Python3入门机器学习（三）- matplotlib基础与简单应用

最新推荐文章于 2024-04-17 20:05:56 发布
最新推荐文章于 2024-04-17 20:05:56 发布
阅读量257 收藏
点赞数
文章标签： 数据库 python 人工智能
原文链接：https://juejin.im/post/5c3af4b66fb9a049ef26cfd4
版权

由于简书不支持目录结构。文章备份了一份在gitbook，结构更清晰，地址：book.markgao.me/

matplotlib基础

matplotlib 基础

import matplotlib as mpl
import matplotlib.pyplot as plt
复制代码
import numpy as np
# 对0到10分成100份
x = np.linspace(0,10,100)
复制代码
x
复制代码
array([ 0.        ,  0.1010101 ,  0.2020202 ,  0.3030303 ,  0.4040404 ,
        0.50505051,  0.60606061,  0.70707071,  0.80808081,  0.90909091,
        1.01010101,  1.11111111,  1.21212121,  1.31313131,  1.41414141,
        1.51515152,  1.61616162,  1.71717172,  1.81818182,  1.91919192,
        2.02020202,  2.12121212,  2.22222222,  2.32323232,  2.42424242,
        2.52525253,  2.62626263,  2.72727273,  2.82828283,  2.92929293,
        3.03030303,  3.13131313,  3.23232323,  3.33333333,  3.43434343,
        3.53535354,  3.63636364,  3.73737374,  3.83838384,  3.93939394,
        4.04040404,  4.14141414,  4.24242424,  4.34343434,  4.44444444,
        4.54545455,  4.64646465,  4.74747475,  4.84848485,  4.94949495,
        5.05050505,  5.15151515,  5.25252525,  5.35353535,  5.45454545,
        5.55555556,  5.65656566,  5.75757576,  5.85858586,  5.95959596,
        6.06060606,  6.16161616,  6.26262626,  6.36363636,  6.46464646,
        6.56565657,  6.66666667,  6.76767677,  6.86868687,  6.96969697,
        7.07070707,  7.17171717,  7.27272727,  7.37373737,  7.47474747,
        7.57575758,  7.67676768,  7.77777778,  7.87878788,  7.97979798,
        8.08080808,  8.18181818,  8.28282828,  8.38383838,  8.48484848,
        8.58585859,  8.68686869,  8.78787879,  8.88888889,  8.98989899,
        9.09090909,  9.19191919,  9.29292929,  9.39393939,  9.49494949,
        9.5959596 ,  9.6969697 ,  9.7979798 ,  9.8989899 , 10.        ])
复制代码
y = np.sin(x)
y
复制代码
array([ 0.        ,  0.10083842,  0.20064886,  0.2984138 ,  0.39313661,
        0.48385164,  0.56963411,  0.64960951,  0.72296256,  0.78894546,
        0.84688556,  0.8961922 ,  0.93636273,  0.96698762,  0.98775469,
        0.99845223,  0.99897117,  0.98930624,  0.96955595,  0.93992165,
        0.90070545,  0.85230712,  0.79522006,  0.73002623,  0.65739025,
        0.57805259,  0.49282204,  0.40256749,  0.30820902,  0.21070855,
        0.11106004,  0.01027934, -0.09060615, -0.19056796, -0.28858706,
       -0.38366419, -0.47483011, -0.56115544, -0.64176014, -0.7158225 ,
       -0.7825875 , -0.84137452, -0.89158426, -0.93270486, -0.96431712,
       -0.98609877, -0.99782778, -0.99938456, -0.99075324, -0.97202182,
       -0.94338126, -0.90512352, -0.85763861, -0.80141062, -0.73701276,
       -0.66510151, -0.58640998, -0.50174037, -0.41195583, -0.31797166,
       -0.22074597, -0.12126992, -0.0205576 ,  0.0803643 ,  0.18046693,
        0.27872982,  0.37415123,  0.46575841,  0.55261747,  0.63384295,
        0.7086068 ,  0.77614685,  0.83577457,  0.8868821 ,  0.92894843,
        0.96154471,  0.98433866,  0.99709789,  0.99969234,  0.99209556,
        0.97438499,  0.94674118,  0.90944594,  0.86287948,  0.8075165 ,
        0.74392141,  0.6727425 ,  0.59470541,  0.51060568,  0.42130064,
        0.32770071,  0.23076008,  0.13146699,  0.03083368, -0.07011396,
       -0.17034683, -0.26884313, -0.36459873, -0.45663749, -0.54402111])
复制代码
# 第一个参数：横左边对应的值；第二个参数：纵坐标对应的值
# 实际上是点点之间的直线图，由于比较密，所以是曲线
plt.plot(x,y)
复制代码
[<matplotlib.lines.Line2D at 0x10c3edb70>]
复制代码

cosy = np.cos(x)
cosy.shape
复制代码
(100,)
复制代码
siny = y.copy()
# 绘制两条曲线
plt.plot(x,siny)
plt.plot(x,cosy)
复制代码
[<matplotlib.lines.Line2D at 0x10bb34d30>]
复制代码

plt.plot(x,siny)
# colors修改颜色
# linestyle 线条类型
plt.plot(x,cosy,color="red",linestyle="--")
# 坐标轴的范围
plt.xlim(-5,15)
plt.ylim(0,1.5)
复制代码
(0, 1.5)
复制代码

# label：设置图示
plt.plot(x,siny,label="sin(x)")
plt.plot(x,cosy,color="red",linestyle="--",label="cos(x)")
# 同时设置x轴和y轴的范围
plt.axis([-1,11,-2,2])
# 设置坐标轴备注
plt.xlabel("x axis")
plt.ylabel("y value")
# 激活加上图示
plt.legend()
plt.title("Welcome to the ML World!")
复制代码
Text(0.5,1,'Welcome to the ML World!')
复制代码

Scatter Plot(散点图)

plt.scatter(x,siny)
复制代码
<matplotlib.collections.PathCollection at 0x115ecf2e8>
复制代码

# 从使用角度来讲，折线图X坐标是特征，纵轴是取值
# 散点图的横纵两个周是特征，颜色是取值，不同的label
plt.scatter(x,siny)
plt.scatter(x,cosy,color="red")
复制代码
<matplotlib.collections.PathCollection at 0x1162f76d8>
复制代码

# 均值0，方差1的正态分布
x = np.random.normal(0,1,10000)
y = np.random.normal(0,1,10000)
# alpha 透明度
plt.scatter(x,y,alpha=0.5)
复制代码
<matplotlib.collections.PathCollection at 0x1162d13c8>
复制代码

数据加载和简单的数据探索

import numpy as np
复制代码
import matplotlib as mpl
import matplotlib.pyplot as plt
复制代码
from sklearn import datasets
复制代码

数据的获取

# 加载数据集load_xxx
iris = datasets.load_iris()
复制代码
# 是一个字典
iris.keys()
复制代码
dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names'])
复制代码
# 数据文档
print(iris.DESCR)
复制代码
Iris Plants Database
====================

Notes
-----
Data Set Characteristics:
    :Number of Instances: 150 (50 in each of three classes)
    :Number of Attributes: 4 numeric, predictive attributes and the class
    :Attribute Information:
        - sepal length in cm
        - sepal width in cm
        - petal length in cm
        - petal width in cm
        - class:
                - Iris-Setosa
                - Iris-Versicolour
                - Iris-Virginica
    :Summary Statistics:

    ============== ==== ==== ======= ===== ====================
                    Min  Max   Mean    SD   Class Correlation
    ============== ==== ==== ======= ===== ====================
    sepal length:   4.3  7.9   5.84   0.83    0.7826
    sepal width:    2.0  4.4   3.05   0.43   -0.4194
    petal length:   1.0  6.9   3.76   1.76    0.9490  (high!)
    petal width:    0.1  2.5   1.20  0.76     0.9565  (high!)
    ============== ==== ==== ======= ===== ====================

    :Missing Attribute Values: None
    :Class Distribution: 33.3% for each of 3 classes.
    :Creator: R.A. Fisher
    :Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov)
    :Date: July, 1988

This is a copy of UCI ML iris datasets.
http://archive.ics.uci.edu/ml/datasets/Iris

The famous Iris database, first used by Sir R.A Fisher

This is perhaps the best known database to be found in the
pattern recognition literature.  Fisher's paper is a classic in the field and
is referenced frequently to this day.  (See Duda & Hart, for example.)  The
data set contains 3 classes of 50 instances each, where each class refers to a
type of iris plant.  One class is linearly separable from the other 2; the
latter are NOT linearly separable from each other.

References
----------
   - Fisher,R.A. "The use of multiple measurements in taxonomic problems"
     Annual Eugenics, 7, Part II, 179-188 (1936); also in "Contributions to
     Mathematical Statistics" (John Wiley, NY, 1950).
   - Duda,R.O., & Hart,P.E. (1973) Pattern Classification and Scene Analysis.
     (Q327.D83) John Wiley & Sons.  ISBN 0-471-22361-1.  See page 218.
   - Dasarathy, B.V. (1980) "Nosing Around the Neighborhood: A New System
     Structure and Classification Rule for Recognition in Partially Exposed
     Environments".  IEEE Transactions on Pattern Analysis and Machine
     Intelligence, Vol. PAMI-2, No. 1, 67-71.
   - Gates, G.W. (1972) "The Reduced Nearest Neighbor Rule".  IEEE Transactions
     on Information Theory, May 1972, 431-433.
   - See also: 1988 MLC Proceedings, 54-64.  Cheeseman et al"s AUTOCLASS II
     conceptual clustering system finds 3 classes in the data.
   - Many, many more ...
复制代码
# 数据集
iris.data
复制代码
array([[5.1, 3.5, 1.4, 0.2],
       [4.9, 3. , 1.4, 0.2],
       [4.7, 3.2, 1.3, 0.2],
       [4.6, 3.1, 1.5, 0.2],
       [5. , 3.6, 1.4, 0.2],
       [5.4, 3.9, 1.7, 0.4],
       [4.6, 3.4, 1.4, 0.3],
       [5. , 3.4, 1.5, 0.2],
       [4.4, 2.9, 1.4, 0.2],
       [4.9, 3.1, 1.5, 0.1],
       [5.4, 3.7, 1.5, 0.2],
       [4.8, 3.4, 1.6, 0.2],
       [4.8, 3. , 1.4, 0.1],
       [4.3, 3. , 1.1, 0.1],
       [5.8, 4. , 1.2, 0.2],
       [5.7, 4.4, 1.5, 0.4],
       [5.4, 3.9, 1.3, 0.4],
       [5.1, 3.5, 1.4, 0.3],
       [5.7, 3.8, 1.7, 0.3],
       [5.1, 3.8, 1.5, 0.3],
       [5.4, 3.4, 1.7, 0.2],
       [5.1, 3.7, 1.5, 0.4],
       [4.6, 3.6, 1. , 0.2],
       [5.1, 3.3, 1.7, 0.5],
       [4.8, 3.4, 1.9, 0.2],
       [5. , 3. , 1.6, 0.2],
       [5. , 3.4, 1.6, 0.4],
       [5.2, 3.5, 1.5, 0.2],
       [5.2, 3.4, 1.4, 0.2],
       [4.7, 3.2, 1.6, 0.2],
       [4.8, 3.1, 1.6, 0.2],
       [5.4, 3.4, 1.5, 0.4],
       [5.2, 4.1, 1.5, 0.1],
       [5.5, 4.2, 1.4, 0.2],
       [4.9, 3.1, 1.5, 0.1],
       [5. , 3.2, 1.2, 0.2],
       [5.5, 3.5, 1.3, 0.2],
       [4.9, 3.1, 1.5, 0.1],
       [4.4, 3. , 1.3, 0.2],
       [5.1, 3.4, 1.5, 0.2],
       [5. , 3.5, 1.3, 0.3],
       [4.5, 2.3, 1.3, 0.3],
       [4.4, 3.2, 1.3, 0.2],
       [5. , 3.5, 1.6, 0.6],
       [5.1, 3.8, 1.9, 0.4],
       [4.8, 3. , 1.4, 0.3],
       [5.1, 3.8, 1.6, 0.2],
       [4.6, 3.2, 1.4, 0.2],
       [5.3, 3.7, 1.5, 0.2],
       [5. , 3.3, 1.4, 0.2],
       [7. , 3.2, 4.7, 1.4],
       [6.4, 3.2, 4.5, 1.5],
       [6.9, 3.1, 4.9, 1.5],
       [5.5, 2.3, 4. , 1.3],
       [6.5, 2.8, 4.6, 1.5],
       [5.7, 2.8, 4.5, 1.3],
       [6.3, 3.3, 4.7, 1.6],
       [4.9, 2.4, 3.3, 1. ],
       [6.6, 2.9, 4.6, 1.3],
       [5.2, 2.7, 3.9, 1.4],
       [5. , 2. , 3.5, 1. ],
       [5.9, 3. , 4.2, 1.5],
       [6. , 2.2, 4. , 1. ],
       [6.1, 2.9, 4.7, 1.4],
       [5.6, 2.9, 3.6, 1.3],
       [6.7, 3.1, 4.4, 1.4],
       [5.6, 3. , 4.5, 1.5],
       [5.8, 2.7, 4.1, 1. ],
       [6.2, 2.2, 4.5, 1.5],
       [5.6, 2.5, 3.9, 1.1],
       [5.9, 3.2, 4.8, 1.8],
       [6.1, 2.8, 4. , 1.3],
       [6.3, 2.5, 4.9, 1.5],
       [6.1, 2.8, 4.7, 1.2],
       [6.4, 2.9, 4.3, 1.3],
       [6.6, 3. , 4.4, 1.4],
       [6.8, 2.8, 4.8, 1.4],
       [6.7, 3. , 5. , 1.7],
       [6. , 2.9, 4.5, 1.5],
       [5.7, 2.6, 3.5, 1. ],
       [5.5, 2.4, 3.8, 1.1],
       [5.5, 2.4, 3.7, 1. ],
       [5.8, 2.7, 3.9, 1.2],
       [6. , 2.7, 5.1, 1.6],
       [5.4, 3. , 4.5, 1.5],
       [6. , 3.4, 4.5, 1.6],
       [6.7, 3.1, 4.7, 1.5],
       [6.3, 2.3, 4.4, 1.3],
       [5.6, 3. , 4.1, 1.3],
       [5.5, 2.5, 4. , 1.3],
       [5.5, 2.6, 4.4, 1.2],
       [6.1, 3. , 4.6, 1.4],
       [5.8, 2.6, 4. , 1.2],
       [5. , 2.3, 3.3, 1. ],
       [5.6, 2.7, 4.2, 1.3],
       [5.7, 3. , 4.2, 1.2],
       [5.7, 2.9, 4.2, 1.3],
       [6.2, 2.9, 4.3, 1.3],
       [5.1, 2.5, 3. , 1.1],
       [5.7, 2.8, 4.1, 1.3],
       [6.3, 3.3, 6. , 2.5],
       [5.8, 2.7, 5.1, 1.9],
       [7.1, 3. , 5.9, 2.1],
       [6.3, 2.9, 5.6, 1.8],
       [6.5, 3. , 5.8, 2.2],
       [7.6, 3. , 6.6, 2.1],
       [4.9, 2.5, 4.5, 1.7],
       [7.3, 2.9, 6.3, 1.8],
       [6.7, 2.5, 5.8, 1.8],
       [7.2, 3.6, 6.1, 2.5],
       [6.5, 3.2, 5.1, 2. ],
       [6.4, 2.7, 5.3, 1.9],
       [6.8, 3. , 5.5, 2.1],
       [5.7, 2.5, 5. , 2. ],
       [5.8, 2.8, 5.1, 2.4],
       [6.4, 3.2, 5.3, 2.3],
       [6.5, 3. , 5.5, 1.8],
       [7.7, 3.8, 6.7, 2.2],
       [7.7, 2.6, 6.9, 2.3],
       [6. , 2.2, 5. , 1.5],
       [6.9, 3.2, 5.7, 2.3],
       [5.6, 2.8, 4.9, 2. ],
       [7.7, 2.8, 6.7, 2. ],
       [6.3, 2.7, 4.9, 1.8],
       [6.7, 3.3, 5.7, 2.1],
       [7.2, 3.2, 6. , 1.8],
       [6.2, 2.8, 4.8, 1.8],
       [6.1, 3. , 4.9, 1.8],
       [6.4, 2.8, 5.6, 2.1],
       [7.2, 3. , 5.8, 1.6],
       [7.4, 2.8, 6.1, 1.9],
       [7.9, 3.8, 6.4, 2. ],
       [6.4, 2.8, 5.6, 2.2],
       [6.3, 2.8, 5.1, 1.5],
       [6.1, 2.6, 5.6, 1.4],
       [7.7, 3. , 6.1, 2.3],
       [6.3, 3.4, 5.6, 2.4],
       [6.4, 3.1, 5.5, 1.8],
       [6. , 3. , 4.8, 1.8],
       [6.9, 3.1, 5.4, 2.1],
       [6.7, 3.1, 5.6, 2.4],
       [6.9, 3.1, 5.1, 2.3],
       [5.8, 2.7, 5.1, 1.9],
       [6.8, 3.2, 5.9, 2.3],
       [6.7, 3.3, 5.7, 2.5],
       [6.7, 3. , 5.2, 2.3],
       [6.3, 2.5, 5. , 1.9],
       [6.5, 3. , 5.2, 2. ],
       [6.2, 3.4, 5.4, 2.3],
       [5.9, 3. , 5.1, 1.8]])
复制代码
# 形状
iris.data.shape
复制代码
(150, 4)
复制代码
# 每一列的意思
iris.feature_names
复制代码
['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']
复制代码
# 每一个样本（鸢尾花）对应的类型
iris.target
复制代码
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
复制代码
iris.target.shape
复制代码
(150,)
复制代码
# 0，1，2对应的名字
iris.target_names
复制代码
array(['setosa', 'versicolor', 'virginica'], dtype='<U10')
复制代码

数据的可视化

# 所有的行，取前两列
X = iris.data[:,:2]
X
复制代码
# X[:,0]这样可以取出第0列
plt.scatter(X[:,0],X[:,1])
复制代码
<matplotlib.collections.PathCollection at 0x1a17c22748>
复制代码

# 使用不同的颜色标识不同类别的鸢尾花
y = iris.target
y
复制代码
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
复制代码
# marker 是形状
for i,colors,marker in [(0,"red","o"),(1,"blue","+"),(2,"green","x")]:
    plt.scatter(X[y==i,0],X[y==i,1],color=colors,marker=marker)
复制代码

# 使用另外两个维度
X = iris.data[:,2:]
复制代码
# marker 是形状
for i,colors,marker in [(0,"red","o"),(1,"blue","+"),(2,"green","x")]:
    plt.scatter(X[y==i,0],X[y==i,1],color=colors,marker=marker)
复制代码

weixin_34417183
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Matplotlib中文手册（1）：用户使用指南
GitChat
03-14 4932
这是从Matplotlib的英文手册中翻译过来的中文手册，由于时间仓促，浅浅词汇量有限。因此如果有哪里翻译的不好，请在评论区指出，谢谢。 用户指南中包含了五大部分： Matplotlib 的基本概念 图形组件 后端 交互模式的相关说明 性能 如果您喜欢Matplotlib，并且苦于寻找不到中文手册的话，这个系列很适合您哦。...
python数据分析工具3：matplotlib
weixin_42662126的博客
08-08 1591
3.1 Matplotlib简介及图表窗口 Matplotlib → 一个python版的matlab绘图接口，以2D为主，支持python、numpy、pandas基本数据结构，运营高效且有较丰富的图表库 import numpy as np import pandas as pd import matplotlib.pyplot as plt # 图表窗口1 → plt.show() p...
matplotlib.pyplot 基础
辰景的博客
04-07 167
jupter notebook 样式：https://tzs.lvliao.xyz/Matplotlib.html import matplotlib as mpl import matplotlib.pyplot as plt import numpy as np x = np.linspace(0,10,100) x array([ 0. , 0.1010101 , 0...
python 数据分析 Matplotlib常用图表
weixin_30488313的博客
04-18 774
Matplotlib绘图一般用于数据可视化 常用的图表有： 折线图 散点图／气泡图 条形图／柱状图 饼图 直方图 箱线图 热力图 需要学习的不只是如何绘图，更要知道什么样的数据用什么图表展示效果最好 import matplotlib.pyplot as plt 折线图 折线图用于显示随时间或有序类别的变化趋势 x = [1,2,3,4,5,6] ...
Python基础（十二） 还不会python绘图？两万字博文教你Matplotlib库（超详细总结）_python绘图不从头开始
m0_60666452的博客
04-17 642
plt.barh(x, y, align=“center”, height=0.5, alpha=0.8, color=“blue”, edgecolor=“red”) # 注意这里将bar改为barh，宽度用height设置。plt.hist(x, bins=50, density=True, color=“r”, histtype=‘step’) #不填充，只获得边缘。plt.scatter(x, np.sin(x), marker=“o”, s=30, c=“r”) # s 大小 c 颜色。
Python 3 入门机器学习 经典算法与应用.zip
02-22
总的来说，"Python 3 入门机器学习 经典算法与应用"这个资源涵盖了从基础概念到实践应用的全过程，包括了数据预处理、模型选择、训练和评估等一系列步骤。通过学习这些内容，初学者能够建立起坚实的基础，进一步深入...
人工智能实战——从Python入门到机器学习资料大全.zip
06-04
包含：Python 基础教程、10个编程技巧、Python高级编程、优化算法、实例学习Numpy与Matplotlib、实例学习pandas、机器学习、深度学习、梯度下降、实验等等等等人工智能实战——从Python入门到机器学习资料大全。...
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...
Python机器学习编程与实战教学教案05Matplotlib基础绘图.pdf
04-04
**Python机器学习编程与实战教学教案05Matplotlib基础绘图** 在Python机器学习领域，数据可视化是一项至关重要的技能，而Matplotlib库是Python中最常用的数据可视化库之一。本章节着重于讲解Matplotlib的基础绘图...
Python Scikit-learn库：机器学习入门与实践
最新发布
07-26
Scikit-learn作为一个功能强大的机器学习库，不仅提供了丰富的算法实现，还具备一系列实用的数据预处理和模型评估工具，使得开发者能够轻松地进行机器学习实验和应用开发。通过本文的学习，读者应该能够熟练掌握...
matplotlib利用scatter绘制彩色图像：NameError: name 'array' is not defined
热门推荐
chengwei0019
01-02 1万+
《Machine Learning in Action》，《机器学习实践》 在学习这本书“中文版”的时候，第二章2.2.2中利用matplotlib库函数scatter函数绘制彩色图像 >>> ax.scatter(da[:,1],da[:,2],15.0*array(lab),15.0*array(lab)) Traceback (most recent call last):
Matplotlib.collections.LineCollection结构及用法||参数详解
漫步量化
04-30 9739
LineCollection官方文档 语法结构 源代码 class matplotlib.collections.LineCollection(segments, linewidths=None, colors=None, antialiaseds=None, linestyles='solid', offsets=None, transOffset=None, norm=None, cm...
matplotlib —— subplot子图
starter_____的博客
01-29 1913
创建subplot 1、使用add_subplot( )创建 In [121]: fig=plt.figure() In [122]: ax1=fig.add_subplot(2,2,1) In [123]: ax2=fig.add_subplot(2,2,2) In [124]: ax3=fig.add_subplot(2,2,3) In [125]: fig.show() ...
Numpy学习（二）——Matplotlib基础
ds19991999的博客
07-31 4281
Matplotlib 基础 Matplotlib是一个类似Matlab的工具包，主要用来画图，主页地址为：Matplotlib # 导入 matplotlib 和 numpy： %pylab Using matplotlib backend: TkAgg Populating the interactive namespace from numpy and matplotlib ...
[翻译]使用Python一步一步地来进行数据分析
weixin_34388207的博客
04-01 228
原文链接：Step by step approach to perform data analysis using Python 译文链接：使用Python一步一步地来进行数据分析--By Michael翔 你已经决定来学习Python，但是你之前没有编程经验。因此，你常常对从哪儿着手而感到困惑，这么多Python的知识需要去学习。以下这...
Matplotlib图表窗口(1)
lance～crazy
05-14 298
import numpy as np import pandas as pd import matplotlib.pyplot as plt #相关模块 #图表窗口--显示方法 #plt.show() plt.plot(np.random.rand(10)) plt.show() x = np.random.randn(1000) y = np.random.randn(1000) plt....
机器学习——Python实现逻辑回归
Nieson2012的专栏
01-10 5647
逻辑回归是一项可用于预测二分类结果(binary outcome)的统计技术，广泛应用于金融、医学、犯罪学和其他社会科学中。逻辑回归使用简单且非常有效，你可以在许多机器学习、应用统计的书中的前几章中找到个关于逻辑回归的介绍。逻辑回归在许多统计课程中都会用到。
Matplotlib 中文手册（2）：Pyplot 教程
GitChat
03-18 2689
这是从Matplotlib的英文手册中翻译过来的中文手册，由于时间仓促，浅浅词汇量有限。因此如果有哪里翻译的不好，请在评论区指出，谢谢。 在 Pyplot 教程中包含了五大部分： Pyplot 简介以及自定义用户样式 在绘图中会用到的关键字符串以及使用分类变量绘制图像 线条属性的设置与复合图像 文字处理（比如使用数学表达式、文本注释） 对数轴与其他非线性轴 如果您喜欢Matplotlib，并且...
matplotlib绘制子图
weixin_40270911的博客
12-21 1140
第三回：布局格式定方圆 import numpy as np import pandas as pd import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号 一、子图 1. 使用 plt.subplots 绘制均匀状态下的子图 返回元素分别是画布和子图构成的列表，第一个数字
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