2018/03/17
时隔一年又重新开始捡起来机器学习的东西，还是从最简单的画图开始吧。
当然数据集还是从iris开始。
还是在服务器上运行，这部分还是使用原来的那个命令，引入后执行use('Agg')保证可以保存。
从官方文档处学习:http://scikit-learn.org/stable/auto_examples/datasets/plot_iris_dataset.html#sphx-glr-auto-examples-datasets-plot-iris-dataset-py
version_0:最简单的版本，加载数据后，直接使用plt的默认画图。
1 #! /bin/python
2 #coding:utf-8
3 #2018/03/17
4 #Author:VChao
5
6 import matplotlib
7 matplotlib.use('Agg')
8
9
10 import matplotlib.pyplot as plt
11 from sklearn import datasets
12
13
14 def main():
15 iris = datasets.load_iris()
16 x = iris.data[:,:2]
17 y = iris.target
18
19 plt.scatter(x[:,0],x[:,1],c = y)
20 plt.savefig("start1.png")
21
22
23
24 if __name__ == "__main__":
25 main()
途中的标号是从vim里面直接带过来的，带着也没什么不好看，就呆着吧。
结果如图：
缺点：没有标题，没有各个轴的名称
version_1:增加标题，和轴名称
因为这个测试对相应轴的数量值并不敏感，想办法去掉。
version_2:简单修改坐标轴样式
最终版本代码：
1 #! /bin/python
2 #coding:utf-8
3 #2018/03/17
4 #Author:VChao
5
6 import matplotlib
7 matplotlib.use('Agg')
8
9
10 import matplotlib.pyplot as plt
11 from sklearn import datasets
12
13
14 def main():
15 iris = datasets.load_iris()
16 x = iris.data[:,:2]
17 y = iris.target
18
19 plt.scatter(x[:,0],x[:,1],c = y)
20
21
22 plt.xlabel("Sepal length")
23 plt.ylabel("Sepal width")
24 plt.title("Hello")
25
26 #Make the x line like
27 plt.xticks(())
28 plt.yticks(())
29
30
31
32
33 plt.savefig("start1.png")
34
35
36
37
38 if __name__ == "__main__":
39 main()
40
对于个这个点的样式还是可以修改的。后续一点一点修改。
现在单个图的样式已经完成了，但是如果去构造多个图呢，不能说一个一个脚本去写对吧，肯定是从一个图里面，看到多个属性。
version_3:多个图绘制在一起。这里一共是四个属性。正常应该是6个图
如果是说你一个一个的去画，这个工作实在是太繁琐了。当然可能说，以后遇见的数据比较奇葩，各个图本身就不是一样的东西，那就每个单独去画。这里东西还是比较好的，那就最好是函数式编程。
http://blog.topspeedsnail.com/archives/760
上面这个网址是一些子图的绘画方式，这个子图是用subplot，暂且不去关注到底是什么样的方式，先学会一种再说。
http://blog.csdn.net/cdqn10086/article/details/72403899图片大小，设置的时候，一定要在最开始初始化得时候就去弄，你的其他命令可能是新建了另一个画图。比如错误：
plt.figure(figsize=(10,10))
fig,ax = plt.subplots(nrows=2,ncols=3)
https://www.cnblogs.com/nju2014/p/5620776.html这里具体讲述了这个关系。
这个过程应该说还是挺复杂的，不过最后这个图还算是可以接受。
1 #! /bin/python
2 #coding:utf-8
3 #2018/03/17
4 #Author:VChao
5
6 import matplotlib
7 matplotlib.use('Agg')
8
9
10 import matplotlib.pyplot as plt
11 from sklearn import datasets
12
13
14 att_array = [[0,1],[0,2],[0,3],
15 [1,2],[1,3],[2,3]]
16
17 fig,ax = plt.subplots(figsize=(10,7.5),nrows=2,ncols=3)
18
19 def scatter_plt(i,x,y,t,one_ax,x_comment,y_comment):
20 #row X col -> sub figure nums
21 #i -> the num of nums,cordinate with the plt.subplot
22 #x,y,t -> x axis ,y axis data ,t target
23
24 #plt.figure(6 -i,figsize=(8,6))
25 #plt.clf()
26 one_ax.scatter(x,y,c=t)
27 one_ax.set_xticks(())
28 one_ax.set_yticks(())
29 one_ax.set_xlabel(x_comment)
30 one_ax.set_ylabel(y_comment)
31
32
33 def main():
34 iris = datasets.load_iris()
35
36 for i in range(len(att_array)):
37 pass
38 x = i % 2;
39 y = i % 3;
40 x_comment = iris.feature_names[att_array[i][0]]
41 y_comment = iris.feature_names[att_array[i][1]]
42 scatter_plt(i,iris.data[:,att_array[i][0]],
43 iris.data[:,att_array[i][1]],
44 iris.target,ax[x][y],x_comment,y_comment)
45
47 plt.savefig("mul.png")
48
52 if __name__ == "__main__":
53 main()
效果图：
这里还差一点，图例。不过这里要明白一件事，就是我这个图例应该是所有子图都通用的，那么就应该是在figure这个对象上。初步理解，
不过查了挺多资料以后感觉，我这个环境下下面，添加图例有点小困难。
他们网上都是每次都是不一样的画图然后得到的这个不同的图例，而我是直接利用他自己的参数直接穿进去不同的东西了。也就是这个得到标签的中间代码没有写。
图例的位置可以继续修改，这里就不进行修改了。
1 #! /bin/python
2 #coding:utf-8
3 #2018/03/17
4 #Author:VChao
5
6 import matplotlib
7 matplotlib.use('Agg')
8
9 import matplotlib.pyplot as plt
10 from sklearn import datasets
11
12
13 att_array = [[0,1],[0,2],[0,3],
14 [1,2],[1,3],[2,3]]
15
16 fig,ax = plt.subplots(figsize=(10,7.5),nrows=2,ncols=3)
17
18 tmp1 = None
19 tmp2 = None
20 tmp3 = None
21
22 def scatter_plt(i,x,y,t,one_ax,x_comment,y_comment):
23 #row X col -> sub figure nums
24 #i -> the num of nums,cordinate with the plt.subplot
25 #x,y,t -> x axis ,y axis data ,t target
26
27 #plt.figure(6 -i,figsize=(8,6))
28 #plt.clf()
29 global tmp1,tmp2,tmp3
30 tmp1 = one_ax.scatter(x[:50],y[:50],c="red",label="so")
31 tmp2 = one_ax.scatter(x[50:100],y[50:100],c="blue",label="xx")
32 tmp3 = one_ax.scatter(x[100:150],y[100:150],c="green",label="xx")
33
34 one_ax.set_xticks(())
35 one_ax.set_yticks(())
36 one_ax.set_xlabel(x_comment)
37 one_ax.set_ylabel(y_comment)
38
39 def main():
40 iris = datasets.load_iris()
41
42 for i in range(len(att_array)):
43 pass
44 x = i % 2;
45 y = i % 3;
46 x_comment = iris.feature_names[att_array[i][0]]
47 y_comment = iris.feature_names[att_array[i][1]]
48 scatter_plt(i,iris.data[:,att_array[i][0]],
49 iris.data[:,att_array[i][1]],
50 iris.target,ax[x][y],x_comment,y_comment)
51
52 fig.legend((tmp1,tmp2,tmp3),["F","Y","X"],loc=2)
53 plt.savefig("mul.png")
54
55 if __name__ == "__main__":
56 main()
57
不过这样的代码感觉挺难看的。！！，不如一开始的那个简洁明了。
可能还有别的办法去获取。
对于画图就先到这个底部，后续再继续进行不足。其实后续大框架已经打好了，只需要配置到相应的图像就可以了。
2018/03/18
那本书《python机器学习系统设计》吧，好像是，比我处理的这个过程更好，主要他把数组处理的过程更加简化了。！！
后续再进行添加。
2018/03/24
对于多附图的代码，通过动态添加的方式会比上面这个更好。
https://www.jianshu.com/p/3edb07f58ecd