python之可视化Matplotlib模块

本文要讲的是Matplotlib，一个强大的Python可视化库。通过模块，轻松实现曲线图、散点图、折线图、直方图、柱状图、饼图等。

一、曲线图

绘制单条曲线:
　　x = [1,2,3,4,5,6,7,8,9,10]
　　y = [10,9,8,7,6,5,4,3,2,1]
　　plt.plot(x,y)
注意：y,x轴的值必须为数字

绘制抛物线:
　　x = np.arange(-np.pi,np.pi,0.1)
　　y = x**2
　　plt.plot(x,y)

绘制正弦曲线图:
　　x = np.linspace(-np.pi,np.pi,100)
　　y = np.sin(x)
　　plt.plot(x,y)

包含多个曲线的图:
1、连续调用多次plot函数
　　plt.plot(x,y)
　　plt.plot(x+2,y+2)
2、也可以在一个plot函数中传入多对X,Y值，在一个图中绘制多个曲线
　　plt.plot(x,y,x-1,y+1)

plt.subplot(row,col,loc)
将多个曲线图绘制在一个table区域中：对象形式创建表图
　　a=plt.subplot（row,col,loc） 创建曲线图 rol col可以决定table的大小
　　a.plot(x,y) 绘制曲线图

屏幕快照 2018-11-07 下午5.44.30.png

网格线 plt.grid(XXX)
参数：
　　axis:轴向
　　color:支持十六进制颜色
　　linestyle: -- -. :样式
　　alpha：透明度
使用plt绘制：
plt.plot(x,y)
plt.grid(color='red',linestyle=':',alpha=0.5)
使用对象形式设置网格：
ax = plt.subplot(111)
ax.plot(x,y)
ax.grid(linestyle='--')

设置坐标轴界限
　　axis方法:设置x，y轴刻度值的范围
　　plt.axis([xmin,xmax,ymin,ymax])
关闭坐标轴
　　plt.axis('off')
设置画布比例：plt.figure(figsize=(a,b)) a:x刻度比例 b：y刻度比例 （2:1）表示x刻度显示为y刻度显示的2倍

plt的xlabel方法、ylabel方法、 title方法
参数介绍：
　　s 标签内容
　　color 标签颜色
　　fontsize 字体大小
　　rotation 旋转角度
对象方法set_xlabel/ylabel()

图例
legend方法
两种传参方法：
　　1.分别在plot函数中增加label参数,再调用plt.legend()方法显示
　　　　plt.plot(x,label='AAA')
　　　　plt.legend()
　　2.直接在legend方法中传入字符串列表
　　　　put.plot(x)
　　　　plt.plot(y)
　　　　plt.legend(['BBB','AAA'])
legend的参数
　　loc参数：
　　　　loc参数用于设置图例标签的位置，一般在legend函数内
　　　　matplotlib已经预定义好几种数字表示的位置
　　ncol参数：
　　　　ncol控制图例中有几列,在legend中设置ncol

图像保存：
使用figure对象的savefig函数来保存图片
fig = plt.figure()---必须放置在绘图操作之前
figure.savefig的参数选项：
　　filename：
　　　　含有文件路径的字符串或Python的文件型对象。图像格式由文件扩展名推断得出，例如，.pdf推断出PDF，.png推断出PNG （“png”、“pdf”、“svg”、“ps”、“eps”……）
　　dpi：
　　　　图像分辨率（每英寸点数），默认为100
　　facecolor
　　　　打开保存图片查看 图像的背景色，默认为“w”（白色）

设置plot的风格和样式:
　　plot语句中支持除X,Y以外的参数，以字符串形式存在，来控制颜色、线型、点型等要素，语法形式为：
　　plt.plot(X, Y, 'format', ...)
-- 颜色
　　参数color或c
-- 透明度
　　alpha参数
-- 线型
　　参数linestyle或ls
-- 线宽
　　linewidth或lw参数
-- 点型
　　marker 设置点形
　　markersize 设置点形大小

二、直方图

plt.hist(x):
是一个特殊的柱状图，又叫做密度图。
【直方图的参数只有一个x！！！不像条形图需要传入x,y】
plt.hist()的参数
　　bins
　　　　直方图的柱数，可选项，默认为10
　　color
　　　　指定直方图的颜色。可以是单一颜色值或颜色的序列。如果指定了多个数据集合,例如DataFrame对象，颜色序列将会设置为相同的顺序。如果未指定，将会使用一个默认的线条颜色
　　orientation
　　　　通过设置orientation为horizontal创建水平直方图。默认值为vertical

三、条形图

plt.bar(x,y)：
plt.bar()垂直条形图
　　参数：第一个参数是索引。第二个参数是数据值。第三个参数是条形的宽度。
条形图有两个参数x,y
　　width 纵向设置条形宽度
　　height 横向设置条形高度
plt.barh()水平条形图

四、饼图

plt.pie(x)
饼图也只有一个数据参数x
饼图适合展示各部分占总体的比例，条形图适合比较各部分的大小

饼图阴影、分裂等属性设置
　　labels参数设置每一块的标签；
　　labeldistance参数设置标签距离圆心的距离（比例值）
　　autopct参数设置比例值小数保留位(%.3f%%)；
　　pctdistance参数设置比例值文字距离圆心的距离
　　explode参数设置每一块顶点距圆心的长度（比例值,列表）；
　　colors参数设置每一块的颜色（列表）；
　　shadow参数为布尔值，设置是否绘制阴影
　　startangle参数设置饼图起始角度

五、散点图

scatter(x,y)
　　散点图：因变量随自变量而变化的大致趋势
　　散点图需要两个参数x,y，但此时x不是表示x轴的刻度，而是每个点的横坐标！
　　plt.scatter(x,y,marker='d',c="rbgy") 设置不同的散点颜色

六、简单了解机器学习实现线性回归

• 导入sklearn，建立线性回归算法模型对象
  　　from sklearn.linear_model import LinearRegression
　　linear = LinearRegression()
  　　样本集：用于对机器学习算法模型对象进行训练。样本集通常为一个DataFrame。
  　　特征数据：特征数据的变化会影响目标数据的变化。必须为多列。
  　　目标数据：结果。通常为一列。
• 使用样本数据对模型进行训练
  　　linear.fit(near_citys_dist.reshape(-1,1),near_citys_max_temp)
• 对模型进行精准度的评分
  　　linear.score(near_citys_dist.reshape(-1,1),near_citys_max_temp)
• 使用模型进行预测
  　　x = np.array([65,44,12,99]).reshape(-1,1)
　　linear.predict(x)
• 绘制回归曲线
  　　x = np.linspace(0,100,num=100)
　　y = linear.predict(x.reshape(-1,1))
　　plt.scatter(x,y)

线性回归详细案例和素材详见github：
https://github.com/wangjifei121/Data_analysis_case3