[導(dǎo)讀]聲明：由于本文的代碼大部分是參考書中的例子，所以不提供完整代碼，只提供示例片段，也就是只能看出某一部分用法，感興趣的需要在自己的數(shù)據(jù)上學(xué)習(xí)測試。

聲明：由于本文的代碼大部分是參考書中的例子，所以不提供完整代碼，只提供示例片段，也就是只能看出某一部分用法，感興趣的需要在自己的數(shù)據(jù)上學(xué)習(xí)測試。

最開始，當(dāng)然還是要導(dǎo)入我們需要的包：# -*- coding=utf-8 -*-from matplotlib import pyplot as pltfrom sklearn.datasets import load_irisimport numpy as npimport itertools

1. 畫散點(diǎn)圖

畫散點(diǎn)圖用plt.scatter(x,y)。畫連續(xù)曲線在下一個(gè)例子中可以看到，用到了plt.plot(x,y)。

plt.xticks(loc，label)可以自定義x軸刻度的顯示，第一個(gè)參數(shù)表示的是第二個(gè)參數(shù)label顯示的位置loc。

plt.autoscale(tight=True)可以自動調(diào)整圖像顯示的最佳化比例 。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()

畫出散點(diǎn)圖如下：

2. 多項(xiàng)式擬合并畫出擬合曲線## 多項(xiàng)式擬合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: 函數(shù)的階數(shù)plt.legend(["d=%i" % f2.order],loc="upper right")

plt.show()

效果圖：

3. 畫多個(gè)子圖

這里用到的是sklearn的iris_dataset（鳶尾花數(shù)據(jù)集）。

此數(shù)據(jù)集包含四列，分別是鳶尾花的四個(gè)特征：

sepal length (cm)——花萼長度

sepal width (cm)——花萼寬度

petal length (cm)——花瓣長度

petal width (cm)——花瓣寬度

這里首先對數(shù)據(jù)進(jìn)行一定的處理，主要就是對特征名稱進(jìn)行兩兩排列組合，然后任兩個(gè)特征一個(gè)一個(gè)做x軸另一個(gè)做y軸進(jìn)行畫圖。# -*- 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)

這里有一個(gè)排列組合參考代碼，最后是取出了兩兩組合的情況。

排列組合的結(jié)果是feature_names_2包含了排列組合的所有情況，它的每一個(gè)元素包含了一個(gè)排列組合的所有情況，比如第一個(gè)元素包含了所有單個(gè)元素排列組合的情況，第二個(gè)元素包含了所有的兩兩組合的情況……所以這里取出了第二個(gè)元素，也就是所有的兩兩組合的情況feature_names_2 = []#排列組合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循環(huán)里畫多個(gè)子圖的方法。對我來說，這里需要學(xué)習(xí)的有不少。比如

for i,k in enumerate(feature_names_2[1]):這一句老是記不住。

比如從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循環(huán)中畫子圖的方法：plt.subplot(2,3,1+i)比如for循環(huán)的下面這用法：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()

這里的可視化效果如下：

4. 畫水平線和垂直線

比如在上面最后一幅圖中，找到了一種方法可以把三種鳶尾花分出來，這是我們需要畫出模型（一條直線）。這個(gè)時(shí)候怎么畫呢？

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()

此時(shí)可視化效果如下：

5. 動態(tài)畫圖

plt.ion()打開交互模式。plt.show()不再阻塞程序運(yùn)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)

可視化效果：

總結(jié)

以上是生活随笔為你收集整理的python优雅编程_Python优雅地可视化数据的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。