最近看《機(jī)器學(xué)習(xí)系統(tǒng)設(shè)計》…前兩章。學(xué)到了一些用Matplotlib進(jìn)行數(shù)據(jù)可視化的方法。在這里整理一下。

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 plt  
from sklearn.datasets import load_iris  
import numpy as np  
import itertools1234512345 

1. 畫散點圖

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

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

plt.autoscale(tight=True)可以自動調(diào)整圖像顯示的***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()1234567812345678 

畫出散點圖如下：

2. 多項式擬合并畫出擬合曲線

## 多項式擬合

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()123456789123456789 

效果圖：

3. 畫多個子圖

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，然后任兩個特征一個一個做x軸另一個做y軸進(jìn)行畫圖。

# -*- coding=utf-8 -*-  
from matplotlib import pyplot as plt  
from sklearn.datasets import load_iris  
import numpy as np  
import 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)123456789101112131415161718123456789101112131415161718 

這里有一個排列組合參考代碼，***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，它的每一個元素包含了一個排列組合的所有情況，比如***個元素包含了所有單個元素排列組合的情況，第二個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)123456789123456789 

下面是在for循環(huán)里畫多個子圖的方法。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()12345678910111213141234567891011121314 

這里的可視化效果如下：

4. 畫水平線和垂直線

比如在上面***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)。這個時候怎么畫呢?

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() 12345678910111234567891011 

此時可視化效果如下：

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)1234567812345678 

可視化效果：