Matplotlib、Pandas可视化工具

一、Matplotlib

1.简介：

• 数据可视化可以看到变量的分布和变量之间的关系，还可以检查建模过程中的假设。
• Python 提供了若干种用于绘图的扩展包，包括:Matplotlib、 Pandas、 ggplot 和 Seaborn等。
• Matplotlib 是最基础的扩展包，它为 Pandas 和 Seaborn 等其他可视化包提供了一些基础的绘图概念和语法。
• 通过Matplotlib，开发者可以仅需要几行代码，便可以生成绘图。一般可绘制折线图、散点图、柱状图、饼图、直方图、子图等。

2.安装：

在Service中输入：pip install matplotlib 自动导入

3.导包：

import matplotlib.pyplot as plt
或
form matplotlib import pyplot as plt

4.使用方法：

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(1,50,100)     #定义x数据范围
y=3*x+1
plt.figure()                #定义一个图像窗口
plt.plot(x,y)               #plot()画出曲线
plt.show()                  #显示图像

'''
plt.figure()为单独图像窗口，语法如下：
figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, ……)
1.num：可选参数。窗口的属性id,即该窗口的身份标识。如果不提供该参数，则创建窗口的时候该参数会自增，如果提供的话则该窗口会以该num为Id存在。
2.figsize:可选参数。整数元组，默认是无。提供整数元组则会以该元组为长宽。
3.dpi：可选参数，整数。表示该窗口的分辨率。
4.facecolor：可选参数，表示窗口的背景颜色，如果没有提供则默认为figure.facecolor。颜色的设置是通过RGB，范围是'#000000'~'#FFFFFF'。
5.edgecolor:可选参数，表示窗口的边框颜色
'''

#1.xlim和ylim定义坐标轴的上下限，xlabel和ylabel定义坐标轴的名称。
plt.xlim(-2,4)
plt.ylim(-5,15)
plt.xlabel("I'm x")
plt.ylabel("I'm y")
#2.xticks和yticks为定义坐标轴刻度
plt.xticks(new_ticks)
plt.yticks([-5,0,5,10,15],['very bad','bad','normal','good','very good'])
#3.linewidth：线条宽度，取值0-10之间，默认是1.5 linestyle：线条样式，可取“-”，“--”，“-.”，“:”四种，默认为“-”
plt.plot(x,y,linestyle='--',linewidth=2)
#4.图例：
plt.plot(x,y2,label='y2=x^2')

二、Pandas

1.简介：

• Pandas是一个非常强大的数据分析工具包，同时集成了数据可视化的功能， pandas中的可视化功能比plt更加简便和功能强大。

2.使用方法：

• plot()方法是pandas绘图的高级绘图函数，可通过kind的设定，绘制出各类图形，其语法如下：

DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False,sharex=None, sharey=False, layout=None, figsize=None, use_index=True, title=None, grid=None, legend=True, style=None, logx=False, logy=False, loglog=False, xticks=None, yticks=None, xlim=None, ylim=None, rot=None, fontsize=None, colormap=None, table=False, yerr=None, xerr=None, secondary_y=False, sort_columns=False, **kwds)
'''
x: 做为x轴的参数
y: 做y的属性
kind: 代表所做图形的类别，其可选参数为： ‘line’,‘bar’,‘barh’,‘hist’,‘box’,‘kde’,‘density’,‘area’,‘pie’,‘scatter’,‘hexbin’等
ax: 轴对象，默认使用gca()
subplots: boolean  每列单独做子图
sharex: boolean 是否共享x轴
sharey:    boolean 是否共享y轴
layout : tuple  表示子图的布局
figsize ： 以英寸为单位的元组（宽，高）
use_index:  使用index作为x轴的刻度
title： 字符串或列表  做图的标题
grid：是否显示网格线
legend： 是否显示图例
style： 每列的样式
logx，logy: 在x，y轴上使用对数缩放
xticks,yticks: x，y轴标签
xlim，ylim： x，y轴刻度限制
rot：旋转刻度
fontsize： xticks和yticks的字体大小
colormap： 用于选择颜色
colorbar： 如果为True，则绘制colorbar（仅与'scatter'和'hexbin'图相关）
position： 指定条形图布局相对齐
table： 如果为True，则使用DataFrame中的数据绘制表格，并且数据将被转置以满足matplotlib的默认布局。 如果传递了Series或DataFrame，则使用传递的数据绘制表。
yerr ，xerr带误差线的柱形图
stacked： 在线条和条形图，以及区域图中的True。 如果为True，则创建堆积图。
sort_columns: 对列名进行排序
secondary_y： 是否绘制辅助y轴
mark_right： 使用辅助y轴时，图例中使用right标记列标签
'''

• Pandas数据结构：
  

#根据数据画图
import pandas as pd
import matplotlib.pyplot as plt

d_dict = {'A':['1','2','3'],'B':[4,5,6],'C':[7,8,9],'D':[10,11,12]}
index_name = ['a','b','c']
df = pd.DataFrame(data=d_dict,index=index_name)

print(df)

df.plot(kind='bar')
plt.show()

print(df.loc['b','B'])#b行B列元素
print(df.loc[['b','c']])#b行和c行元素
print(df.loc[:,['B','C']])#B列和C列元素

#确认一个卷积核，然后对应点相乘，6*6矩阵和3*3卷积核形成4*4矩阵

三、Sklearn

1.简介：

进行函数预测

2.使用方法：

#根据数据构建线性方程
import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LinearRegression

x=[4000,8000,5000,10000,12000]
y=[20000,50000,30000,70000,60000]

plt.figure()
plt.scatter(x,y)
plt.show()

lr = LinearRegression()

x = np.array(x).reshape(-1,1)#多少行不管设-1，列设为1

model = lr.fit(x,y)
#预测函数：y=ax+b
print(model.coef_)#a
print(model.intercept_)#b