比来看《机械进修体系设计》…前两章。学到了一些用Matplotlib进行数据可视化的办法。在这里整顿一下。

声明：因为本文的代码大年夜部分是参考书中的例子，所以不供给完全代码，只供给示例片段，也就是只能看出某一部分用法，感兴趣的须要在本身的数据上进修测试。

最开端，当然照样要导入我们须要的包：

# -*- coding=utf-8 -*-  
from matplotlib import pyplot as plt  
from sklearn.datasets import load_iris  
import numpy as np  
import itertools1234512345 

1. 画散点图

画散点图用plt.scatter(x,y)。画持续曲线鄙人一?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显示的地位loc。

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. 多项式拟归并画出拟合曲线

feature_names_2 = []  
#分列组合  
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 

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 

## 多项式拟合

效不雅图：

　　推荐阅读

　　从超大规模云服务提供商处学习效率

企业数据中间团队可以大年夜超大年夜型云办事供给商那边进修到响应的重要的经验教训。与此同时，企业还应从新思虑其冗余策略，并推敲采取诸如像SDN如许的技巧来赞助进步效力。现如今，在数>>>详细阅读

本文标题：讲道理，Python数据可视化是优雅的艺术

地址：http://www.17bianji.com/lsqh/35556.html

 1/2    1