Python优雅地可视化数据
正文共3425个字,9张图,预计阅读时间9分钟。
最近看《机器学习系统设计》。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:
# -*- coding=utf-8 -*-
from matplotlib import pyplot as plt
from sklearn.datasets
import load_iris
import numpy as np
import itertools
01
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,第一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(tight=True) plt.grid()##plt.show()
画出散点图如下:
散点图
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),linewidth=4,color='g')## f2.order: 函数的阶数plt.legend(["d=%i" % f2.order],loc="upper right") plt.show()
效果图:
曲线拟合
02
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。
# -*- coding=utf-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(2,3,1+i)
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(2,3,1+i) for t,marker,c in zip(range(3),">ox","rgb"): plt.scatter(features[target==t,index1],features[target==t,index2],marker=marker,c=c) 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:
多个子图
03
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[target==t,3],features[target==t,2],marker=marker,c=c) plt.xlabel(feature_names[3]) plt.ylabel(feature_names[2]) # plt.xticks([]) # plt.yticks([]) plt.autoscale() plt.vlines(1.6, 0, 8, colors = "c",linewidth=4,linestyles = "dashed") plt.hlines(2.5, 0, 2.5, colors = "y",linewidth=4,linestyles = "dashed") plt.show()
此时可视化效果如下:
竖直线和水平线
04
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:
动态画图
原文链接:http://www.jianshu.com/p/07a7c60a0d2e
作者公众号:x-cvpy,如有兴趣请关注
查阅更为简洁方便的分类文章以及最新的课程、产品信息,请移步至全新呈现的“LeadAI学院官网”:
www.leadai.org
请关注人工智能LeadAI公众号,查看更多专业文章
大家都在看
LSTM模型在问答系统中的应用
基于TensorFlow的神经网络解决用户流失概览问题
最全常见算法工程师面试题目整理(一)
最全常见算法工程师面试题目整理(二)
TensorFlow从1到2 | 第三章 深度学习革命的开端:卷积神经网络
装饰器 | Python高级编程
今天不如来复习下Python基础
Python优雅地可视化数据相关推荐
- 在线可视化python网站_利用Python优雅地可视化数据
作者:刘潇龙 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 ...
- python优雅编程_Python优雅地可视化数据
[导读]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. 声明:由于本文的代码大部分是参考书中的例子,所 ...
- 够强大,Python 这款可视化数据看板不足百行代码
对于从事数据领域的小伙伴来说,当需要阐述自己观点.展示项目成果时,我们需要在最短时间内让别人知道你的想法.我相信单调乏味的语言很难让别人快速理解.最直接有效的方式就是将数据进行可视化展现. 提到数据可 ...
- 实战|手把手教你用Python爬取存储数据,还能自动在Excel中可视化
来源 | 早起Python 大家好,在之前我们讲过如何用Python构建一个带有GUI的爬虫小程序,很多本文将迎合热点,延续上次的NBA爬虫GUI,探讨如何爬取虎扑NBA官网数据,并且将数据写入Exc ...
- Python使用matplotlib可视化发散棒棒糖图、发散棒棒糖图可以同时处理负值和正值、并按照大小排序区分数据、为发散棒棒糖图的特定数据点添加标签、自定义背景填充色、自定义数据点颜色
Python使用matplotlib可视化发散棒棒糖图.发散棒棒糖图可以同时处理负值和正值.并按照大小排序区分数据.为发散棒棒糖图的特定数据点添加标签.自定义背景填充色.自定义数据点颜色(Diverg ...
- Python使用matplotlib可视化分布点图、自定义设置分布点图的中位数数据点的颜色(Distributed Dot Plot)
Python使用matplotlib可视化分布点图.自定义设置分布点图的中位数数据点的颜色(Distributed Dot Plot) 目录
- Python使用matplotlib可视化多个时间序列数据、在同一个可视化图像中可视化多个时间序列数据(Multiple Time Series)
Python使用matplotlib可视化多个时间序列数据.在同一个可视化图像中可视化多个时间序列数据(Multiple Time Series) 目录
- Python使用matplotlib可视化发散型条形图、发散条形图(Diverging Bars)是一种可以同时处理负值和正值的条形图、并按照大小排序区分数据(Diverging Bars)
Python使用matplotlib可视化发散型条形图.发散条形图(Diverging Bars)是一种可以同时处理负值和正值的条形图.并按照大小排序区分数据(Diverging Bars) 目录
- Python使用matplotlib可视化排序的点图、点图表示数据的等级顺序、沿着水平轴对齐(Ordered Dot Plot)
Python使用matplotlib可视化排序的点图.点图表示数据的等级顺序.沿着水平轴对齐(Ordered Dot Plot) 目录
最新文章
- python 的import m.a.b 和 from m.a import b的区别
- 证书格式pfx和cer的区别及转换
- Java实现算法导论中凸包问题Jarvis步进法
- Fortran 入门——函数调用
- 利用两款软件实现图片转文字
- 关于一个js栈溢出的异常
- MAC下使用OpenSSL生成私钥和公钥
- IOS 传值方法总结
- SEO哪些因素会照成百度排名不稳定
- 缓存淘汰算法--LRU算法
- java 面试,java 后端面试,数据库方面对初级和高级程序员的要求
- 华擎 j3455 时钟 linux,经验 篇一:华擎J3455 硬改MAC地址
- 什么是MTU?为什么MTU值普遍都是1500?
- appdata文件太大了可以删除吗?
- 仿真器和模拟器的区别
- matlab练习程序(渲染三原色)
- 【JY】如何利用python来编写GUI?
- java实现加权随机,负载均衡--加权随机算法(Weight Random)
- 2019最值得收藏的24个日语学习网站
- 【2022软件创新实验室暑假集训】Java环境安装与基础介绍
热门文章
- 表格状态列_不用软件也能做好多个项目跟进管理?我用一个协同表格就搞定
- linux vi脚本,linux下vi(vim)的新的用法总结
- 服务器位置设置在哪里找,服务器主页在哪里设置方法
- 在JupyterNotebook中使用多个Python环境
- dynamodb 基本操作
- iOS获取ipa素材、提取ipa资源图片文件
- jQuery 追加元素的方法如append、prepend、before、after
- silverlight 通过WCF与LinQ对数据库进行操作1
- 361766103.jpg
- 能“看穿”换脸视频背后的AI模型,Facebook的反Deepfake方法有点东西