图形的种类和画法

使用Matplotlib显示图形

在页面上显示图形

简易方法plt.plot

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
x1 = np.linspace(-5,5,101)
y1 = np.sin(x1)
plt.plot(x1,y1)

严密地面向对象进行声明ax.plot

fig,ax = plt.subplots()
ax.set_title("Sin")
ax.set_xlabel("rad")
ax.plot(x1,y1)
handles,labels = ax.get_legend_handles_labels()
ax.legend(handles,labels)
plt.show()

绘制各种图形

显示图形数据

x2 = np.arange(100) # 元素为“从0到99的整数”数组
y2 = x2 * np.random.rand(100) # 在从0到1的范围内随机选出100个数据

散点图

使用scatter方法绘制散点图

plt.scatter(x2,y2)

直方图

使用hist方法绘制直方图

plt.hist(y2,bins=5)

y2的直方图的bin为5

柱状图

使用bar方法绘制柱状图

plt.bar(x2,y2)

折线图

使用plot方法绘制折线图

plt.plot(x2,y2)

箱线图

使用boxplot方法绘制箱线图
箱线图便于查看数据分布

红酒数据集

from sklearn.datasets import load_wine
data = load_wine()

x3 = data.data[:, [0]]
y3 = data.data[:, [9]]

plt.scatter(x3,y3)

使用pandas理解和处理数据

数据观察

import pandas as pd
from sklearn.datasets import load_wine
data = load_wine()
df_X = pd.DataFrame(data.data, columns = data.feature_names)
df_X.head()

df_y = pd.DataFrame(data.target,columns = ["kind(target)"])
df_y.head()

# pandas中的concat将特征值df_x与目标变量df_y合并
df = pd.concat([df_X,df_y],axis=1)
df.head()

数据可视化

plt.hist(df.loc[:, "alcohol"])

plt.boxplot(df.loc[:, "alcohol"])

相关系数

corr方法计算相关系数
相关系数越接近1，越表明数据是正相关关系；越接近-1，越表明数据是负相关关系；相关系数在0左右，数据列之间的相关性很低

df.corr()

统计信息

describe方法输出数据的行数、平均值、标准差、最小值、25百分位数、中位数、75百分位数、最大值，从统计信息可以看出每列包含的数据具有何种特性、有没有缺损等信息

df.describe()

散点图矩阵

scatter_matrix输出散点图矩阵

所有散点图矩阵

from pandas.plotting import scatter_matrix
_ = scatter_matrix(df, figsize=(15,15))

部分散点图矩阵

查看部分列的关联性
从所有散点图矩阵中选出索引为0、9的列和最后一列的关联性

_ = scatter_matrix(df.iloc[:, [0,9,-1]])