Python优雅地可视化数据
来源:互联网 发布:mdb数据库编辑器 编辑:程序博客网 时间:2024/05/04 23:01
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 itertoolsdata = 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
- Python优雅地可视化数据
- 一个优雅地探索相关性的新可视化方法
- 如何优雅地退出python程序
- python 如何优雅地退出子进程
- Python优雅地dumps非标准类型
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 悬浮显示input中所有的内容
- iOS
- 笔记55 | 处理CalledFromWrongThreadException错误问题
- 卷积神经网络-进化史 | 从LeNet到AlexNet
- Anaconda使用总结
- Python优雅地可视化数据
- SRWebSocket源码浅析
- ajax跨域,这应该是最全的解决方案了
- 机器学习中样本不平衡处理办法
- tensorflow安装、流程,概念和简单代码注释
- Presenter
- Neutron 如何支持多种 network provider(6)
- 仿购物车的适配器
- Angular 路由快速入门