python可视化模块_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)