10行代码告诉你，为什么说Python数据可视化是一件艺术品

1. 画散点图

画散点图用plt.scatter(x,y)。画连续曲线在下一个例子中可以看到，用到了plt.plot(x,y)。

plt.xticks(loc，label)可以自定义x轴刻度的显示，第一个参数表示的是第二个参数label显示的位置loc。

plt.autoscale(tight=True)可以自动调整图像显示的最佳化比例。

plt.scatter(x,y)

plt.title("Web traffic")

plt.xlabel("Time")

plt.ylabel("Hits/hour")

plt.xticks([w*7*24 for w in range(10)],['week %i' %w for w in range(10)])

plt.autoscale(tight=True)

plt.grid()

##plt.show()1234567812345678

画出散点图如下：

2. 多项式拟合并画出拟合曲线

## 多项式拟合

fp2 = np.polyfit(x,y,3)

f2 = np.poly1d(fp2)

fx = np.linspace(0,x[-1],1000)

plt.plot(fx,f2(fx),linewidth=4,color='g')

## f2.order: 函数的阶数

plt.legend(["d=%i" % f2.order],loc="upper right")

plt.show()123456789123456789

效果图：

3. 画多个子图

这里用到的是sklearn的iris_dataset(鸢尾花数据集)。

此数据集包含四列，分别是鸢尾花的四个特征：

sepal length (cm)——花萼长度

sepal width (cm)——花萼宽度

petal length (cm)——花瓣长度

petal width (cm)——花瓣宽度

# -*- coding=utf-8 -*-

from matplotlib import pyplot as plt

from sklearn.datasets import load_iris

import numpy as np

import itertools

data = load_iris()

#print(data.data)

#print(data.feature_names)

#print(data.target)

features = data['data']

feature_names = data['feature_names']

target = data['target']

labels = data['target_names'][data['target']]

print(data.data)

print(data.feature_names)123456789101112131415161718123456789101112131415161718

这里有一个排列组合参考代码，最后是取出了两两组合的情况。

排列组合的结果是feature_names_2包含了排列组合的所有情况，它的每一个元素包含了一个排列组合的所有情况，比如第一个元素包含了所有单个元素排列组合的情况，第二个元素包含了所有的两两组合的情况……所以这里取出了第二个元素，也就是所有的两两组合的情况

feature_names_2 = []

#排列组合

for i in range(1,len(feature_names)+1):

iter = itertools.combinations(feature_names,i)

feature_names_2.append(list(iter))

print(len(feature_names_2[1]))

for i in feature_names_2[1]:

print(i)123456789123456789

下面是在for循环里画多个子图的方法。对我来说，这里需要学习的有不少。比如

for i,k in enumerate(feature_names_2[1]):这一句老是记不住。

比如从列表中取出某元素所在的索引的方法：index1 = feature_names.index(k[0])，也即index = list.index(element)的形式。

比如for循环的下面这用法：for t,marker,c in zip(range(3),”>ox”,”rgb”):

plt.figure(1)

for i,k in enumerate(feature_names_2[1]):

index1 = feature_names.index(k[0])

index2 = feature_names.index(k[1])

plt.subplot(2,3,1+i)

for t,marker,c in zip(range(3),">ox","rgb"):

plt.scatter(features[target==t,index1],features[target==t,index2],marker=marker,c=c)

plt.xlabel(k[0])

plt.ylabel(k[1])

plt.xticks([])

plt.yticks([])

plt.autoscale()

plt.tight_layout()

plt.show()12345678910111213141234567891011121314

这里的可视化效果如下：

4. 画水平线和垂直线

比如在上面最后一幅图中，找到了一种方法可以把三种鸢尾花分出来，这是我们需要画出模型。这个时候怎么画呢?

plt.figure(2)

for t,marker,c in zip(range(3),">ox","rgb"):

plt.scatter(features[target==t,3],features[target==t,2],marker=marker,c=c)

plt.xlabel(feature_names[3])

plt.ylabel(feature_names[2])

# plt.xticks([])

# plt.yticks([])

plt.autoscale()

plt.vlines(1.6, 0, 8, colors = "c",linewidth=4,linestyles = "dashed")

plt.hlines(2.5, 0, 2.5, colors = "y",linewidth=4,linestyles = "dashed")

plt.show() 12345678910111234567891011

此时可视化效果如下：

5. 动态画图

plt.ion()打开交互模式。plt.show()不再阻塞程序运行。

注意plt.axis()的用法。

plt.axis([0, 100, 0, 1])

plt.ion()

for i in range(100):

y = np.random.random()

plt.autoscale()

plt.scatter(i, y)

plt.pause(0.01)1234567812345678

可视化效果：