【Python】12.Matplotlib、Seaborn库

最新推荐文章于 2024-08-16 14:25:17 发布

猎猎长风

最新推荐文章于 2024-08-16 14:25:17 发布

阅读量1k

点赞数 1

分类专栏： Python 文章标签： python

本文链接：https://blog.csdn.net/weixin_40633696/article/details/120649500

版权

Python 专栏收录该内容

16 篇文章 3 订阅

订阅专栏

掌握matplotlib绘图风格的设置。
掌握matplotlib二维折线图、散点图、直方图、多子图等基本图像的绘制及线宽、颜色、标记、标签、刻度、图例、标题等元素的修饰方法。
了解matpotlib三维图像的绘制。
了解基于matplotlib的高级版本seabon库。
了解Pandas类型数据绘制图形的直接方法。

在这里插入图片描述

一、环境配置

1. 要不要plt.show()

ipython中可用魔术方法 %matplotlib inline
pycharm 中必须使用plt.show()

导包：

%matplotlib inline
import matplotlib.pyplot as plt

若要设定全局样式，则导包后添加：

plt.style.use("seaborn-whitegrid")  # " "内可以换成其它的样式

输入：

x = [1, 2, 3, 4]
y = [1, 4, 9, 16]
plt.plot(x, y)
plt.ylabel("squares")

输出：
在这里插入图片描述

2. 设置样式

查看前五个样式：

plt.style.available[:5]

输出：

['Solarize_Light2', '_classic_test_patch', 'bmh', 'classic', 'dark_background']

输入：

with plt.style.context("seaborn-white"):
    plt.plot(x, y)

输出：
在这里插入图片描述

3. 解决Matplotlib无法输出中文的问题

from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['Microsoft YaHei']  # 指定默认字体为微软雅黑
mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题

正确输出了中文：
在这里插入图片描述

4. 将图像保存为文件

输入：

import numpy as np
x = np.linspace(0, 10 ,100)  # 均匀生成[0,10]之间的数100个
plt.plot(x, np.exp(x))
plt.savefig("my_figure.png")

输出：
在这里插入图片描述

二、Matplotlib库

1. 折线图

导包：

%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use("seaborn-whitegrid")
import numpy as np

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))

输出：
在这里插入图片描述

绘制多条曲线

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.cos(x))
plt.plot(x, np.sin(x))

输出：
在这里插入图片描述

1.1 调整线条颜色和风格

调整线条颜色

输入：

offsets = np.linspace(0, np.pi, 5)
colors = ["blue", "g", "r", "yellow", "pink"]
for offset, color in zip(offsets, colors):
    plt.plot(x, np.sin(x-offset), color=color)         # color可缩写为c

输出：
在这里插入图片描述

调整线条风格

输入：

x = np.linspace(0, 10, 11)
offsets = list(range(8))
linestyles = ["solid", "dashed", "dashdot", "dotted", "-", "--", "-.", ":"]  #"-", "--", "-.", ":" 分别表示："solid", "dashed", "dashdot", "dotted"
for offset, linestyle in zip(offsets, linestyles):
    plt.plot(x, x+offset, linestyle=linestyle)        # linestyle可简写为ls

输出：
在这里插入图片描述

调整线宽

输入：

x = np.linspace(0, 10, 11)
offsets = list(range(0, 12, 3))
linewidths = (i*2 for i in range(1,5))
for offset, linewidth in zip(offsets, linewidths):
    plt.plot(x, x+offset, linewidth=linewidth)                 # linewidth可简写为lw

输出：
在这里插入图片描述

调整数据点标记

输入：

x = np.linspace(0, 10, 11)
offsets = list(range(0, 12, 3))
markers = ["*", "+", "o", "s"]
for offset, marker in zip(offsets, markers):
    plt.plot(x, x+offset, marker=marker)

输出：
在这里插入图片描述
输入：

x = np.linspace(0, 10, 11)
offsets = list(range(0, 12, 3))
markers = ["*", "+", "o", "s"]
for offset, marker in zip(offsets, markers):
    plt.plot(x, x+offset, marker=marker, markersize=10)      # markersize可简写为ms

输出：
在这里插入图片描述

颜色跟风格设置的简写

输入：

x = np.linspace(0, 10, 11)
offsets = list(range(0, 8, 2))
color_linestyles = ["g-", "b--", "k-.", "r:"]
for offset, color_linestyle in zip(offsets, color_linestyles):
    plt.plot(x, x+offset, color_linestyle)

输出：
在这里插入图片描述

输入：

x = np.linspace(0, 10, 11)
offsets = list(range(0, 8, 2))
color_marker_linestyles = ["g*-", "b+--", "ko-.", "rs:"]
for offset, color_marker_linestyle in zip(offsets, color_marker_linestyles):
    plt.plot(x, x+offset, color_marker_linestyle)

输出：
在这里插入图片描述
其他用法及颜色缩写、数据点标记缩写等可点击查看官方文档

1.2 调整坐标轴

xlim, ylim

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))
plt.xlim(-1, 7)
plt.ylim(-1.5, 1.5)

输出：
在这里插入图片描述

axis

将x和y的范围一起设定

plt.axis([x1, x2, y1, y2])  # [xmin, xmax, ymin, ymax]

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))
plt.axis([-2, 8, -2, 2])

输出：
在这里插入图片描述
使图像紧凑

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))
plt.axis("tight")

输出：
在这里插入图片描述
使图像扁平

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))
plt.axis("equal")

输出：
在这里插入图片描述
查看plt.axis帮助

输入：

?plt.axis

输出：

Signature: plt.axis(*args, emit=True, **kwargs)
Docstring:
Convenience method to get or set some axis properties.

Call signatures::

  xmin, xmax, ymin, ymax = axis()
  xmin, xmax, ymin, ymax = axis([xmin, xmax, ymin, ymax])
  xmin, xmax, ymin, ymax = axis(option)
  xmin, xmax, ymin, ymax = axis(**kwargs)

Parameters
----------
xmin, xmax, ymin, ymax : float, optional
    The axis limits to be set.  This can also be achieved using ::

        ax.set(xlim=(xmin, xmax), ylim=(ymin, ymax))

option : bool or str
    If a bool, turns axis lines and labels on or off. If a string,
    possible values are:

    ======== ==========================================================
    Value    Description
    ======== ==========================================================
    'on'     Turn on axis lines and labels. Same as ``True``.
    'off'    Turn off axis lines and labels. Same as ``False``.
    'equal'  Set equal scaling (i.e., make circles circular) by
             changing axis limits. This is the same as
             ``ax.set_aspect('equal', adjustable='datalim')``.
             Explicit data limits may not be respected in this case.
    'scaled' Set equal scaling (i.e., make circles circular) by
             changing dimensions of the plot box. This is the same as
             ``ax.set_aspect('equal', adjustable='box', anchor='C')``.
             Additionally, further autoscaling will be disabled.
    'tight'  Set limits just large enough to show all data, then
             disable further autoscaling.
    'auto'   Automatic scaling (fill plot box with data).
    'image'  'scaled' with axis limits equal to data limits.
    'square' Square plot; similar to 'scaled', but initially forcing
             ``xmax-xmin == ymax-ymin``.
    ======== ==========================================================

emit : bool, default: True
    Whether observers are notified of the axis limit change.
    This option is passed on to `~.Axes.set_xlim` and
    `~.Axes.set_ylim`.

Returns
-------
xmin, xmax, ymin, ymax : float
    The axis limits.

See Also
--------
matplotlib.axes.Axes.set_xlim
matplotlib.axes.Axes.set_ylim
File:      d:\anaconda3\lib\site-packages\matplotlib\pyplot.py
Type:      function

对数坐标

输入：

x = np.logspace(0, 5, 100)
plt.plot(x, np.log(x))
plt.xscale("log")

输出：
在这里插入图片描述

调整坐标轴刻度

输入：

x = np.linspace(0, 10, 100)
plt.plot(x, x**2)
plt.xticks(np.arange(0, 12, step=1))

输出：
在这里插入图片描述

输入：

x = np.linspace(0, 10, 100)
plt.plot(x, x**2)
plt.xticks(np.arange(0, 12, step=1), fontsize=15)
plt.yticks(np.arange(0, 110, step=10))

输出：
在这里插入图片描述

调整刻度样式

输入：

x = np.linspace(0, 10, 100)
plt.plot(x, x**2)
plt.tick_params(axis="both", labelsize=15)

输出：
在这里插入图片描述

1.3 设置图形标签

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))
plt.title("A Sine Curve", fontsize=20)
plt.xlabel("x", fontsize=15)
plt.ylabel("sin(x)", fontsize=15)

输出：
在这里插入图片描述

1.4 设置图例

默认

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x), "b-", label="Sin")
plt.plot(x, np.cos(x), "r--", label="Cos")
plt.legend()

输出：
在这里插入图片描述

修饰图例

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x), "b-", label="Sin")
plt.plot(x, np.cos(x), "r--", label="Cos")
plt.ylim(-1.5, 2)
plt.legend(loc="upper center", frameon=True, fontsize=15)  # frameon=True,图例增加外框

输出：
在这里插入图片描述

1.5 添加文字和箭头

添加文字

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x), "b-")
plt.text(3.5, 0.5, "y=sin(x)", fontsize=15)  # 3.5,0.5为文字的坐标

输出：
在这里插入图片描述

添加箭头

输入：

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x), "b-")
plt.annotate('local min', xy=(1.5*np.pi, -1), xytext=(4.5, 0),
             arrowprops=dict(facecolor='black', shrink=0.1),
             )

输出：
在这里插入图片描述

2. 散点图

2.1 简单散点图

输入：

x = np.linspace(0, 2*np.pi, 20)
plt.scatter(x, np.sin(x), marker="o", s=30, c="r")    # s 大小  c 颜色

输出：
在这里插入图片描述

2.3 颜色配置

输入：

x = np.linspace(0, 10, 100)
y = x**2
plt.scatter(x, y, c=y, cmap="inferno")  
plt.colorbar()

输出：
在这里插入图片描述
颜色配置可点击参考官方文档

2.4 根据数据控制点的大小

输入：

x, y, colors, size = (np.random.rand(100) for i in range(4))
plt.scatter(x, y, c=colors, s=1000*size, cmap="viridis")

输出：
在这里插入图片描述

2.5 透明度

在2.4基础上增加了参数alpha

输入：

x, y, colors, size = (np.random.rand(100) for i in range(4))
plt.scatter(x, y, c=colors, s=1000*size, cmap="viridis", alpha=0.3)
plt.colorbar()

输出：
在这里插入图片描述

2.6 随机漫步

输入：

from random import choice

class RandomWalk():
    """一个生产随机漫步的类"""
    def __init__(self, num_points=5000):
        self.num_points = num_points
        self.x_values = [0]
        self.y_values = [0]
    
    def fill_walk(self):
        while len(self.x_values) < self.num_points:
            x_direction = choice([1, -1])
            x_distance = choice([0, 1, 2, 3, 4])
            x_step = x_direction * x_distance
            
            y_direction = choice([1, -1])
            y_distance = choice([0, 1, 2, 3, 4])
            y_step = y_direction * y_distance            
        
            if x_step == 0 or y_step == 0:
                continue
            next_x = self.x_values[-1] + x_step
            next_y = self.y_values[-1] + y_step
            self.x_values.append(next_x)
            self.y_values.append(next_y)


rw = RandomWalk(10000)
rw.fill_walk()
point_numbers = list(range(rw.num_points))
plt.figure(figsize=(12, 6))                 
plt.scatter(rw.x_values, rw.y_values, c=point_numbers, cmap="inferno", s=1)
plt.colorbar()
plt.scatter(0, 0, c="green", s=100)  # 起始点
plt.scatter(rw.x_values[-1], rw.y_values[-1], c="red", s=100)  # 终点

plt.xticks([])  # 隐藏坐标轴
plt.yticks([])

输出：
在这里插入图片描述

3. 柱形图

3.1 简单柱形图

输入：

x = np.arange(1, 6)
plt.bar(x, 2*x, align="center", width=0.5, alpha=0.5, color='yellow', edgecolor='red')
plt.tick_params(axis="both", labelsize=13)

输出：
在这里插入图片描述
输入：

x = np.arange(1, 6)
plt.bar(x, 2*x, align="center", width=0.5, alpha=0.5, color='yellow', edgecolor='red')
plt.xticks(x, ('G1', 'G2', 'G3', 'G4', 'G5'))  # 前面为原先的值，后面为替换的值
plt.tick_params(axis="both", labelsize=13)

输出：
在这里插入图片描述
下面的方法和上面效果一样

输入：

x = ('G1', 'G2', 'G3', 'G4', 'G5')
y = 2 * np.arange(1, 6)
plt.bar(x, y, align="center", width=0.5, alpha=0.5, color='yellow', edgecolor='red')
plt.tick_params(axis="both", labelsize=13)

输出：
在这里插入图片描述
输入：

x = ["G"+str(i) for i in range(5)]
y = 1/(1+np.exp(-np.arange(5)))

colors = ['red', 'yellow', 'blue', 'green', 'gray']
plt.bar(x, y, align="center", width=0.5, alpha=0.5, color=colors)
plt.tick_params(axis="both", labelsize=13)

输出：
在这里插入图片描述

3.2 累加柱形图

输入：

x = np.arange(5)
y1 = np.random.randint(20, 30, size=5)
y2 = np.random.randint(20, 30, size=5)
plt.bar(x, y1, width=0.5, label="man")
plt.bar(x, y2, width=0.5, bottom=y1, label="women")
plt.legend()

输出：
在这里插入图片描述

3.3 并列柱形图

输入：

x = np.arange(15)
y1 = x+1
y2 = y1+np.random.random(15)
plt.bar(x, y1, width=0.3, label="man")
plt.bar(x+0.3, y2, width=0.3, label="women")
plt.legend()

输出：
在这里插入图片描述

3.4 横向柱形图

输入：

x = ['G1', 'G2', 'G3', 'G4', 'G5']
y = 2 * np.arange(1, 6)
plt.barh(x, y, align="center", height=0.5, alpha=0.8, color="blue", edgecolor="red")  # bar改成barh就是横向图
plt.tick_params(axis="both", labelsize=13)

输出：
在这里插入图片描述

4. 多子图

4.1 简单多子图

输入：

def f(t):
    return np.exp(-t) * np.cos(2*np.pi*t)

t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)

plt.subplot(211)
plt.plot(t1, f(t1), "bo-", markerfacecolor="r", markersize=5)  # 211前两个数字代表创建2行1列的多子图，第三个数字表示改图为第1个
plt.title("A tale of 2 subplots")
plt.ylabel("Damped oscillation")

plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), "r--")
plt.xlabel("time (s)")
plt.ylabel("Undamped")

输出：
在这里插入图片描述

4.2 多行多列子图

输入：

x = np.random.random(10)
y = np.random.random(10)

plt.subplots_adjust(hspace=0.5, wspace=0.3)

plt.subplot(321)
plt.scatter(x, y, s=80, c="b", marker=">")

plt.subplot(322)
plt.scatter(x, y, s=80, c="g", marker="*")

plt.subplot(323)
plt.scatter(x, y, s=80, c="r", marker="s")

plt.subplot(324)
plt.scatter(x, y, s=80, c="c", marker="p")

plt.subplot(325)
plt.scatter(x, y, s=80, c="m", marker="+")

plt.subplot(326)
plt.scatter(x, y, s=80, c="y", marker="H")

输出：
在这里插入图片描述

4.3 不规则多子图

输入：

def f(x):
    return np.exp(-x) * np.cos(2*np.pi*x)


x = np.arange(0.0, 3.0, 0.01)
grid = plt.GridSpec(2, 3, wspace=0.4, hspace=0.3)  # 先画一个2*3的网格

plt.subplot(grid[0, 0])  # 第0行第0列
plt.plot(x, f(x))

plt.subplot(grid[0, 1:])  # 第0行第1列及以后的列
plt.plot(x, f(x), "r--", lw=2)

plt.subplot(grid[1, :])  # 第1行所有列
plt.plot(x, f(x), "g-.", lw=3)

输出：
在这里插入图片描述

5.直方图

5.1 普通频次直方图

输入：

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)  # np.random.randn 生成的为标准正态分布数据

plt.hist(x, bins=50, facecolor='g', alpha=0.75)  # bins:矩形条个数

输出：
在这里插入图片描述

5.2 概率密度

输入：

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

plt.hist(x, 50, density=True, color="r")  # 加density=True显示概率密度图
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.xlim(40, 160)
plt.ylim(0, 0.03)

输出：
在这里插入图片描述
显示空心图

输入：

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

plt.hist(x, bins=50, density=True, color="r", histtype='step')  # histtype='step' 显示空心图
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.xlim(40, 160)
plt.ylim(0, 0.03)

输出：
在这里插入图片描述
输入：

from scipy.stats import norm
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

_, bins, __ = plt.hist(x, 50, density=True)
y = norm.pdf(bins, mu, sigma)  # 计算bins中的点对应的正态分布的数值
plt.plot(bins, y, 'r--', lw=3)  
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.xlim(40, 160)
plt.ylim(0, 0.03)

输出：
在这里插入图片描述

5.3 累计概率分布

输入：

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

plt.hist(x, 50, density=True, cumulative=True, color="r")
plt.xlabel('Smarts')
plt.ylabel('Cum_Probability')
plt.title('Histogram of IQ')
plt.text(60, 0.8, r'$\mu=100,\ \sigma=15$')
plt.xlim(50, 165)
plt.ylim(0, 1.1)

输出：
在这里插入图片描述
【例】模拟投两个骰子

模拟一个骰子：

class Die():
    "模拟一个骰子的类"
    
    def __init__(self, num_sides=6):
        self.num_sides = num_sides
    
    def roll(self):
        return np.random.randint(1, self.num_sides+1)

重复投一个骰子

输入：

die = Die()
results = []
for i in range(60000):
    result = die.roll()
    results.append(result)
    
plt.hist(results, bins=6, range=(0.75, 6.75), align="mid", width=0.5)
plt.xlim(0 ,7)

输出：
在这里插入图片描述

重复投两个骰子

输入：

die1 = Die()
die2 = Die()
results = []
for i in range(60000):
    result = die1.roll()+die2.roll()
    results.append(result)
    
plt.hist(results, bins=11, range=(1.75, 12.75), align="mid", width=0.5)
plt.xlim(1 ,13)
plt.xticks(np.arange(1, 14))

输出：
在这里插入图片描述

6. 误差图

6.1 基本误差图

输入：

x = np.linspace(0, 10 ,50)
dy = 0.5
y = np.sin(x) + dy*np.random.randn(50)

plt.errorbar(x, y , yerr=dy, fmt="+")

输出：
在这里插入图片描述

6.2 柱形图误差图

输入：

menMeans = (20, 35, 30, 35, 27)
womenMeans = (25, 32, 34, 20, 25)
menStd = (2, 3, 4, 1, 2)
womenStd = (3, 5, 2, 3, 3)
ind = ['G1', 'G2', 'G3', 'G4', 'G5'] 
width = 0.35       

p1 = plt.bar(ind, menMeans, width=width, label="Men", yerr=menStd)
p2 = plt.bar(ind, womenMeans, width=width, bottom=menMeans, label="Men", yerr=womenStd)

plt.ylabel('Scores')
plt.title('Scores by group and gender')
plt.yticks(np.arange(0, 81, 10))
plt.legend()

输出：
在这里插入图片描述

7. 面向对象的风格简介

7.1 普通图

add_axes()方法需要一个由4个元素组成的list对象，分别对应图形的左、底、宽、高。每个数字必须在0和1之间。

具体用法参考点击

输入：

x = np.linspace(0, 5, 10)
y = x ** 2

fig = plt.figure(figsize=(8,4), dpi=80)        # 图像
axes = fig.add_axes([0.1, 0.1, 0.8, 0.8])      # 轴 left, bottom, width, height (range 0 to 1)

axes.plot(x, y, 'r')
axes.set_xlabel('x')
axes.set_ylabel('y')
axes.set_title('title')

输出：
在这里插入图片描述

7.2 画中画

输入：

x = np.linspace(0, 5, 10)
y = x ** 2

fig = plt.figure()

ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) 
ax2 = fig.add_axes([0.2, 0.5, 0.4, 0.3]) 

ax1.plot(x, y, 'r')

ax1.set_xlabel('x')
ax1.set_ylabel('y')
ax1.set_title('title')

ax2.plot(y, x, 'g')
ax2.set_xlabel('y')
ax2.set_ylabel('x')
ax2.set_title('insert title')

输出：
在这里插入图片描述

7.3 多子图

输入：

def f(t):
    return np.exp(-t) * np.cos(2*np.pi*t)


t1 = np.arange(0.0, 3.0, 0.01)

fig= plt.figure()
fig.subplots_adjust(hspace=0.4, wspace=0.4)

ax1 = plt.subplot(2, 2, 1)
ax1.plot(t1, f(t1))
ax1.set_title("Upper left")

ax2 = plt.subplot(2, 2, 2)
ax2.plot(t1, f(t1))
ax2.set_title("Upper right")

ax3 = plt.subplot(2, 1, 2)
ax3.plot(t1, f(t1))
ax3.set_title("Lower")

输出：
在这里插入图片描述

8. 三维图形简介

8.1 三维数据点与线

输入：

from mpl_toolkits import mplot3d

ax = plt.axes(projection="3d")
zline = np.linspace(0, 15, 1000)
xline = np.sin(zline)
yline = np.cos(zline)
ax.plot3D(xline, yline ,zline)

zdata = 15*np.random.random(100)
xdata = np.sin(zdata)
ydata = np.cos(zdata)
ax.scatter3D(xdata, ydata ,zdata, c=zdata, cmap="spring")

输出：
在这里插入图片描述

8.2 三维数据曲面图

输入：

def f(x, y):
    return np.sin(np.sqrt(x**2 + y**2))

x = np.linspace(-6, 6, 30)
y = np.linspace(-6, 6, 30)
X, Y = np.meshgrid(x, y)
Z = f(X, Y)

ax = plt.axes(projection="3d")
ax.plot_surface(X, Y, Z, cmap="viridis")

输出：
在这里插入图片描述
输入：

t = np.linspace(0, 2*np.pi, 1000)
X = np.sin(t)
Y = np.cos(t)
Z = np.arange(t.size)[:, np.newaxis]

ax = plt.axes(projection="3d")
ax.plot_surface(X, Y, Z, cmap="viridis")

输出：
在这里插入图片描述

9. 等高线图在梯度下降中的应用

等高线图常用于深度学习中绘制梯度下降的效果图，对研究比较有意义。

下面以一个例子说明梯度下降的问题：

【举个栗子】求解损失函数 $f(x)= 0.1x_1^2+2x_2^2$ 的最小值

9.1 绘制函数三维图像

定义 $x_1,x_2$ ：

x1, x2 = np.meshgrid(np.arange(-5.5, 1.0, 0.1), np.arange(-3.0, 1.0, 0.1))  # np.meshgrid()常用于生成网格图、三维图的x,y

绘制三维图像：

ax = plt.axes(projection="3d")
ax.plot_surface(x1, x2 ,f_2d(x1, x2), cmap="viridis")

输出：
在这里插入图片描述

9.2 绘制等高线和梯度下降曲线

定义相关函数：

eta = 0.4 # 学习率

# 计算函数值
def f_2d(x1, x2):
    return 0.1 * x1 ** 2 + 2 * x2 ** 2

# 梯度下降更新x1,x2
def gd_2d(x1, x2):
    return (x1 - eta * 0.2 * x1, x2 - eta * 4 * x2)

# 使用给定的自变量更新函数                
def train_2d(trainer):  
    x1, x2 = -5, -2  
    results = [(x1, x2)]
    for i in range(20):
        x1, x2 = trainer(x1, x2)
        results.append((x1, x2))
    print('epoch %d, x1 %f, x2 %f' % (i + 1, x1, x2))
    return results

绘制等高线和梯度下降曲线：

plt.contour(x1,x2,f_2d(x1, x2),colors='g')  # 画等高线
plt.plot(*zip(*train_2d(gd_2d)),'o-',c='orange')  # 画优化路线,*zip(*n)：zip(*n)解压n，*zip(*n)将解压的数据映射成(x,y)的形式，便于画图
plt.xlabel('x1')
plt.ylabel('x2')

输出：

epoch 20, x1 -0.943467, x2 -0.000073

在这里插入图片描述

三、Seaborn库-文艺青年的最爱

1. Seaborn 与 Matplotlib

Seaborn 是一个基于 matplotlib 且数据结构与 pandas 统一的统计图制作库

Matplotlib效果：

点击查看np.cumsum()用法

输入：

x = np.linspace(0, 10, 500)
y = np.cumsum(np.random.randn(500, 6), axis=0)

with plt.style.context("classic"):
    plt.plot(x, y)
    plt.legend("ABCDEF", ncol=2, loc="upper left")

输出：
在这里插入图片描述
seaborn 效果：

输入：

import seaborn as sns

x = np.linspace(0, 10, 500)
y = np.cumsum(np.random.randn(500, 6), axis=0)
sns.set()
plt.figure(figsize=(10, 6))
plt.plot(x, y)
plt.legend("ABCDEF", ncol=2, loc="upper left")

输出：
在这里插入图片描述

2. 柱形图的对比

Matplotlib效果：

输入：

x = ['G1', 'G2', 'G3', 'G4', 'G5']
y = 2 * np.arange(1, 6)

plt.figure(figsize=(8, 4))
plt.barh(x, y, align="center", height=0.5, alpha=0.8, color="blue")
plt.tick_params(axis="both", labelsize=13)

输出：
在这里插入图片描述
输入：

plt.figure(figsize=(8, 4))
x = ['G5', 'G4', 'G3', 'G2', 'G1']
y = 2 * np.arange(5, 0, -1)
# sns.barplot(y, x)
sns.barplot(y, x, linewidth=5)

输出：
在这里插入图片描述
查看seaborn barplot官方文档

输入：

sns.barplot?

3. 鸢尾花数据集案例

输入：

iris = sns.load_dataset("iris")
iris.head()

输出：
在这里插入图片描述
查看鸢尾花数据集中四个特征之间的相互关系：

输入：

sns.pairplot(data=iris, hue="species")

输出：
在这里插入图片描述

四、Pandas 中的绘图函数概览

1. 线形图

输入：

import pandas as pd
df = pd.DataFrame(np.random.randn(1000, 4).cumsum(axis=0),
                  columns=list("ABCD"),
                  index=np.arange(1000))
df.head()

输出：
在这里插入图片描述
输入：

df.plot()

输出：
在这里插入图片描述

2. 柱形图

输入：

df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
df2

输出：
在这里插入图片描述

2.1 多组数据竖图

输入：

df2.plot.bar()

输出：
在这里插入图片描述

2.2 多组数据累加竖图

输入：

df2.plot.bar(stacked=True)

输出：
在这里插入图片描述

2.3 多组数据累加横图

输入：

df2.plot.barh(stacked=True)

输出：
在这里插入图片描述

3. 直方图和密度图

输入：

df4 = pd.DataFrame({"A": np.random.randn(1000) - 3, "B": np.random.randn(1000),
                     "C": np.random.randn(1000) + 3})
df4.head()

输出：
在这里插入图片描述

3.1 普通直方图

输入：

df4.plot.hist(bins=50)

输出：
在这里插入图片描述

3.2 累加直方图

输入：

df4['A'].plot.hist(cumulative=True)

输出：
在这里插入图片描述

3.3 概率密度图

输入：

df4['A'].plot(kind="kde")

输出：
在这里插入图片描述

3.4 差分

输入：

df = pd.DataFrame(np.random.randn(1000, 4).cumsum(axis=0),
                  columns=list("ABCD"),
                  index=np.arange(1000))
df.head()

输出：
在这里插入图片描述
输入：

df.diff().hist(bins=50, color="r")

输出：
在这里插入图片描述

4. 散点图

输入：

housing = pd.read_csv("housing.csv")
housing.head()

输出：
在这里插入图片描述
输入：

"""基于地理数据的人口、房价可视化"""
# 圆的半价大小代表每个区域人口数量(s),颜色代表价格(c),用预定义的jet表进行可视化
with sns.axes_style("white"):
    housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.6,
                 s=housing["population"]/100, label="population",
                 c="median_house_value", cmap="jet", colorbar=True, figsize=(12, 8))
plt.legend()
plt.axis([-125, -113.5, 32, 43])

输出：
在这里插入图片描述
输入：

housing.plot(kind="scatter", x="median_income", y="median_house_value", alpha=0.8)

输出：
在这里插入图片描述

5. 多子图

输入：

df = pd.DataFrame(np.random.randn(1000, 4).cumsum(axis=0),
                  columns=list("ABCD"),
                  index=np.arange(1000))
df.head()

输出：
在这里插入图片描述

默认情形

输入：

df.plot(subplots=True, figsize=(6, 16))

输出：
在这里插入图片描述

设定图形安排

输入：

df.plot(subplots=True, layout=(2, 2), figsize=(16, 6), sharex=False)

输出：
在这里插入图片描述

其他内容请点击参考Pandas中文文档

猎猎长风

关注

1
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
【Python】12.Matplotlib、Seaborn库

任务简介：前面已经学习了强大的数据处理工具pandas，现在想把原始数据及处理结果通过图像的方式展示出来，强大的可视化工具matplotlib库可担此重任。任务说明：掌握matplotlib绘图风格的设置。掌握matplotlib二维折线图、散点图、直方图、多子图等基本图像的绘制及线宽、颜色、标记、标签、刻度、图例、标题等元素的修饰方法。了解matpotlib三维图像的绘制。了解基于matplotlib的高级版本seabon库。了解Pandas类型数据绘制图形的直接方法。
复制链接

扫一扫

专栏目录