机器学习-数据科学库：matplotlib绘图

最新推荐文章于 2023-11-26 13:53:51 发布
最新推荐文章于 2023-11-26 13:53:51 发布
阅读量418 收藏 5
点赞数
分类专栏： 数据科学库 文章标签： python 可视化 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45031468/article/details/112573189
版权

机器学习-数据科学库：matplotlib绘图

matplotlib绘图

matplotlib折线图

折线图绘制要求：

  1. 绘制折线图(plt.plot)
  2. 设置图片的大小和分辨率(plt.figure)
  3. 实现图片的保存(plt.savefig)
  4. 设置xy轴上的刻度和字符串(xticks)
  5. 解决刻度稀疏和密集的问题(xticks)
  6. 设置标题,xy轴的lable(title,xlable,ylable)
  7. 设置字体(font_manager. fontProperties,matplotlib.rc)
  8. 在一个图上绘制多个图形(plt多次plot)
  9. 为不同的图形添加图例(plt.legend)

任务1：
  假设大家在30岁的时候,根据自己的实际情况,统计出来了从11岁到30岁每年交的女(男)朋友的数量如列表a,请绘制出该数据的折线图,以便分析自己每年交女(男)朋友的数量走势

a = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]

要求:
  y轴表示个数
  x轴表示岁数,比如11岁,12岁等

python代码：

import matplotlib.pyplot as plt

a = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]
b = range(len(a))
#设置图像分辨率
plt.figure(figsize=(10,8),dpi=200)

#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

#绘制曲线图
plt.plot(b,a)

#x坐标轴的刻度标签
xlabels = ["{}岁".format(i) for i in range(len(a))]

#设置x轴上的刻度稀疏程度和刻度字符串
plt.xticks(b[::2],xlabels[::2],rotation=90)

#设置标题,xy轴的lable
plt.xlabel("年龄")
plt.ylabel("女朋友数量")
plt.title("交女(男)折线图")

#设置网格
plt.grid(alpha=0.4)

#保存图片
plt.savefig("./line_plot1.png")
plt.show()

在这里插入图片描述
任务二：
  假设大家在30岁的时候,根据自己的实际情况,统计出来了你和你同桌各自从11岁到30岁每年交的女(男)朋友的数量如列表a和b,请在一个图中绘制出该数据的折线图,以便比较自己和同桌20年间的差异,同时分析每年交女(男)朋友的数量走势
a = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]
b = [1,0,3,1,2,2,3,3,2,1,2,1,1,1,1,1,1,1,1,1]
要求:
  y轴表示个数
  x轴表示岁数,比如11岁,12岁等

import matplotlib.pyplot as plt

y_1 = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]
y_2 = [1,0,3,1,2,2,3,3,2,1,2,1,1,1,1,1,1,1,1,1]

x = range(len(y_1))
#设置图像分辨率
plt.figure(figsize=(10,8),dpi=100)

#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

#绘制曲线图
plt.plot(x,y_1, label="小张")
plt.plot(x,y_2, label="小李")

#x坐标轴的刻度标签
xlabels = ["{}岁".format(i) for i in range(len(y_1))]

#设置x轴上的刻度稀疏程度和刻度字符串
plt.xticks(x[::2],xlabels[::2],rotation=90)

#设置网格
plt.grid(linestyle=':')

#设置标题,xy轴的lable
plt.xlabel("年龄")
plt.ylabel("女朋友数量")
plt.title("交女(男)折线图")

#画图例
plt.legend(loc='best')

#保存图片
plt.savefig("./line_plot1.png")
plt.show()

在这里插入图片描述

matplotlib散点图

任务：
  网站统计了客户收货天数和满意度结果，满意度最高为5分。分析收货天数和满意度直接的相关关系。
a = [6, 2, 8, 6, 8, 7, 5, 2, 3, 2, 1, 7, 3, 2, 9, 2, 3, 5, 8, 10]
b = [1.5, 5, 0.5, 2, 1, 1.3, 1.2, 4.1, 3.5, 4.5, 3.0, 3.5, 5, 0.3, 4.3, 3.8, 0.8, 1.5, 0.1, 0.3]
代码

import matplotlib.pyplot as plt

a = [6, 2, 8, 6, 8, 7, 5, 2, 3, 2, 1, 7, 3, 2, 9, 2, 3, 5, 8, 10]
b = [1.5, 5, 0.5, 2, 1, 1.3, 1.2, 4.1, 3.5, 4.5, 5.0, 3.5, 5, 4.3, 2.3, 3.8, 0.8, 1.5, 0.1, 0.3]

#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

#绘图风格
plt.style.use('ggplot')

#图片大小
plt.figure(figsize=(10,8), dpi = 80)

#绘图
plt.scatter(a,b)

#坐标轴
plt.xlabel("收货天数")
plt.ylabel("满意评分")
plt.title("满意评分关于收货天数的散点图",fontsize=26)

plt.show()

在这里插入图片描述

matplotlib条形图

任务1:
  假设你获取到了2017年内地电影票房前20的电影(列表a)和电影票房数据(列表b),那么如何更加直观的展示该数据?
a = [“战狼2”,“速度与激情8”,“功夫瑜伽”,“西游伏妖篇”,“变形金刚5：最后的骑士”,“摔跤吧！爸爸”,“加勒比海盗5：死无对证”,“金刚：骷髅岛”,“极限特工：终极回归”,“生化危机6：终章”,“乘风破浪”,“神偷奶爸3”,“智取威虎山”,“大闹天竺”,“金刚狼3：殊死一战”,“蜘蛛侠：英雄归来”,“悟空传”,“银河护卫队2”,“情圣”,“新木乃伊”,]
b=[56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23] 单位:亿

纵向条形图：

import matplotlib.pyplot as plt


a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5：\n最后的骑士","摔跤吧！爸爸","加勒比海盗5：\n死无对证","金刚：骷髅岛","极限特工：\n终极回归","生化危机6：\n终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3：\n殊死一战","蜘蛛侠：\n英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]
b=[56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23]

#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

#绘图风格
plt.style.use('ggplot')

#图片大小
plt.figure(figsize=(10,8), dpi = 80)

#横坐标标签
x = range(len(a))
plt.xticks(x, a, rotation=90)


#绘图
plt.bar(range(len(a)),b)


plt.show()

在这里插入图片描述
横向条形图：

import matplotlib.pyplot as plt


a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5：\n最后的骑士","摔跤吧！爸爸","加勒比海盗5：\n死无对证","金刚：骷髅岛","极限特工：\n终极回归","生化危机6：\n终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3：\n殊死一战","蜘蛛侠：\n英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]
b=[56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23]

#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

#绘图风格
plt.style.use('ggplot')

#图片大小
plt.figure(figsize=(10,8), dpi = 80)

#横坐标标签
y = range(len(a))
plt.yticks(y, a)


#绘图
plt.barh(range(len(a)),b)


plt.show()

在这里插入图片描述
任务二：
  假设你知道了列表a中电影分别在2017-09-14(b_14), 2017-09-15(b_15), 2017-09-16(b_16)三天的票房,为了展示列表中电影本身的票房以及同其他电影的数据对比情况,应该如何更加直观的呈现该数据?
a = [“猩球崛起3：终极之战”,“敦刻尔克”,“蜘蛛侠：英雄归来”,“战狼2”]
b_16 = [15746,312,4497,319]
b_15 = [12357,156,2045,168]
b_14 = [2358,399,2358,362]

import matplotlib.pyplot as plt


a = ["猩球崛起3：终极之战","敦刻尔克","蜘蛛侠：英雄归来","战狼2"]
b_16 = [15746,312,4497,319]
b_15 = [12357,156,2045,168]
b_14 = [2358,399,2358,362]
#图形参数
barwidth = 0.2

#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

#绘图风格
plt.style.use('ggplot')

#图片大小
plt.figure(figsize=(10,8), dpi = 80)

#横坐标标签
x_1 = list(range(len(a)))
x_2 = [i + barwidth for i in range(len(a))]
x_3 = [i + barwidth*2 for i in range(len(a))]
plt.xticks(x_2, a)

plt.bar(x_1, b_14, width=barwidth, label="9月14日")
plt.bar(x_2, b_15, width=barwidth, label="9月15日")
plt.bar(x_3, b_16, width=barwidth, label="9月16日")

plt.show()

在这里插入图片描述

matplotlib直方图

任务：
假设你获取了250部电影的时长(列表a中),希望统计出这些电影时长的分布状态(比如时长为100分钟到120分钟电影的数量,出现的频率)等信息,你应该如何呈现这些数据?
a=[131, 98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115, 99, 136, 126, 134, 95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117, 86, 95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123, 86, 101, 99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140, 83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144, 83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137, 92,121, 112, 146, 97, 137, 105, 98, 117, 112, 81, 97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112, 83, 94, 146, 133, 101,131, 116, 111, 84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]

import matplotlib.pyplot as plt

a=[131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142,
   127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132,
   124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86,
   101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116,
   108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,
   156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112,
   118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137,
   116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111,
   109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117,
   106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134,
   106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,
   94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]

#计算组数
d = 6  #组距
num_bins = (max(a)-min(a)) // d


#设置字体和负号的代码
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

#绘图风格
plt.style.use('ggplot')

#设置x轴的刻度
plt.xticks(range(min(a),max(a)+d,d))

#绘图
plt.hist(a,num_bins)

plt.show()

在这里插入图片描述

对比常用统计图

  • 折线图:以折线的上升或下降来表示统计数量的增减变化的统计图
    特点:能够显示数据的变化趋势，反映事物的变化情况。(变化)
  • 直方图:由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据范围，纵轴表示分布情况。
    特点:绘制连续性的数据,展示一组或者多组数据的分布状况(统计)
  • 条形图:排列在工作表的列或行中的数据可以绘制到条形图中。
    特点:绘制连离散的数据,能够一眼看出各个数据的大小,比较数据之间的差别。
  • 散点图:用两组数据构成多个坐标点，考察坐标点的分布,判断两变量 之间是否存在某种关联或总结坐标点的分布模式。
    特点:判断变量之间是否存在数量关联趋势,展示离群点(分布规律)
学习爱好者fz
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习之绘图(二)
墨茶Official 愿你在二次元有吃不完的草莓 饺子(ㄒoㄒ)
05-13 950
有这样一组数据 (消费 小费 性别 吸烟者或非吸烟者 日期 时间) 我们的任务:吸烟顾客与不吸烟顾客的消费金额与小费绘制散点图 话不多说 上代码 首先引入需要用到的模块 import matplotlib.pyplot as plt 读取数据 df = pd.read_excel("./tips.xlsx",‘sheet1’) 分别取出吸烟者和非吸烟者数据 有了这些数据 我们就可以绘制散点...
机器学习——画图方法
GitzLiu
09-12 5057
本篇博客与Titanic博客相关联，是其第2部分内容，由于涉及大量通过可视化图形 进行数据预览、分析的地方，因此独立成篇，作为画图方法的笔记。 1、预览数据集 加载数据集 # -*- coding:utf-8 -*- import numpy as np #科学计算 import pandas as pd #数据分析 from pandas import Series, D...
机器学习基础Matplotlib绘图
最新发布
softshow1026的博客
11-26 424
matplotlib是基于python生态开发的一个可视化绘图库，它的出现让python在数据分析及机器学习方面占了重要的一部分，目前很多数据分析及机器学习相关方面的工程都有使用到这个库，并且由于其简单易用，安装简单等方面的优势深得广大开发者的喜爱。
机器学习入门 03 —— Matplotlib使用(折线图、散点图、柱状图、直方图、饼图、堆叠柱状图等)
zcy的博客
07-27 3484
文章目录系列文章3.1 Matplotlib之Hello World1 Matplotlib介绍2 Matplotlib画图流程3.2 基础绘图功能（以折线图为例）1 坐标刻度、标签、网格、图像保存2 在一个坐标系里绘制多个图3 在一个图里绘制多个坐标系3.3 常见图形绘制1 折线图2 散点图3 柱状图4 直方图5 饼图6 特殊柱状图两条柱状图水平柱状图堆叠柱状图 系列文章 机器学习入门 01 —— 机器学习概述 机器学习入门 02 —— 环境搭建（Jupyter Notebook 及扩展库的安装与使用）
6.机器学习-高级绘图工具seaborn-简单、快捷
小白的博客
11-24 2031
可视化数据的分布 处理一组数据前，先了解变量分布情况 对于单变量的数据，采用直方图或核密度曲线 对于双变量，采用多面板图形展示，如：散点图、二维直方图、核密度估计图形等 单变量-直方图 displot(a,bins=None,hist=True,kde=True,rug=False,fit=None,color=None) a：要观察的数据，Series、一维数组或列表 bins：用于控制条形的数量 hist：是否绘制（标注）直方图 mg：是否在支持的轴方向上绘制rugplot # 生成随机数种子，
Matplotlib-no-269:matplotlib示例
04-10
Matplotlib 是 Python 数据可视化库，它是 Python 中最常用的数据绘图工具之一，广泛应用于数据分析、机器学习以及科学研究等领域。在 "Matplotlib-no-269" 示例中，我们可能涵盖了一系列使用 Matplotlib 进行数据...
Visualize-Data-with-Matplotlib:为了展示我在硕士课程中学到的知识人工智能与数据科学计划
03-29
在数据科学领域，数据可视化是至关重要的技能，它能够帮助我们理解、解释并有效地...这将极大地提升你在数据分析和机器学习项目中的表现，帮助你更好地理解和解释数据，从而在人工智能与数据科学领域展现出专业素养。
Introduction-to-Numpy-and-Matplotlib:02_numpy_matplotlib.ipynb分配1
04-20
这两个库在数据分析、机器学习以及数值计算等领域中起着核心作用。 **Numpy** Numpy是Python中的一个基础库，专门用于处理大型多维数组和矩阵。它提供了大量的数学函数来操作这些数组，使得高效计算成为可能。以下...
Python数据分析与科学计算数据可视化篇：Matplotlib和Seaborn
06-14
本课程介绍了Python数据可视化库——Matplotlib和Seaborn，其中包括了：Matplotlib库：图表基本构成要素、绘制线图、显示图形、显示中文和负号、设置线条颜色和风格、保存图片、绘制柱状图、绘制饼状图、绘制散点图...
Graph-3D-Orbits:使用matplotlib和AMUSE天文库绘制3D轨道图。 （您可能想在Linux机器上执行此操作，否则可能会在安装AMUSE时遇到麻烦）
04-18
在本项目中，我们主要...通过学习和实践这个项目，开发者不仅可以掌握matplotlib的3D绘图技巧，还能深入了解AMUSE库在天体物理学模拟中的应用，这对于进一步深入研究天体动力学或进行相关的科学可视化具有重要意义。
机器学习（1）——Python数据处理与绘图
WHJ226的博客
06-14 4785
目录1 numpy数组使用1.1 numpy生成数组1.2 numpy数组属性1.3 数组的索引和切片1.4 numpy数组运算2 scipy包的使用2.1 scipy包中的模块2.2 常数模块的使用2.3 特殊函数模块的使用2.4 信号处理模块2.5 空间结构模块3 pandas包的使用3.1 pandas数组3.2 查看数据3.3 pandas读取文件4 matplotlib包的使用4.1 正余弦曲线4.2 一张图中的不同曲线 4.3 三维曲线图4.4 其他类型曲线Python具有强大的数据处理能力，
这图怎么画| 一个用于展示多种机器学习模型结果的热图
weixin_45822007的博客
02-27 570
写在前面【这图怎么画】系列的图都来自VIP群里同学的提问。推文只是对图片的复现，不代表作者对图片展现形式的认同。欢迎同学们在群里分析有意思的图片。本期图片ML-heatmap❝VIP群里同学的提问，图片来源未知，很显然相较于图片的绘制，本图的数据来源才是难点。基本思路就是：模型+循环，这里就先按下不表。本篇推文还是简单来画个图。❞复现结果result示例数据和代码领取木舟笔记永久VIP企划「权益：...
matplotlib学习之条形图
柳小葱的博客
06-26 691
range 和len的并用 list=[“Monday”,“Tuesday”,“Wednesday”,“Thusday”, "Friday","Saturday","Sunday"] for i in range(len(list)): print list[i] 1 Range函数的作用是顺次取出序列的数 2 Len函数的作用是求列表的长度（长度为7）以元素的个数 3 两者的配合使用是顺次取出列表中的数据 ...
常用机器学习数据分析画图工具--matplotlib库【持续更新】
transformed的博客
03-19 562
一、散点图 官方文档如下图，接下来将对常用的参数做解释： x,y:输入横纵坐标数据，维度为shape(n,) s:标记点大小，可以是固定值，即每个点大小一样；也可以是与x,y维度一致的二维数组，即每个点大小与数组对应。效果如下： c:标记点颜色，不可以是标量，可以是字符或者与x,y维度一致的二维数组，若是字符，可能是'b'表示蓝色(默认),'g'表绿色,'y'表黄色,'k'表黑色,'r...
机器学习预备-Matplotlib绘图
leida_wt的博客
10-15 250
机器学习预备系列博客记述服务机器学习的使用前导知识 记录下python下绘图的方法 首先引用下cheet sheet 工作流 典型操作 #! python3 # -*- coding:utf-8 -*- import matplotlib.pyplot as plt # 基本绘图的引用 from matplotlib import style # 为使用更漂亮的风格 # 折线图 plt.p...
Day2_机器学习_数据分析：Matplotlib散点图、条形图、直方图的绘制
ANDROID6666666的博客
05-28 525
1、散点图的绘制 绘制目标： 实现代码： #!usr/bin/env python # -*- coding:utf-8 _*- """ @author: Administrator @file: 15-4.py @time: 2022/05/28 @desc: 绘制散点图 """ from matplotlib import pyplot as plt from matplotlib import font_manager import random # 设置图形风格 my_font = font_
机器学习笔记-数据的图表展示
weixin_54814385的博客
03-02 934
统计图表 类别数据 条形图：条形图是用宽度相同的条形来展示各类频数的图形； 帕累托图：帕累托图将各类别数据出现的频数按从大到小排序后绘制的条形图； 饼图：饼图是用圆形及园内扇形的角度来表示一个样本（或总体）中各类别的频数占总频数数比例大小的图形； 环形图：环形图可以显示多个样本各类别频数占其相应总频数的比例； 数值数据 直方图：直方图是用来展示数值数据分布的一种常用图形； 箱型图：用来反映一组数据的分布； 其它图形 散点图：用二维坐标中两个变量各取值点的分布展示变量之间的关系图形； 气泡图：气泡图
Matplotlib基础操作（机器学习入门）
zjjaibc的博客
07-07 2085
Matplotlib基础操作（机器学习入门）
机器学习——科学数据包（八）可视化：颜色样式、子图、多图、坐标
Dandandandanta的博客
02-24 572
机器学习——科学数据包（八）可视化：颜色样式、子图、多图、坐标 颜色 八种內建默认颜色缩写 b：blue g：green r ：red c ：cyan m：magenta y：yellow k：black w：white 其他颜色表示方法 灰色阴影 html 十六进制 RGB元组 点、线样式 23种点形状，注意：不同点形状默认使用不同颜色 “.” ：point “,” ：pixel “...
Python科学计算与数据处理：Matplotlib深度解析
在Python编程领域，Python科学计算与数据处理是一项重要的应用方向，广泛应用于数据分析、机器学习、科学建模等多个领域。Matplotlib是Python中最常用的数据可视化库，它为用户提供了绘制高质量图表的能力，与MATLAB...

“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

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