把画板重新分成两行一列,取第二个

bc6d5d13b8962d51d80be4e03ef1505a.png

import matplotlib.pyplot as plt

plt.figure(figsize=(6,6), dpi=80)

plt.figure(1)

ax1 = plt.subplot(221)

plt.plot([1,2,3,4],[4,5,7,8], color="r",linestyle = "--")

ax2 = plt.subplot(223)

plt.plot([1,2,3,5],[2,3,5,7],color="y",linestyle = "-")

ax3 = plt.subplot(122)

plt.plot([1,2,3,4],[11,22,33,44],color="g",linestyle = "-.")

第三幅图的坐标写成122即可,即把画板重新分成一行两列,取第二个

a44538b8004e13d622f3ba0e5e8f2b33.png

  • 9
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 可以使用Python的matplotlib包进行可视化。以下是一个多元线性回归并在三维空间进行可视化的示例代码: ```python import numpy as np from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt # 生成随机数据 np.random.seed(42) x1 = np.random.rand(50) * 10 x2 = np.random.rand(50) * 5 y = 2 * x1 + 3 * x2 + 5 + np.random.randn(50) # 构建设计矩阵 X = np.column_stack((x1, x2, np.ones(len(x1)))) # 计算最小二乘估计 beta_hat = np.linalg.inv(X.T.dot(X)).dot(X.T).dot(y) # 计算模型预测值 y_pred = X.dot(beta_hat) # 三维可视化 fig = plt.figure() ax = fig.add_subplot(111, projection='3d') ax.scatter(x1, x2, y, c='r', marker='o') ax.scatter(x1, x2, y_pred, c='b', marker='^') ax.set_xlabel('X1') ax.set_ylabel('X2') ax.set_zlabel('Y') plt.show() ``` 其,np.random.rand()函数用于生成指定形状的随机数,np.column_stack()函数用于将数组按列堆叠,np.linalg.inv()函数用于计算矩阵的逆,X.T.dot(X)和X.T.dot(y)用于计算最小二乘估计的系数,X.dot(beta_hat)用于计算模型的预测值。在三维可视化,ax.scatter()函数用于绘制散点图,c参数用于指定颜色,marker参数用于指定标记类型,ax.set_xlabel()、ax.set_ylabel()和ax.set_zlabel()函数用于设置坐标轴标签。 ### 回答2: Python有多种库可以进行线性回归的可视化和多元线性回归的三维可视化。 对于线性回归的可视化,可以使用matplotlib库进行绘图。首先,我们需要导入需要的库和数据集,使用sklearn库的datasets模块可以方便地获取一些经典的数据集,如波士顿房价数据集。 ```python import matplotlib.pyplot as plt from sklearn import datasets # 导入数据集 boston = datasets.load_boston() X = boston.data[:, 5:6] # 只选取数据集的一个特征,这里选择房屋平均房间数 y = boston.target # 绘制散点图 plt.scatter(X, y) plt.xlabel("Average number of rooms per dwelling") plt.ylabel("House price") plt.show() ``` 对于多元线性回归的三维可视化,可以使用mpl_toolkits库的mplot3d模块,并结合matplotlib库进行绘图。同样,我们可以使用sklearn库的datasets模块获取数据集。 ```python import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D from sklearn import datasets # 导入数据集 boston = datasets.load_boston() X = boston.data[:, 5:7] # 选取数据集的两个特征,这里选择房屋平均房间数和房屋年龄 y = boston.target # 绘制三维散点图 fig = plt.figure() ax = Axes3D(fig) ax.scatter(X[:, 0], X[:, 1], y) ax.set_xlabel("Average number of rooms per dwelling") ax.set_ylabel("House age") ax.set_zlabel("House price") plt.show() ``` 通过以上的代码,我们可以实现线性回归的可视化和多元线性回归的三维可视化。这些可视化可以帮助我们更直观地理解数据集特征和目标变量之间的关系,为模型的分析和进一步改进提供参考。 ### 回答3: Python线性回归可视化是指使用Python编程语言的相关库(如matplotlib)将线性回归模型的结果进行可视化展示。线性回归是一种用于建立输入特征与输出变量之间线性关系的模型,可用于预测或分析变量之间的关系。 在Python,可以使用scikit-learn等机器学习库来实现线性回归模型的训练和预测。一旦模型训练完成并得到了相关的系数和截距,就可以使用matplotlib库绘制拟合曲线或直线来可视化模型的结果。 对于简单的线性回归(只包含一个输入特征),可视化可以通过绘制输入特征与输出变量的散点图和拟合曲线来展示模型的拟合情况。通过比较散点图的实际数据点与拟合曲线,可以直观地了解模型的拟合程度。 当涉及到多元线性回归(包含多个输入特征)时,可以通过绘制不同输入特征与输出变量之间的散点图来观察它们之间的关系。可以使用散点图矩阵来同时展示多个输入特征与输出变量的关系。 如果想要对多元线性回归进行三维可视化,可以利用matplotlib的3D绘图功能。可以绘制输入特征与输出变量之间的散点图,并使用平面或曲面来表示模型的拟合结果。这样可以更清晰地观察多元线性回归的拟合效果,并更好地理解输入特征与输出变量之间的关系。 总之,Python线性回归可视化以及多元线性回归三维可视化提供了一种直观的方式来呈现模型的结果,帮助我们更好地理解和分析线性回归模型。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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