Python机器学习基础之Matplotlib库的使用

声明：代码的运行环境为Python3。Python3与Python2在一些细节上会有所不同，希望广大读者注意。本博客以代码为主，代码中会有详细的注释。相关文章将会发布在我的个人博客专栏《Python从入门到深度学习》，欢迎大家关注。

一、Python机器学习基础之Python的基本语法（一）

二、Python机器学习基础之Python的基本语法（二）

三、Python机器学习基础之Numpy库的使用

四、Python机器学习基础之Pandas库的使用

五、Python机器学习基础之Matplotlib库的使用

六、Sklearn库和TensorFlow框架

七、Python两种方式加载文件内容

Matplotlib库是Python最著名的绘图库，他提供了一整套和MATLAB相似的命令API，十分适合交互式的进行制图。而且也可以方便的将它作为绘图控件，嵌入GUI应用程序中。下面开始我们的第五讲：Python机器学习基础之Matplotlib库的使用。

一、图例与标签

一个图形可以直观的展示给使用者，与其图例和标签是分不开的，所以弄懂图形的图例和标签就显得尤为重要了。我们从一个简单的例子开始说起。

# 导入需要的包
import matplotlib.pyplot as plt#数据点
x = [1, 2, 3]
y = [4, 5, 6]
x2, y2 = [2, 4, 8], [1, 5, 1]# 画图
plt.plot(x, y, label='one')
plt.plot(x2, y2, label='two')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('First Graph')
plt.legend()
plt.show()

如上例所示，调用pyplot中的plot()方法可以进行绘图，但是需要注意的是它只是在后台进行绘图，如果想要将图形显示在屏幕上，需要调用show()方法。上例中，plot()方法中的label参数指的是为当前的图像指定名称，可以在图例中显示出来；xlabel()和ylabel()方法指的是分别对X轴和Y轴创建标签；title()方法可以创建图像的标题；legend()方法可以生成默认的图例。在PyCharm中输入上例中的代码，得到的结果如下图所示。

注意：本文中以例子讲解几种图形的画法，结果不予展示。本文附录会有几个相应的示例及示例结果。

二、条形图和直方图

总体来说，直方图与条形图是非常相像的，但直方图更倾向于将某个区段的数据组合在一起显示分布。下面我们队条形图和直方图的做法分别进行介绍。

1.条形图

首先来看条形图，bar()方法可以创建条形图，如下例所示：

#数据点
x = [2, 4, 6, 8, 10]
y = [4, 5, 6, 2, 9]
x2, y2 = [1, 3, 5, 7, 9], [1, 5, 1, 4, 8]# 画图
plt.bar(x, y, label='one', color='b')
plt.bar(x2, y2, label='two', color='r')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Bar Graph')
plt.legend()
plt.show()

其中color参数可以指定颜色，例如常用的颜色：b代表蓝色、y代表黄色、g代表绿色、r代表红色。当然除此之外，也可以使用十六进制（如#181465）颜色代码等等。

2.直方图

hist()方法用于创建直方图，代码如下：

#数据点
x = [2, 4, 6, 8, 10, 12, 45, 36, 28, 19, 44 ,12, 23]
y = [10, 20, 30, 40, 50]# 画图
plt.hist(x, y, rwidth=0.5, color='b')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Hist Graph')
plt.legend()
plt.show()

上例中，x为数据，y是自己定义的区段，rwidth参数用来设置条形的宽度。

三、堆叠图和饼图

堆叠图与饼图类似，这里放到一起进行讨论，不同的是，堆叠图用于显示数据随时间的变化关系，而饼图是位于某个时间点。

1.堆叠图

stackplot()函数用于绘制堆叠图，代码如下：

# 数据
holiday = [1, 2, 3, 4, 5, 6, 7]
walking = [2, 5, 4, 3, 2, 1, 2]
driving = [2, 4, 3, 2, 6, 2, 1]
sleeping = [7, 8, 8, 6, 4, 9, 7]# 画图
plt.stackplot(holiday, walking, driving, sleeping, colors=['m', 'y', 'b'], labels=['walking', 'driving', 'sleeping'])
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Stackplot Graph')
plt.legend()
plt.show()

上例中，函数内一开始放置的参数是x轴变量，随后的一系列参数都是需要堆叠的数据，参数colors和labels与之前的参数color和label作用是相同的，值得注意的是，当设置的变量有多个时，要用参数的复数形式。

2.饼图

饼图通常用于显示部分对于整体的占比情况。pie()方法用于绘制饼图，代码如下：

# 数据
walking = [2, 5, 4, 3, 2, 1, 2]
driving = [2, 4, 3, 2, 6, 2, 1]
sleeping = [7, 8, 8, 6, 4, 9, 7]
relaxing = [13, 7, 9, 13, 12, 12, 14]slices = [2, 1, 7, 14]
labels = ['walking', 'driving', 'sleeping', 'relaxing']
colors = ['m', 'y', 'b', 'r']# 画图
plt.pie(slices, labels=labels, colors=colors, startangle=90, shadow=True, explode=(0.1, 0, 0, 0), autopct='%1.1f%%')
plt.title('Pie Graph')
plt.legend()
plt.show()

上例中，首先我们需要在函数内指定切片，这是每组数据的相对大小。参数startangle指定起始的角度，参数shadow用于指定是否显示阴影，参数explode指定拉出某个切片，参数autopct指定将百分比放置到切片上。

四、散点图

散点图通常用于两个变量之间寻找某种关系，如线性关系。scatter()函数用于创建散点图，代码如下：

# 数据
x = [1, 2, 3, 4, 5, 6, 7, 8, 9]
y = [2, 5, 4, 6, 5, 4, 7, 8, 2]# 画图
plt.scatter(x, y, label='scatter', color='k', s=25, marker='o'),
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Scatter Graph')
plt.legend()
plt.show()

上例中，参数s用于指定使用标记的大小，参数marker用于指定使用的标记的类型。

五、从文件中加载数据

在利用Matplotlib包进行绘图的时候，大多数的数据都是来自于文件的，所以学会从文件中读取数据并展示出来就显得尤为重要了。我们将使用两个方法分别对文件中的数据进行加载并通过图形将数据展示出来。

1.使用NumPy库进行加载

使用NumPy库中的loadtxt()方法可以将数据加载出来，这也是一种相对简单的方法。NumPy加载数据在3.1.6中已经做出了介绍，加载及绘图过程如下例所示：

# 导入需要的包
import matplotlib.pyplot as plt
import numpy as np#加载数据
x, y = np.loadtxt('file', delimiter=',', unpack=True)# 画图
plt.plot(x, y, label='file data')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('LoadFile Graph')
plt.legend()
plt.show()

2.使用csv模块加载

csv模块是Python自带的一个模块，可以利用open()函数将要读入的文件打开，然后通过csv模块进行相关处理，代码如下：

# 导入需要的包
import matplotlib.pyplot as plt
import csv# 数据
x = []
y = []with open('file', 'r') as csvfile:data = csv.reader(csvfile, delimiter=',')for i in data:x.append(int(i[0]))y.append(int(i[1]))# 画图
plt.plot(x, y, label='file data')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('LoadFile Graph')
plt.legend()
plt.show()

上例中，open()函数中参数delimiter是指文件中的分隔符。

六、附录

【调用help方法，查看相关的命令】

'''
机器学习基础之matplotlib模块的简单使用
'''# 导入需要的包
import matplotlib.pyplot as plt
import numpy as nphelp(plt.plot)

【结果】

Help on function plot in module matplotlib.pyplot:plot(*args, **kwargs)Plot lines and/or markers to the:class:`~matplotlib.axes.Axes`.  *args* is a variable lengthargument, allowing for multiple *x*, *y* pairs with anoptional format string.  For example, each of the following islegal::plot(x, y)        # plot x and y using default line style and colorplot(x, y, 'bo')  # plot x and y using blue circle markersplot(y)           # plot y using x as index array 0..N-1plot(y, 'r+')     # ditto, but with red plussesIf *x* and/or *y* is 2-dimensional, then the corresponding columnswill be plotted.If used with labeled data, make sure that the color spec is notincluded as an element in data, as otherwise the last case``plot("v","r", data={"v":..., "r":...)``can be interpreted as the first case which would do ``plot(v, r)``using the default line style and color.If not used with labeled data (i.e., without a data argument),an arbitrary number of *x*, *y*, *fmt* groups can be specified, as in::a.plot(x1, y1, 'g^', x2, y2, 'g-')Return value is a list of lines that were added.By default, each line is assigned a different style specified by a'style cycle'.  To change this behavior, you can edit theaxes.prop_cycle rcParam.The following format string characters are accepted to controlthe line style or marker:================    ===============================character           description================    ===============================``'-'``             solid line style``'--'``            dashed line style``'-.'``            dash-dot line style``':'``             dotted line style``'.'``             point marker``','``             pixel marker``'o'``             circle marker``'v'``             triangle_down marker``'^'``             triangle_up marker``'<'``             triangle_left marker``'>'``             triangle_right marker``'1'``             tri_down marker``'2'``             tri_up marker``'3'``             tri_left marker``'4'``             tri_right marker``'s'``             square marker``'p'``             pentagon marker``'*'``             star marker``'h'``             hexagon1 marker``'H'``             hexagon2 marker``'+'``             plus marker``'x'``             x marker``'D'``             diamond marker``'d'``             thin_diamond marker``'|'``             vline marker``'_'``             hline marker================    ===============================The following color abbreviations are supported:==========  ========character   color==========  ========'b'         blue'g'         green'r'         red'c'         cyan'm'         magenta'y'         yellow'k'         black'w'         white==========  ========In addition, you can specify colors in many weird andwonderful ways, including full names (``'green'``), hexstrings (``'#008000'``), RGB or RGBA tuples (``(0,1,0,1)``) orgrayscale intensities as a string (``'0.8'``).  Of these, thestring specifications can be used in place of a ``fmt`` group,but the tuple forms can be used only as ``kwargs``.Line styles and colors are combined in a single format string, as in``'bo'`` for blue circles.The *kwargs* can be used to set line properties (any property that hasa ``set_*`` method).  You can use this to set a line label (for autolegends), linewidth, anitialising, marker face color, etc.  Here is anexample::plot([1,2,3], [1,2,3], 'go-', label='line 1', linewidth=2)plot([1,2,3], [1,4,9], 'rs',  label='line 2')axis([0, 4, 0, 10])legend()If you make multiple lines with one plot command, the kwargsapply to all those lines, e.g.::plot(x1, y1, x2, y2, antialiased=False)Neither line will be antialiased.You do not need to use format strings, which are justabbreviations.  All of the line properties can be controlledby keyword arguments.  For example, you can set the color,marker, linestyle, and markercolor with::plot(x, y, color='green', linestyle='dashed', marker='o',markerfacecolor='blue', markersize=12).See :class:`~matplotlib.lines.Line2D` for details.The kwargs are :class:`~matplotlib.lines.Line2D` properties:agg_filter: unknownalpha: float (0.0 transparent through 1.0 opaque) animated: [True | False] antialiased or aa: [True | False] clip_box: a :class:`matplotlib.transforms.Bbox` instance clip_on: [True | False] clip_path: [ (:class:`~matplotlib.path.Path`, :class:`~matplotlib.transforms.Transform`) | :class:`~matplotlib.patches.Patch` | None ] color or c: any matplotlib color contains: a callable function dash_capstyle: ['butt' | 'round' | 'projecting'] dash_joinstyle: ['miter' | 'round' | 'bevel'] dashes: sequence of on/off ink in points drawstyle: ['default' | 'steps' | 'steps-pre' | 'steps-mid' | 'steps-post'] figure: a :class:`matplotlib.figure.Figure` instance fillstyle: ['full' | 'left' | 'right' | 'bottom' | 'top' | 'none'] gid: an id string label: string or anything printable with '%s' conversion. linestyle or ls: ['solid' | 'dashed', 'dashdot', 'dotted' | (offset, on-off-dash-seq) | ``'-'`` | ``'--'`` | ``'-.'`` | ``':'`` | ``'None'`` | ``' '`` | ``''``]linewidth or lw: float value in points marker: :mod:`A valid marker style <matplotlib.markers>`markeredgecolor or mec: any matplotlib color markeredgewidth or mew: float value in points markerfacecolor or mfc: any matplotlib color markerfacecoloralt or mfcalt: any matplotlib color markersize or ms: float markevery: [None | int | length-2 tuple of int | slice | list/array of int | float | length-2 tuple of float]path_effects: unknownpicker: float distance in points or callable pick function ``fn(artist, event)`` pickradius: float distance in points rasterized: [True | False | None] sketch_params: unknownsnap: unknownsolid_capstyle: ['butt' | 'round' |  'projecting'] solid_joinstyle: ['miter' | 'round' | 'bevel'] transform: a :class:`matplotlib.transforms.Transform` instance url: a url string visible: [True | False] xdata: 1D array ydata: 1D array zorder: any number kwargs *scalex* and *scaley*, if defined, are passed on to:meth:`~matplotlib.axes.Axes.autoscale_view` to determinewhether the *x* and *y* axes are autoscaled; the default is*True*... note::In addition to the above described arguments, this function can take a**data** keyword argument. If such a **data** argument is given, thefollowing arguments are replaced by **data[<arg>]**:* All arguments with the following names: 'x', 'y'.

【示例一】

# Figure和Subplot：matplotlib的图像都位于Figure对象中，Figure对象下创建一个或多个subplot对象（即axes）用于绘制图表# 示例一
# 设置中文和‘-’负号显示问题
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']
mpl.rcParams['axes.unicode_minus'] = False
# 获得figure对象
fig = plt.figure(figsize=(8, 6))
# 在Figure对象上创建axes对象
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)
# 在当前axes上绘制曲线图（ax3）
plt.plot(np.random.randn(50).cumsum(), 'k--')
# 在ax1上绘制柱状图
ax1.hist(np.random.randn(300), bins=20, color='k', alpha=0.3)
# 在ax2上绘制散点图
ax2.scatter(np.arange(30), np.arange(30) + 3 * np.random.randn(30))
plt.show()

【结果】

【示例二】

# 示例二
# 设置中文和‘-’负号显示问题
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']
mpl.rcParams['axes.unicode_minus'] = False
# 画图
fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)
print(axes)
for i in range(2):for j in range(2):axes[i, j].hist(np.random.randn(500), bins=10, color='k', alpha=0.5)
plt.subplots_adjust(wspace=0, hspace=0)
plt.show()

【结果】

【示例三】

# matplotlib曲线图# 示例三
# 设置中文和‘-’负号显示问题
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']
mpl.rcParams['axes.unicode_minus'] = False
x = np.linspace(0, 10, 1000)
y = np.sin(x)
z = np.cos(x ** 2)
# 创建一个绘图对象，并且指定宽8英寸，高4英寸
plt.figure(figsize=(8, 4))
# label:给所绘制的曲线一个名字，此名字在图示（legend）中显示。
# 只要在字符串前后添加“$”符号，matplotlib就会使用其内嵌的latex引擎绘制的数学公式。
# color指定曲线颜色，linewidth曲线宽度，“b--”指定曲线的颜色和线型
plt.plot(x, y, label='$sin(x)$', color='red', linewidth=2)
plt.plot(x, z, 'b--', label='$cos(x^2)$')
plt.xlabel("Time(s)")  # 设置x轴标题
plt.ylabel("Volt")  # 设置y轴标题
plt.title("PyPlot First Example")  # 设置图标标题
plt.ylim(-1.2, 1.2)  # 设置x轴范围
plt.legend()  # 显示图示说明
plt.grid(True)  # 显示虚线框
plt.show()  # 展示图表

【结果】

【示例四】

# matplotlib绘制散点图# 示例四
# 设置中文和‘-’负号显示问题
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']
mpl.rcParams['axes.unicode_minus'] = Falseplt.axis([0, 5, 0, 20])
plt.title('My First Chart', fontsize=20, fontname='Time New Roman')
plt.xlabel('Counting', color='gray')
plt.ylabel('Square values', color='gray')
plt.text(1, 1.5, 'First')
plt.text(2, 4.5, 'Second')
plt.text(3, 9.5, 'Third')
plt.text(4, 16.5, 'Fourth')
plt.text(1, 11.5, r'$y=x^2$', fontsize=20, bbox={'facecolor': 'yellow', 'alpha': 0.2})
plt.grid(True)
plt.plot([1, 2, 3, 4], [1, 4, 9, 16], 'ro')
plt.plot([1, 2, 3, 4], [0.8, 3.5, 8, 15], 'g^')
plt.plot([1, 2, 3, 4], [0.5, 2.5, 5.4, 12], 'b*')
plt.legend(['First series', 'Second series', 'Third series'], loc=2)
# 将图表保存到文件
plt.savefig('my_chart.png')
plt.show()

【结果】

【示例五】

# 颜色、标记和线型# 示例五
# 设置中文和‘-’负号显示问题
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']
mpl.rcParams['axes.unicode_minus'] = Falsex = np.arange(-5, 5)
y = np.sin(np.arange(-5, 5))
plt.axis([-5, 5, -5, 5])
plt.plot(x, y, color='g', linestyle='dashed', marker='o')
plt.text(-3, 3, '$y=sin(x)$', fontsize=20, bbox={'facecolor': 'yellow', 'alpha': 0.2})
plt.show()

【结果】

【示例六】

# 刻度、标签和图例
# 1、xlim、ylim控制图表的范围
# 2、xticks、yticks控制图表刻度位置
# 3、xtickslabels、ytickslabels控制图表刻度标签# 示例六
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
mean_sales = [2323, 1566, 2356, 1223, 5645, 1256, 8945, 1234, 4567, 7896, 8956, 4556]
np_months = np.array([i+1 for i, _ in enumerate(months)])
np_mean_sales = np.array(mean_sales)
plt.figure(figsize=(15, 8))
plt.bar(np_months, np_mean_sales, width=1, facecolor='yellowgreen', edgecolor='white')
plt.xlim(0.5, 13)
plt.xlabel(u"月份")
plt.ylabel(u"月均销售额")
for x, y in zip(np_months, np_mean_sales):plt.text(x, y, y, ha="center", va="bottom")
plt.show()

【结果】

你们在此过程中遇到了什么问题，欢迎留言，让我看看你们都遇到了哪些问题。

Python机器学习基础之Matplotlib库的使用相关推荐

8、Python 机器学习基础知识Pandas库中的DataFrom（二）
DataFrom DataFrame 是一种二维的数据结构,非常接近于电子表格或者类似 mysql 数据库的形式.它的竖行称之为 columns,横行跟前面的 Series 一样,称之为 index, ...
Python机器学习基础之Python的基本语法（一）
当今世界已经进入了大数据的时代.随着信息化的不断发展,人工智能.机器学习等词语越来越被人们所熟知,而他们也渐渐地成了这个时代的弄潮儿,走在了信息时代的前端.从本篇博客开始,小编将带领大家一起走进人工智 ...
python基础教程免费下载-《Python机器学习基础教程》高清版免费PDF下载
Python机器学习基础教程-[德] 安德里亚斯·穆勒(Andreas C.Müller)[美]莎拉·吉多(Sarah Guido) 著,张亮(hysic) 译下载地址1:网盘下载下载地址2:网盘 ...
Python机器学习、深度学习库总结（内含大量示例，建议收藏）
Python机器学习.深度学习库总结(内含大量示例,建议收藏) 前言 python常用机器学习及深度学习库介绍总结与分类 python 常用机器学习及深度学习库总结分类更多前言目前,随着人工 ...
Python机器学习、深度学习库总结
Python机器学习.深度学习库总结(内含大量示例,建议收藏) 前言 python常用机器学习及深度学习库介绍总结与分类 python 常用机器学习及深度学习库总结分类更多前言为了大家能够对 ...
python机器学习基础教程-学习笔记（一）
了解 scikit-learn 及其用法是很重要的,但还有其他一些库也可以改善你的编程体验. scikit-learn 是基于 NumPy 和 SciPy 科学计算库的.此外,我们还会用到 panda ...
Python机器学习基础教程-第2章-监督学习之K近邻
前言本系列教程基本就是摘抄<Python机器学习基础教程>中的例子内容. 为了便于跟踪和学习,本系列教程在Github上提供了jupyter notebook 版本: Github仓库: ...
Python机器学习基础篇二《监督学习》
前言前期回顾: Python机器学习基础篇一<为什么用Python进行机器学习> 前面说过,监督学习是最常用也是最成功的机器学习类型之一.本章将会详细介绍监督学习,并解释几种常用的监督 ...
Python机器学习基础教程——鸢尾花分类
Python机器学习基础教程--鸢尾花分类初识数据训练数据与测试数据观察数据-数据可视化模型的建立与评估--K近邻算法她还有一些鸢尾花的测量数据,这些花之前已经被植物学专家鉴定为属于 set ...

Python机器学习基础之Matplotlib库的使用

Python机器学习基础之Matplotlib库的使用相关推荐

最新文章

热门文章