讲道理,Python数据可视化是优雅的艺术

大数据 数据可视化
最近看《机器学习系统设计》…前两章。学到了一些用Matplotlib进行数据可视化的方法。在这里整理一下。

最近看《机器学习系统设计》…前两章。学到了一些用Matplotlib进行数据可视化的方法。在这里整理一下。

声明:由于本文的代码大部分是参考书中的例子,所以不提供完整代码,只提供示例片段,也就是只能看出某一部分用法,感兴趣的需要在自己的数据上学习测试。

最开始,当然还是要导入我们需要的包:

 

  1. # -*- coding=utf-8 -*-  
  2. from matplotlib import pyplot as plt  
  3. from sklearn.datasets import load_iris  
  4. import numpy as np  
  5. import itertools1234512345 

1. 画散点图

画散点图用plt.scatter(x,y)。画连续曲线在下一个例子中可以看到,用到了plt.plot(x,y)。

plt.xticks(loc,label)可以自定义x轴刻度的显示,***个参数表示的是第二个参数label显示的位置loc。

plt.autoscale(tight=True)可以自动调整图像显示的***化比例 。

 

  1. plt.scatter(x,y)  
  2. plt.title("Web traffic" 
  3. plt.xlabel("Time" 
  4. plt.ylabel("Hits/hour" 
  5. plt.xticks([w*7*24 for w in range(10)],['week %i' %w for w in range(10)])  
  6. plt.autoscale(tight=True 
  7. plt.grid()  
  8. ##plt.show()1234567812345678 

画出散点图如下:

讲道理,Python数据可视化是优雅的艺术

2. 多项式拟合并画出拟合曲线

## 多项式拟合

 

  1. fp2 = np.polyfit(x,y,3)  
  2. f2 = np.poly1d(fp2)  
  3. fx = np.linspace(0,x[-1],1000)  
  4. plt.plot(fx,f2(fx),linewidth=4,color='g' 
  5. ## f2.order: 函数的阶数  
  6. plt.legend(["d=%i" % f2.order],loc="upper right" 
  7. plt.show()123456789123456789 

效果图:

讲道理,Python数据可视化是优雅的艺术

3. 画多个子图

这里用到的是sklearn的iris_dataset(鸢尾花数据集)。

此数据集包含四列,分别是鸢尾花的四个特征:

  • sepal length (cm)——花萼长度
  • sepal width (cm)——花萼宽度
  • petal length (cm)——花瓣长度
  • petal width (cm)——花瓣宽度

这里首先对数据进行一定的处理,主要就是对特征名称进行两两排列组合,然后任两个特征一个一个做x轴另一个做y轴进行画图。

 

  1. # -*- coding=utf-8 -*-  
  2. from matplotlib import pyplot as plt  
  3. from sklearn.datasets import load_iris  
  4. import numpy as np  
  5. import itertools 
  6.  data = load_iris()  
  7. #print(data.data)  
  8. #print(data.feature_names)  
  9. #print(data.target)  
  10. features = data['data' 
  11. feature_names = data['feature_names' 
  12. target = data['target' 
  13. labels = data['target_names'][data['target']]  
  14. print(data.data)  
  15. print(data.feature_names)123456789101112131415161718123456789101112131415161718 

这里有一个排列组合参考代码,***是取出了两两组合的情况。

排列组合的结果是feature_names_2包含了排列组合的所有情况,它的每一个元素包含了一个排列组合的所有情况,比如***个元素包含了所有单个元素排列组合的情况,第二个元素包含了所有的两两组合的情况……所以这里取出了第二个元素,也就是所有的两两组合的情况

 

  1. feature_names_2 = []  
  2. #排列组合  
  3. for i in range(1,len(feature_names)+1):  
  4. iter = itertools.combinations(feature_names,i)  
  5. feature_names_2.append(list(iter))  
  6. print(len(feature_names_2[1]))  
  7. for i in feature_names_2[1]:  
  8. print(i)123456789123456789 

下面是在for循环里画多个子图的方法。对我来说,这里需要学习的有不少。比如

for i,k in enumerate(feature_names_2[1]):这一句老是记不住。

比如从列表中取出某元素所在的索引的方法:index1 = feature_names.index(k[0]),也即index = list.index(element)的形式。

比如for循环中画子图的方法:plt.subplot(2,3,1+i)

比如for循环的下面这用法:for t,marker,c in zip(range(3),”>ox”,”rgb”):

 

  1. plt.figure(1)  
  2. for i,k in enumerate(feature_names_2[1]):  
  3. index1 = feature_names.index(k[0])  
  4. index2 = feature_names.index(k[1])  
  5. plt.subplot(2,3,1+i)  
  6. for t,marker,c in zip(range(3),">ox","rgb"):  
  7. plt.scatter(features[target==t,index1],features[target==t,index2],marker=marker,c=c)  
  8. plt.xlabel(k[0])  
  9. plt.ylabel(k[1])  
  10. plt.xticks([])  
  11. plt.yticks([])  
  12. plt.autoscale()  
  13. plt.tight_layout()  
  14. plt.show()12345678910111213141234567891011121314 

这里的可视化效果如下:

讲道理,Python数据可视化是优雅的艺术

4. 画水平线和垂直线

比如在上面***一幅图中,找到了一种方法可以把三种鸢尾花分出来,这是我们需要画出模型(一条直线)。这个时候怎么画呢?

下面需要注意的就是plt.vlines(x,y_min,y_max)和plt.hlines(y,x_min,x_max)的用法。

 

  1. plt.figure(2)  
  2. for t,marker,c in zip(range(3),">ox","rgb"): 
  3. plt.scatter(features[target==t,3],features[target==t,2],marker=marker,c=c)  
  4. plt.xlabel(feature_names[3])  
  5. plt.ylabel(feature_names[2])  
  6. # plt.xticks([])  
  7. # plt.yticks([])  
  8. plt.autoscale()  
  9. plt.vlines(1.6, 0, 8, colors = "c",linewidth=4,linestyles = "dashed" 
  10. plt.hlines(2.5, 0, 2.5, colors = "y",linewidth=4,linestyles = "dashed"
  11.  plt.show() 12345678910111234567891011 

此时可视化效果如下:

讲道理,Python数据可视化是优雅的艺术

5. 动态画图

plt.ion()打开交互模式。plt.show()不再阻塞程序运行。

注意plt.axis()的用法。

 

  1. plt.axis([0, 100, 0, 1])  
  2. plt.ion()  
  3. for i in range(100):  
  4. y = np.random.random()  
  5. plt.autoscale()  
  6. plt.scatter(i, y)  
  7. plt.pause(0.01)1234567812345678 

可视化效果:

讲道理,Python数据可视化是优雅的艺术

责任编辑:未丽燕 来源: 36大数据
相关推荐

2017-06-29 11:26:08

Python数据可视化

2017-07-12 16:07:49

大数据数据可视化

2019-01-21 15:10:11

佩奇可视化数据

2020-03-11 14:39:26

数据可视化地图可视化地理信息

2017-10-14 13:54:26

数据可视化数据信息可视化

2022-08-26 09:15:58

Python可视化plotly

2017-10-31 09:38:53

大数据数据可视化Python

2022-02-23 09:50:52

PythonEchartspyecharts

2020-05-26 11:34:46

可视化WordCloud

2015-09-09 13:15:05

2020-09-02 13:56:03

Python可视化数据

2012-05-08 16:13:36

iPhone

2018-11-30 10:28:44

Python反爬网页

2017-02-23 09:42:53

大数据数据可视化技术误区

2023-03-09 15:11:30

数据可视化工具matplotlib

2021-08-30 11:40:06

PythonSeaborn可视化

2022-07-05 15:11:42

Python数据可视化机器学习

2018-12-03 16:50:23

数据可视化数据分析薪水

2015-08-20 10:00:45

可视化

2019-01-02 11:59:26

Python数据可视化GDP
点赞
收藏

51CTO技术栈公众号