python學習之數據分析繪圖

數據分析繪圖庫Matplotlib

• 圖例Legend 表明圖形裏的內容
• 網格Grid,圖形中的虛線,True顯示網格
• 點 Markers:表示點的形狀。

基本的視覺元素有三種:點、線、柱狀。分析下面需求繪製什麼圖形?
學生爲某科課程花費的時間和考試成績二者之間的關係,查看二者之間的相關性。

make標記樣式

標記顏色color

第一個圖形繪製完成順序

#1). 導入繪圖庫
import  matplotlib.pyplot as plt
import  numpy as np
#2). 建立畫板figure
figure = plt.figure(figsize=(10, 10))
#3). 建立子圖subplot/Axes
ax = plt.subplot(1, 1, 1)
#4). 準備數據
#從0-50分割成100份
x = np.linspace(0, 10, 100)
y = np.sin(x)
#6). 繪製
ax.plot(x, y, color='orange', marker='*', linestyle='-.')
ax.set_title('y = sinx')
ax.set_xlabel('x')
ax.set_ylabel('y')
#7). 顯示圖形
plt.show()

第一個圖形繪製快速版

import matplotlib.pyplot as plt
import numpy as np

#1). 準備數據信息
x = np.linspace(0, 20, 100)
y = np.sin(x)

#2). 直接繪圖
plt.plot(x, y)
#plt.scatter(x, y)
plt.title('y = sinx')
plt.xlabel('x')
plt.ylabel('y')

#3). 繪製圖形並顯示
plt.show()

多圖繪製
多圖案例

繪製步驟

案例一: 散點圖和折線圖
繪圖需求: 基於某函數,並在其必定範圍震動的離散圖。必定範圍內震動呢?y加個隨機數

1.1 散點圖繪製

.
子圖繪製

#1). 導入繪圖庫
import  matplotlib.pyplot as plt
import  numpy as np
#2). 建立畫板figure
figure = plt.figure(figsize=(10, 10))
#3). 建立子圖subplot/Axes， 生成2行一列的子圖，
#第一行第一列繪製sinx的圖形， 第二行第一列繪製cosx的圖形
ax1 = plt.subplot(2, 1, 1)
ax2 = plt.subplot(2, 1, 2)
#4). 準備數據
#從0-50分割成100份
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
#6). 繪製
ax1.plot(x, y1, color='orange', linestyle='-.')
ax1.set_title('y = sinx')
ax1.set_xlabel('x')
ax1.set_ylabel('y')

ax2.plot(x, y2, color='m', linestyle='-.')
ax2.set_title('y = cosx')
ax2.set_xlabel('x')
ax2.set_ylabel('y')
#7). 顯示圖形
plt.show()

1.2 曲線圖

2.

案例二: 柱狀圖
條形圖(bar chart),也稱爲柱狀圖,是一種以長方形的長度爲變量的統計圖表,長方形的長
度與它所對應的變量數值呈必定比例。假設某項針對男女大學生購買飲用水愛好的調查結果以下
表:

豎向條形繪製

import matplotlib.pyplot as plt

    # 1. 建立figure
    fig = plt.figure()

    # 2. 建立子圖(1行2列)
ax1 = plt.subplot(1, 2, 1)
ax1.set_title('男生購買飲用水狀況的調查結果')
ax2 = plt.subplot(1, 2, 2)
ax2.set_title('女生購買飲用水狀況的調查結果')

    # ***********中文亂碼如何解決
    plt.rcParams['font.sans-serif'] = ['SimHei']

    # 3. 加載數據信息
waters = ['碳酸飲料', '綠茶', '礦泉水', '其它', '果汁']
boy_buy_num = [6, 7, 6, 2, 1]
girl_buy_num = [9, 4, 4, 6, 5]

    # 4. 繪製條形圖
    bar_width = 0.4
    ax1.bar(waters, boy_buy_num, bar_width, color='orange')
    ax2.bar(waters, girl_buy_num, bar_width, color='g')

    # 5. 保存圖片到本地
    # plt.show()
plt.savefig('bar.png')

橫向條形圖繪製

import matplotlib.pyplot as plt

        # 1. 建立figure
        fig = plt.figure()

        # 2. 建立子圖(1行2列)
    ax1 = plt.subplot(2, 1, 1)
    ax1.set_title('男生購買飲用水狀況的調查結果')
    ax2 = plt.subplot(2, 1, 2)
    ax2.set_title('女生購買飲用水狀況的調查結果')

        # ***********中文亂碼如何解決
        plt.rcParams['font.sans-serif'] = ['SimHei']

        # 3. 加載數據信息
    waters = ['碳酸飲料', '綠茶', '礦泉水', '其它', '果汁']
    boy_buy_num = [6, 7, 6, 2, 1]
    girl_buy_num = [9, 4, 4, 6, 5]

        # 4. 繪製條形圖
    bar_width = 0.4
    ax1.barh(waters, boy_buy_num, height=bar_width, color='orange')
    ax2.barh(waters, girl_buy_num, height=bar_width, color='g')

        # 5. 保存圖片到本地
        # plt.show()
    plt.savefig('bar.png')

案例二: 柱狀圖

並列條形圖: 若要將男生與女生的調查狀況畫出兩個條形圖一塊顯示,則可使用 bar兩次,
並調整 條形圖位置座標以及相應刻度,使得兩組條形圖可以並排顯示


並列條形圖繪製

import matplotlib.pyplot as plt

import numpy as np

    # ***********中文亂碼如何解決
plt.rcParams['font.sans-serif'] = ['SimHei']
    # 加載數據信息
waters = ['碳酸飲料', '綠茶', '礦泉水', '其它', '果汁']
boy_buy_num = [6, 7, 6, 2, 1]
girl_buy_num = [9, 4, 4, 6, 5]

    # 調整條形圖的橫座標
bar_width = 0.4
boy_index = np.arange(len(waters))  # [0, 1, 2, 3, 4]
girl_index = boy_index + bar_width  # numpy傳播機制， [0.4, 1.4, 2.4, 3.4, 4.4]

    # 繪製條形圖
plt.bar(boy_index, boy_buy_num, bar_width, color='orange', label='男生')
plt.bar(girl_index, girl_buy_num, bar_width, color='g', label='女生')
    # 修改無心義的橫座標爲有意義的橫座標
    plt.xticks(boy_index + bar_width / 2, waters)
    plt.ylabel("購買量")
    plt.title("購買飲水狀況的調查表")

    plt.legend()
        # 保存圖片到本地
            # plt.show()
plt.savefig('bar.png')

K近鄰算法分類可視化分析

K近鄰算法原理
K近鄰算法: 近朱者赤,近墨者黑。新的數據點離誰(一個或多個近鄰點)最近, 就和誰屬於同一類

K近鄰算法數據集
在skilit-learn中內置了若干個玩具數據集(Toy Datasets), 還有一些API能夠本身動手生成數
據集, 以下面代碼所示:

K近鄰算法分類
咱們已經生成一系列數據集看成機器學習的訓練數據集,接下來就是根據KNN算法找一個
模型, 而後根據模型對未知數據進行分類。

K近鄰算法迴歸可視化分析
K近鄰算法迴歸原理
K近鄰算法也能夠用於迴歸, 原理和分類相同。 計算每一個數據點的預測值時,模型會選擇離該
數據點最近的若干個點,並將它們的y值取平均值,並做爲新數據點的預測值

K近鄰分類算法

from sklearn.datasets import  make_blobs
from sklearn.neighbors import  KNeighborsClassifier
import  matplotlib.pyplot as plt
    # 生成數據集， eg: x=(花瓣長度， 花莖的長度), y=(第一種花: 鳶尾花1). 訓練集
    X, y = make_blobs(n_samples=200, n_features=2, centers=2, random_state=8)

        # 如何去尋找一個模型，並最終根據模型預判新的測試數據所屬的分類?
        # 機器學習: 尋找一個函數/模型的過程. f(x)='xxxxxxx', f(image)='cat', f(alpha-go)=5x5, f('對話')=‘對話’
clf = KNeighborsClassifier()
clf.fit(X, y)       # 擬合(找模型的過程)
test_data = [6, 3]  # 測試集： 測試模型好壞/正確率的數據集
class_name = clf.predict([test_data])
print("新數據點的分類是: ", class_name)

    # # 給定一個新的特徵信息， 分析屬於哪一類?
    # test_data = [6, 3]
    #
    # # 經過繪製散點圖， 清楚的看到分爲2類
    # plt.scatter(X[:, 0], X[:, 1], edgecolors='orange', color='white')
    # plt.scatter(test_data[0], test_data[1], marker='*', color='r')
    # plt.show()

k近鄰的迴歸算法

import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import make_regression
from sklearn.neighbors import KNeighborsRegressor

#產生迴歸的數據集(訓練集)
X, y = make_regression(n_samples=100, n_features=1, n_informative=1,
                       noise=50, random_state=8)

#經過K近鄰的迴歸器， 擬合/尋找模型
reg = KNeighborsRegressor()
reg.fit(X, y)

#給定一些新的數據(測試集)，預測y值
"""
一維數組: np.linspace [1, 2, 3, 4, 5]
n*1數組: rwshape(-1, 1)
reg.predict([[1], [2]])  # 預測市須要傳遞的信息
"""
test_x = np.linspace(-3, 3, 100).reshape(-1, 1)
test_y = reg.predict(test_x)
#print("模型的準確度: ", reg.score(X, y))

#***********中文亂碼如何解決
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
#繪製圖形
plt.scatter(X, y, marker='*', color='orange', edgecolors='orange', label='訓練集')
plt.plot(test_x, test_y, color='black', label='測試集')
plt.title('KNN Regressor')
plt.legend()
plt.show()

seaborn庫

官方網址:
https://seaborn.pydata.org/introduction.html
seaborn總體風格
Seaborn共提供5種主題風格,分別爲darkgrid、whitegrid、dark、 white以及ticks。
利用set()和set_style()兩個函數對總體風格進行控制


設置子圖風格
經過關鍵字with,對不一樣子圖設置風格


seaborn內容風格
對圖中內容進行設置,包括線條顏色,粗細和刻度等