? 网格Grid,图形中的虚线,True显示网格
? 点 Markers:表示点的形状。

基本的视觉元素有三种:点、线、柱状。分析下面需求绘制什么图形?
学生为某科课程花费的时间和考试成绩两者之间的关系,查看两者之间的相关性。

make标记样式

标记颜色color

第一个图形绘制完成顺序

#1). 导入绘图库
import  matplotlib.pyplot as plt
import  numpy as np
#2). 创建画板figure
figure = (figsize=(10, 10))
#3). 创建子图subplot/Axes
ax = (1, 1, 1)
#4). 准备数据
#从0-50分割成100份
x = (0, 10, 100)
y = (x)
#6). 绘制
(x, y, color=‘orange‘, marker=‘*‘, linestyle=‘-.‘)
(‘y = sinx‘)
(‘x‘)
(‘y‘)
#7). 显示图形
()

第一个图形绘制快速版

import matplotlib.pyplot as plt
import numpy as np
#1). 准备数据信息
x = (0, 20, 100)
y = (x)
#2). 直接绘图
(x, y)
#(x, y)
(‘y = sinx‘)
(‘x‘)
(‘y‘)
#3). 绘制图形并显示
()

多图绘制
多图案例

绘制步骤

案例一: 散点图和折线图
绘图需求: 基于某函数,并在其一定范围震动的离散图。一定范围内震动呢?y加个随机数

散点图绘制

.
子图绘制

#1). 导入绘图库
import  matplotlib.pyplot as plt
import  numpy as np
#2). 创建画板figure
figure = (figsize=(10, 10))
#3). 创建子图subplot/Axes， 生成2行一列的子图，
#第一行第一列绘制sinx的图形， 第二行第一列绘制cosx的图形
ax1 = (2, 1, 1)
ax2 = (2, 1, 2)
#4). 准备数据
#从0-50分割成100份
x = (0, 10, 100)
y1 = (x)
y2 = (x)
#6). 绘制
(x, y1, color=‘orange‘, linestyle=‘-.‘)
(‘y = sinx‘)
(‘x‘)
(‘y‘)
(x, y2, color=‘m‘, linestyle=‘-.‘)
(‘y = cosx‘)
(‘x‘)
(‘y‘)
#7). 显示图形
()

曲线图

2.

案例二: 柱状图
条形图(bar chart),也称为柱状图,是一种以长方形的长度为变量的统计图表,长方形的长
度与它所对应的变量数值呈一定比例。假设某项针对男女大学生购买饮用水爱好的调查结果如下
表:

竖向条形绘制

import matplotlib.pyplot as plt
# 1. 创建figure
fig = ()
# 2. 创建子图(1行2列)
ax1 = (1, 2, 1)
(‘男生购买饮用水情况的调查结果‘)
ax2 = (1, 2, 2)
(‘女生购买饮用水情况的调查结果‘)
# ***********中文乱码如何解决
[‘‘] = [‘SimHei‘]
# 3. 加载数据信息
waters = [‘碳酸饮料‘, ‘绿茶‘, ‘矿泉水‘, ‘其它‘, ‘果汁‘]
boy_buy_num = [6, 7, 6, 2, 1]
girl_buy_num = [9, 4, 4, 6, 5]
# 4. 绘制条形图
bar_width = 0.4
ax1.bar(waters, boy_buy_num, bar_width, color=‘orange‘)
(waters, girl_buy_num, bar_width, color=‘g‘)
# 5. 保存图片到本地
# ()
(‘‘)

横向条形图绘制

    import matplotlib.pyplot as plt
# 1. 创建figure
fig = ()
# 2. 创建子图(1行2列)
ax1 = (2, 1, 1)
(‘男生购买饮用水情况的调查结果‘)
ax2 = (2, 1, 2)
(‘女生购买饮用水情况的调查结果‘)
# ***********中文乱码如何解决
[‘‘] = [‘SimHei‘]
# 3. 加载数据信息
waters = [‘碳酸饮料‘, ‘绿茶‘, ‘矿泉水‘, ‘其它‘, ‘果汁‘]
boy_buy_num = [6, 7, 6, 2, 1]
girl_buy_num = [9, 4, 4, 6, 5]
# 4. 绘制条形图
bar_width = 0.4
ax1.barh(waters, boy_buy_num, height=bar_width, color=‘orange‘)
h(waters, girl_buy_num, height=bar_width, color=‘g‘)
# 5. 保存图片到本地
# ()
(‘‘)

案例二: 柱状图

并列条形图: 若要将男生与女生的调查情况画出两个条形图一块显示,则可以使用 bar两次,
并调整 条形图位置坐标以及相应刻度,使得两组条形图能够并排显示


并列条形图绘制

import matplotlib.pyplot as plt
import numpy as np
# ***********中文乱码如何解决
[‘‘] = [‘SimHei‘]
# 加载数据信息
waters = [‘碳酸饮料‘, ‘绿茶‘, ‘矿泉水‘, ‘其它‘, ‘果汁‘]
boy_buy_num = [6, 7, 6, 2, 1]
girl_buy_num = [9, 4, 4, 6, 5]
# 调整条形图的横坐标
bar_width = 0.4
boy_index = np.arange(len(waters))  # [0, 1, 2, 3, 4]
girl_index = boy_index + bar_width  # numpy传播机制， [0.4, 1.4, 2.4, 3.4, 4.4]
# 绘制条形图
(boy_index, boy_buy_num, bar_width, color=‘orange‘, label=‘男生‘)
(girl_index, girl_buy_num, bar_width, color=‘g‘, label=‘女生‘)
# 修改无意义的横坐标为有意义的横坐标
(boy_index + bar_width / 2, waters)
("购买量")
("购买饮水情况的调查表")
()
# 保存图片到本地
# ()
(‘‘)

K近邻算法分类可视化分析

K近邻算法原理
K近邻算法: 近朱者赤,近墨者黑。新的数据点离谁(一个或多个近邻点)最近, 就和谁属于同一类

K近邻算法数据集
在skilit-learn中内置了若干个玩具数据集(Toy Datasets), 还有一些API可以自己动手生成数
据集, 如下面代码所示:

K近邻算法分类
我们已经生成一系列数据集当作机器学习的训练数据集,接下来就是根据KNN算法找一个
模型, 然后根据模型对未知数据进行分类。

K近邻算法回归可视化分析
K近邻算法回归原理
K近邻算法也可以用于回归, 原理和分类相同。 计算每个数据点的预测值时,模型会选择离该
数据点最近的若干个点,并将它们的y值取平均值,并作为新数据点的预测值

K近邻分类算法

from sklearn.datasets import  make_blobs
from sklearn.neighbors import  KNeighborsClassifier
import  matplotlib.pyplot as plt
# 生成数据集， eg: x=(花瓣长度， 花茎的长度), y=(第一种花: 鸢尾花1). 训练集
X, y = make_blobs(n_samples=200, n_features=2, centers=2, random_state=8)
# 如何去寻找一个模型，并最终根据模型预判新的测试数据所属的分类?
# 机器学习: 寻找一个函数/模型的过程. f(x)=‘xxxxxxx‘, f(image)=‘cat‘, f(alpha-go)=5x5, f(‘对话‘)=‘对话’
clf = KNeighborsClassifier()
(X, y)       # 拟合(找模型的过程)
test_data = [6, 3]  # 测试集： 测试模型好坏/正确率的数据集
class_name = ([test_data])
print("新数据点的分类是: ", class_name)
# # 给定一个新的特征信息， 分析属于哪一类?
# test_data = [6, 3]
#
# # 通过绘制散点图， 清楚的看到分为2类
# (X[:, 0], X[:, 1], edgecolors=‘orange‘, color=‘white‘)
# (test_data[0], test_data[1], marker=‘*‘, color=‘r‘)
# ()

k近邻的回归算法

import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import make_regression
from sklearn.neighbors import KNeighborsRegressor
#产生回归的数据集(训练集)
X, y = make_regression(n_samples=100, n_features=1, n_informative=1,
noise=50, random_state=8)
#通过K近邻的回归器， 拟合/寻找模型
reg = KNeighborsRegressor()
(X, y)
#给定一些新的数据(测试集)，预测y值
"""
一维数组:  [1, 2, 3, 4, 5]
n*1数组: rwshape(-1, 1)
([[1], [2]])  # 预测市需要传递的信息
"""
test_x = (-3, 3, 100).reshape(-1, 1)
test_y = (test_x)
#print("模型的准确度: ", (X, y))
#***********中文乱码如何解决
[‘‘] = [‘SimHei‘]
[‘‘] = False
#绘制图形
(X, y, marker=‘*‘, color=‘orange‘, edgecolors=‘orange‘, label=‘训练集‘)
(test_x, test_y, color=‘black‘, label=‘测试集‘)
(‘KNN Regressor‘)
()
()

seaborn库

官方网址:
https://seaborn.pydata.org/introduction.html
seaborn整体风格
Seaborn共提供5种主题风格,分别为darkgrid、whitegrid、dark、 white以及ticks。
利用set()和set_style()两个函数对整体风格进行控制


设置子图风格
通过关键字with,对不同子图设置风格


seaborn内容风格
对图中内容进行设置,包括线条颜色,粗细和刻度等

python学习之数据分析绘图