关于程序员:Matplotlib-可视化50图散点图1

导读

本系列将继续更新 50 个 matplotlib 可视化示例，次要参考 Selva Prabhakaran 在MachineLearning Plus 上公布的博文：Python 可视化 50 图。

定义

关联图是 查看两个事物之间关系 的图像，它可能展现出一个事物随着另一个事物是如何变动的。关联图的类型有：折线图，散点图，相关矩阵 等。

散点图

测试

• 导入须要应用的库

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns

• plt.scatter

# 绘制超简略的散点图：变量 x1 与 x2 的关系

#定义数据
x1 = np.random.randn(10) #取随机数
x2 = x1 + x1**2 - 10

#确定画布 - 当只有一个图的时候，不是必须存在
plt.figure(figsize=(8,4))

#绘图
plt.scatter(x1,x2 #横坐标，纵坐标
            ,s=50 #数据点的尺寸大小
            ,c="red" #数据点的色彩
            ,label = "Red Points"
           )
#装璜图形
plt.legend() #显示图例

plt.show() #让图形显示

• 例子

# 除了两列 X 之外，还有标签 y 的存在
# 在机器学习中，常常应用标签 y 作为色彩来察看两种类别的散布的需要

X = np.random.randn(10,2)  # 10 行，2 列的数据集
y = np.array([0,0,1,1,0,1,0,1,0,0])

colors = ["red","black"]  # 确立色彩列表
labels = ["Zero","One"]  # 确立标签的类别列表

for i in range(X.shape[1]):
    plt.scatter(X[y==i,0],
               X[y==i,1],
               c=colors[i],
               label = labels[i])

# 在标签中存在几种类别，就须要循环几次，一次画一个色彩的点

plt.legend()
plt.show()

实战

数据

# 导入数据
midwest = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv")

# 摸索数据
midwest.shape  
midwest.head()
midwest.columns

标签

midwest['category']

# 提取标签中的类别
categories = np.unique(midwest['category'])  # 去掉所有反复的项

categories  # 查看应用的标签，如下图

色彩

• plt.cm.tab10()

用于创立色彩的十号光谱，在 matplotlib 中，有泛滥光谱供咱们抉择：https://matplotlib.org/stable…。能够在 plt.cm.tab10() 中输出任意浮点数，来提取出一种色彩。光谱 tab10 中总共只有十种色彩，如果输出的浮点数比拟靠近，会返回相似的色彩。这种色彩会以元祖的模式返回，示意为四个浮点数组成的 RGBA 色调空间或者三个浮点数组成的 RGB 色调空间中的随机色调。

color1 = plt.cm.tab10(5.2)

color1  # 四个浮点数组成的一个色彩

绘图

# 预设图像的各种属性
large = 22; med = 16; small = 12
params = {'axes.titlesize': large,   # 子图上的题目字体大小
          'legend.fontsize': med,   # 图例的字体大小
          'figure.figsize': (16, 10), # 图像的画布大小
          'axes.labelsize': med,   # 标签的字体大小
          'xtick.labelsize': med,  # x 轴上的标尺的字体大小
          'ytick.labelsize': med,  # y 轴上的标尺的字体大小
          'figure.titlesize': large}  # 整个画布的题目字体大小
plt.rcParams.update(params)  # 设定各种各样的默认属性
plt.style.use('seaborn-whitegrid')  # 设定整体格调
sns.set_style("white")  # 设定整体背景格调

# 筹备标签列表和色彩列表
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]

# 建设画布
plt.figure(figsize=(16, 10)   # 绘图尺寸
           , dpi=100          # 图像分辨率
           , facecolor='w'    # 图像的背景色彩，设置为红色，默认也是红色
           , edgecolor='k'    # 图像的边框色彩，设置为彩色，默认也是彩色
          )

# 循环绘图
for i, category in enumerate(categories):
    plt.scatter('area', 'poptotal', 
                data=midwest.loc[midwest.category==category, :], 
                s=20, c=np.array(colors[i]).reshape(1,-1), label=str(category))

# 对图像进行装璜
# plt.gca() 获取以后的子图，如果以后没有任何子图的话，就创立一个新的子图
plt.gca().set(xlim=(0, 0.12), ylim=(0, 80000))  # 管制横纵坐标的范畴
plt.xticks(fontsize=12)  # 坐标轴上的标尺的字的大小
plt.yticks(fontsize=12)
plt.ylabel('Population',fontsize=22)  # 坐标轴上的题目和字体大小
plt.xlabel('Area',fontsize=22)
plt.title("Scatterplot of Midwest Area vs Population", fontsize=22)  # 整个图像的题目和字体的大小
plt.legend(fontsize=12)  # 图例的字体大小
plt.show()

欢送 Star -> 学习目录 <- 点击跳转

国内链接 -> 学习目录 <- 点击跳转

本文由 mdnice 多平台公布