可视化
哎呦-_-不错
读书太少而想太多
展开
-
fig, ax = plt.subplots(figsize = (a, b))解析 与 plt.subplot()函数解析
转载:https://blog.csdn.net/TeFuirnever/article/details/93724227转载:https://blog.csdn.net/TeFuirnever/article/details/89842795文章目录fig, ax = plt.subplots(figsize = (a, b))解析plt.subplot()函数解析fig, ax = plt.subplots(figsize = (a, b))解析在matplotlib一般使用plt.figure原创 2020-07-18 09:52:23 · 49611 阅读 · 6 评论 -
可视化—三维图的绘制
官方文档plot_surface( X, Y, Z, *args, norm=None, vmin=None, vmax=None, lightsource=None, **kwargs)描述绘制三维图参数X, Y, Z :2D arrays数据值rcount, ccount :int每个方向使用的最大样品数量。默认值为50。rstride, cstride :int每个方向的下采样步长。这些参数与rcount, ccount是互斥的。cmap :Colormap颜色图案例原创 2021-04-14 14:45:54 · 1517 阅读 · 13 评论 -
数据可视化—绘制雷达图
这里以案例的形式绘制雷达图案例1# 球员能力图import numpy as npimport matplotlib.pyplot as plt# 专门管理字体的类from matplotlib.font_manager import FontPropertiesplt.style.use('ggplot')# 定义字体font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc',size=10)# 能力标签ability_原创 2021-04-06 19:56:42 · 1801 阅读 · 0 评论 -
TSNE—聚类结果可视化
文章目录一、TSNE参数解析 TSNE的定位是高维数据可视化。对于聚类来说,输入的特征维数是高维的(大于三维),一般难以直接以原特征对聚类结果进行展示。而TSNE提供了一种有效的数据降维模式,是一种非线性降维算法,让我们可以在2维或者3维的空间里展示聚类结果。一、TSNE参数解析 t-SNE是一个可视化高维数据的工具。它将数据点之间的相似性转换为联合概率,并试图最小化低维嵌入数据和高维数据联合概率之间的KL散度。t-SNE具有非凸的代价函数,即不同的初始化可以得到不同的结果。class skle转载 2021-04-01 17:39:02 · 53676 阅读 · 6 评论 -
可视化—解决graphviz保存决策树中文乱码问题
import pandas as pdfrom sklearn.tree import DecisionTreeClassifier, export_graphvizfrom sklearn.preprocessing import LabelEncoderimport graphvizimport matplotlib as mpldata = pd.read_excel('data/sales_data.xls', index_col='序号')data[data == '好'] = 1原创 2021-03-31 18:51:31 · 681 阅读 · 0 评论 -
3.2 决策树可视化
import numpy as npimport pandas as pdfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.preprocessing import LabelEncoderfrom sklearn import treeimport pydotplusimport matplotlib as mpl# 加载数据def loaddata(): features = ["age", "work",原创 2021-01-10 20:28:52 · 247 阅读 · 0 评论 -
matplotlib—plt.pie绘制饼状图及参数详解
文章目录官网链接import matplotlib.pyplot as pltplt.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=0, 0, frame=Fal原创 2021-03-30 11:38:34 · 37733 阅读 · 2 评论 -
matplotlib—matplotlib绘图中出现□的解决办法
绘图前添加这两行代码,这两行代码老忘,记录一下!!!#解决matplotlib中文显示问题plt.rcParams['font.sans-serif'] = ['SimHei']# 解决保存图像是负号显示为方块问题plt.rcParams['axes.unicode_minus'] = False ...原创 2021-03-30 11:22:23 · 174 阅读 · 0 评论 -
seaborn—sns.heatmap绘制热力图
heatmap(热力图)是识别预测变量与目标变量相关性的方法,同时,也是发现变量间是否存在多重共线性的好方法。中文文档seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor='white', cbar=True, cbar_kws=None, cbar_ax=None原创 2021-03-26 11:11:51 · 56132 阅读 · 6 评论 -
seaborn—sns.scatterplot绘制散点图
箱型图的绘制 接上一篇,箱型图适合绘制类别变量与目标变量的关系。这一篇所讲到的散点图适合绘制连续型变量与目标变量的关系。中文文档seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True,..原创 2021-03-26 10:35:54 · 8249 阅读 · 0 评论 -
seaborn—sns.residplot绘制线性回归的残差
中文文档seaborn.residplot(x, y, data=None, lowess=False, x_partial=None, y_partial=None, order=1, robust=False, dropna=True, label=None, color=None, scatter_kws=None, line_kws=None, ax=None)绘制线性回归的残差。此函数将对x进行y回归(可能作为稳健或多项式回归),然后绘制残差的散点图。您可以选择将最低平滑度拟合到残差图原创 2021-03-25 22:22:01 · 2104 阅读 · 0 评论 -
seaborn—seaborn.regplot绘制线性回归拟合图
seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, dropna原创 2021-03-25 22:15:24 · 1769 阅读 · 0 评论 -
stats—stats.probplot绘制数据与正态分布分位数的拟合图
# 通过比较数据和正态分布的分位数是否相等来判断数据是不是符合正态分布stats.probplot(df.loc[:,feature],plot=axes[1])红色线条表示正态分布,蓝色线条表示样本数据,蓝色越接近红色参考线,说明越符合预期分布(正态分布)。这个图通常与sns.distplot直方图与连续概率密度估计图一起使用...原创 2021-03-25 21:12:37 · 2609 阅读 · 0 评论 -
seaborn—seaborn.boxplot绘制箱型图
seaborn.boxplot 接口的作用是绘制箱形图以展现与类别相关的数据分布状况。箱形图(或盒须图)以一种利于变量之间比较或不同分类变量层次之间比较的方式来展示定量数据的分布。图中矩形框显示数据集的上下四分位数,而矩形框中延伸出的线段(触须)则用于显示其余数据的分布位置,剩下超过上下四分位间距的数据点则被视为“异常值”。官方文档# orient='v'控制绘图方向sns.boxplot(df.loc[:,feature],orient='h',ax=axes[2])...原创 2021-03-25 21:08:28 · 1596 阅读 · 0 评论 -
missingno库—缺失值可视化
文章目录引言引言当你碰到几个G甚至更大的数据时,如何查看结构化数据的确实情况呢?这是missingno库就显得功能非常强大了!!!原创 2021-01-21 14:50:14 · 1226 阅读 · 0 评论 -
seaborn—seaborn.distplot绘制直方图和连续密度统计
文章目录 distplot方法可以绘制直方图和连续密度估计,该方法使得直方图和密度图的绘制更为简单。seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, a原创 2021-03-23 14:25:41 · 1598 阅读 · 0 评论