python可视化模块_python之可视化Matplotlib模块

本文要讲的是Matplotlib，一个强大的Python可视化库。通过模块，轻松实现曲线图、散点图、折线图、直方图、柱状图、饼图等。

一、曲线图

绘制单条曲线:

x = [1,2,3,4,5,6,7,8,9,10]

y = [10,9,8,7,6,5,4,3,2,1]

plt.plot(x,y)

注意：y,x轴的值必须为数字

绘制抛物线:

x = np.arange(-np.pi,np.pi,0.1)

y = x**2

plt.plot(x,y)

绘制正弦曲线图:

x = np.linspace(-np.pi,np.pi,100)

y = np.sin(x)

plt.plot(x,y)

包含多个曲线的图:

1、连续调用多次plot函数

plt.plot(x,y)

plt.plot(x+2,y+2)

2、也可以在一个plot函数中传入多对X,Y值，在一个图中绘制多个曲线

plt.plot(x,y,x-1,y+1)

plt.subplot(row,col,loc)

将多个曲线图绘制在一个table区域中：对象形式创建表图

a=plt.subplot(row,col,loc) 创建曲线图 rol col可以决定table的大小

a.plot(x,y) 绘制曲线图

屏幕快照 2018-11-07 下午5.44.30.png

网格线 plt.grid(XXX)

参数：

axis:轴向

color:支持十六进制颜色

linestyle: -- -. :样式

alpha：透明度

使用plt绘制：

plt.plot(x,y)

plt.grid(color='red',linestyle=':',alpha=0.5)

使用对象形式设置网格：

ax = plt.subplot(111)

ax.plot(x,y)

ax.grid(linestyle='--')

设置坐标轴界限

axis方法:设置x，y轴刻度值的范围

plt.axis([xmin,xmax,ymin,ymax])

关闭坐标轴

plt.axis('off')

设置画布比例：plt.figure(figsize=(a,b)) a:x刻度比例 b：y刻度比例 (2:1)表示x刻度显示为y刻度显示的2倍

plt的xlabel方法、ylabel方法、 title方法

参数介绍：

s 标签内容

color 标签颜色

fontsize 字体大小

rotation 旋转角度

对象方法set_xlabel/ylabel()

图例

legend方法

两种传参方法：

1.分别在plot函数中增加label参数,再调用plt.legend()方法显示

plt.plot(x,label='AAA')

plt.legend()

2.直接在legend方法中传入字符串列表

put.plot(x)

plt.plot(y)

plt.legend(['BBB','AAA'])

legend的参数

loc参数：

loc参数用于设置图例标签的位置，一般在legend函数内

matplotlib已经预定义好几种数字表示的位置

ncol参数：

ncol控制图例中有几列,在legend中设置ncol

图像保存：

使用figure对象的savefig函数来保存图片

fig = plt.figure()---必须放置在绘图操作之前

figure.savefig的参数选项：

filename：

含有文件路径的字符串或Python的文件型对象。图像格式由文件扩展名推断得出，例如，.pdf推断出PDF，.png推断出PNG (“png”、“pdf”、“svg”、“ps”、“eps”……)

dpi：

图像分辨率(每英寸点数)，默认为100

facecolor

打开保存图片查看 图像的背景色，默认为“w”(白色)

设置plot的风格和样式:

plot语句中支持除X,Y以外的参数，以字符串形式存在，来控制颜色、线型、点型等要素，语法形式为：

plt.plot(X, Y, 'format', ...)

-- 颜色

参数color或c

-- 透明度

alpha参数

-- 线型

参数linestyle或ls

-- 线宽

linewidth或lw参数

-- 点型

marker 设置点形

markersize 设置点形大小

二、直方图

plt.hist(x):

是一个特殊的柱状图，又叫做密度图。

【直方图的参数只有一个x！！！不像条形图需要传入x,y】

plt.hist()的参数

bins

直方图的柱数，可选项，默认为10

color

指定直方图的颜色。可以是单一颜色值或颜色的序列。如果指定了多个数据集合,例如DataFrame对象，颜色序列将会设置为相同的顺序。如果未指定，将会使用一个默认的线条颜色

orientation

通过设置orientation为horizontal创建水平直方图。默认值为vertical

三、条形图

plt.bar(x,y)：

plt.bar()垂直条形图

参数：第一个参数是索引。第二个参数是数据值。第三个参数是条形的宽度。

条形图有两个参数x,y

width 纵向设置条形宽度

height 横向设置条形高度

plt.barh()水平条形图

四、饼图

plt.pie(x)

饼图也只有一个数据参数x

饼图适合展示各部分占总体的比例，条形图适合比较各部分的大小

饼图阴影、分裂等属性设置

labels参数设置每一块的标签；

labeldistance参数设置标签距离圆心的距离(比例值)

autopct参数设置比例值小数保留位(%.3f%%)；

pctdistance参数设置比例值文字距离圆心的距离

explode参数设置每一块顶点距圆心的长度(比例值,列表)；

colors参数设置每一块的颜色(列表)；

shadow参数为布尔值，设置是否绘制阴影

startangle参数设置饼图起始角度

五、散点图

scatter(x,y)

散点图：因变量随自变量而变化的大致趋势

散点图需要两个参数x,y，但此时x不是表示x轴的刻度，而是每个点的横坐标！

plt.scatter(x,y,marker='d',c="rbgy") 设置不同的散点颜色

六、简单了解机器学习实现线性回归

导入sklearn，建立线性回归算法模型对象

from sklearn.linear_model import LinearRegression

linear = LinearRegression()

样本集：用于对机器学习算法模型对象进行训练。样本集通常为一个DataFrame。

特征数据：特征数据的变化会影响目标数据的变化。必须为多列。

目标数据：结果。通常为一列。

使用样本数据对模型进行训练

linear.fit(near_citys_dist.reshape(-1,1),near_citys_max_temp)

对模型进行精准度的评分

linear.score(near_citys_dist.reshape(-1,1),near_citys_max_temp)

使用模型进行预测

x = np.array([65,44,12,99]).reshape(-1,1)

linear.predict(x)

绘制回归曲线

x = np.linspace(0,100,num=100)

y = linear.predict(x.reshape(-1,1))

plt.scatter(x,y)