matplotlib.pyplot绘制不同图型&Numpy

不同的图形的应用场景

• 折线图

  • 显示数据的变化，趋势
  • 如，温度随时间的变化
  • plt.plot(a,b)

• 条形图（柱状图）

  • 显示数据之间的大小比较
  • 如,电影院每天排片的所有电影的票房比较
  • plt.bar(a,b)

• 直方图

  • 反应数据在不同的范围内的分布
  • 如，一个班级里的身高在(1.6-1.65;1.65-1.7;1.7-1.75;1.75-1.8)这几个范围内的分布
  • plt.hist(a,10)

• 散点图

  • 表现数据的分布状态，可从状态中寻找分布模式
  • 如，一个城市某两个月每天的气温数据，想要知道这两个月的气温与时间有什么关系
  • plt.sccatter(a,b)

• 饼状图

  • 各个部分占整体的百分比
  • 如，电影院当天电影票房中，每个电影贡献的百分比
  • plt.pie(data, labels)

matplotlib使用流程总结

• 明确问题
• 选择图形的呈现方式
• 准备
• 绘图和图形完善

matplotlib使用总结

• 应该选择哪种图形来呈现数据
• 折线图：plt.plot(x,y)
• 柱状图：plt.bar(x,y)
• 直方图：plt.hist(data, bins, normed)
• 饼状图：Plt.pie(x，labels, autopct, colors)
• 散点图：Plt.scatter(x,y)
• 数轴的设置：xticks,yticks
• 数据及表格的描述内容：xlabel，ylabel,title
• 设置图标大小，保存图片：figure,savefig

Numpy

• 什么是Numpy
• 为什么是Numpy
• Numpy的核心
• 基本操作
• 分析案例

什么是Numpy

• 是一种负责数据运算的基础库
• 是一种强大的N维数组对象
• 是众多机器学习框架的基础库

为什么选择Numpy

• 其实python也可以进行数值运算，为什么要用Numpy
• 因为快
  
  • 1.python有GIL,Numpy是真正意义的多任务
  • 2.python读写的数据是在持久化存储上的不连续数据，Numpy是在内存上的连续存储

Numpy的核心

• ndarray(N-dimensional array),N维数组

• ndarray的核心是

  • 数据类型，形状，轴（维数）

• 二维数组（矩阵）
  

• 三维数组

基本操作

• 创建

  
  # 导入numpy模块
  
  import numpy as np
  
  
  # 一维数组
  
  a1 = np.array([1,2,3,4])
  
  
  # 二维数组
  
  a2 = np.array([[11,22],[33,44]])
  
  
  # 三维数组
  
  a3 = np.array([[[11,22],[33,44]],[[55,66],[77,88]]])
  
  

• 查看数组的形状和类型

  • 查看形状：a.shape
  • 查看类型：a.dtype

• 创建等差，等比数列

  • 创建等差数列：np.linespace(0,10,11)
  • 创建等比数列：np.logspace(0,2,2)

示例

• 生成500个股票两年的交易涨幅数据

stock = np.random.normal(0,1(500,252*2))