建专业外贸网站,长沙市网站制作多少钱,平面设计在哪里接单,wordpress怎么调用文章列表[导读]声明#xff1a;由于本文的代码大部分是参考书中的例子#xff0c;所以不提供完整代码#xff0c;只提供示例片段#xff0c;也就是只能看出某一部分用法#xff0c;感兴趣的需要在自己的数据上学习测试。
声明#xff1a;由于本文的代码大部分是参考书中的例子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。
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# -*- codingutf-8 -*-from matplotlib import pyplot as pltfrom sklearn.datasets import load_irisimport numpy as npimport itertools
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(loclabel)可以自定义x轴刻度的显示第一个参数表示的是第二个参数label显示的位置loc。
plt.autoscale(tightTrue)可以自动调整图像显示的最佳化比例 。plt.scatter(x,y)
plt.title(Web traffic)
plt.xlabel(Time)
plt.ylabel(Hits/hour)
plt.xticks([w*7*24 for w in range(10)],[week %i %w for w in range(10)])
plt.autoscale(tightTrue)
plt.grid()##plt.show()
画出散点图如下2. 多项式拟合并画出拟合曲线## 多项式拟合fp2 np.polyfit(x,y,3)
f2 np.poly1d(fp2)
fx np.linspace(0,x[-1],1000)
plt.plot(fx,f2(fx),linewidth4,colorg)## f2.order: 函数的阶数plt.legend([d%i % f2.order],locupper right)
plt.show()
效果图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。# -*- codingutf-8 -*-from matplotlib import pyplot as pltfrom sklearn.datasets import load_irisimport numpy as npimport itertools
data load_iris()#print(data.data)#print(data.feature_names)#print(data.target)features data[data]
feature_names data[feature_names]
target data[target]
labels data[target_names][data[target]]
print(data.data)
print(data.feature_names)
这里有一个排列组合参考代码最后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第一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feature_names_2 []#排列组合for i in range(1,len(feature_names)1):
iter itertools.combinations(feature_names,i)
feature_names_2.append(list(iter))
print(len(feature_names_2[1]))for i in feature_names_2[1]:
print(i)
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(2,3,1i)比如for循环的下面这用法for t,marker,c in zip(range(3),ox,rgb):plt.figure(1)for i,k in enumerate(feature_names_2[1]):
index1 feature_names.index(k[0])
index2 feature_names.index(k[1])
plt.subplot(2,3,1i)for t,marker,c in zip(range(3),ox,rgb):
plt.scatter(features[targett,index1],features[targett,index2],markermarker,cc)
plt.xlabel(k[0])
plt.ylabel(k[1])
plt.xticks([])
plt.yticks([])
plt.autoscale()
plt.tight_layout()
plt.show()
这里的可视化效果如下4. 画水平线和垂直线
比如在上面最后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。plt.figure(2)for t,marker,c in zip(range(3),ox,rgb):
plt.scatter(features[targett,3],features[targett,2],markermarker,cc)
plt.xlabel(feature_names[3])
plt.ylabel(feature_names[2])# plt.xticks([])# plt.yticks([])plt.autoscale()
plt.vlines(1.6, 0, 8, colors c,linewidth4,linestyles dashed)
plt.hlines(2.5, 0, 2.5, colors y,linewidth4,linestyles dashed)
plt.show()
此时可视化效果如下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。plt.axis([0, 100, 0, 1])
plt.ion()for i in range(100):
y np.random.random()
plt.autoscale()
plt.scatter(i, y)
plt.pause(0.01)
可视化效果
