Визуализация Python 10|matplotlib рисует точечный график

визуализация данных
Визуализация Python 10|matplotlib рисует точечный график

Эта статья подробно знакомитНабор данных радужной оболочки (радужная оболочка),matplotlib.pyplot.scatterиmatplotlib.axes.Axes.scatterЕсть два способа нарисовать точечную диаграмму рассеяния.

Чему вы научитесь? 

1、鸢尾花（iris）数据集
数据集导入、查看特征
    DESCR
    data
    feature_names
    target
    target_names
将鸢尾花数据集转为DataFrame数据集

2、matplotlib.pyplot.scatter法绘制散点图 （参数详解）
3、matplotlib.axes.Axes.scatter法绘制散点图 （参数详解）

Для более удобного чтения нажмите:Научите, как рисовать точечную диаграмму (разброс) с помощью python matlibplot

1. Подробное введение в набор данных радужной оболочки

  • Импорт набора данных, просмотр функций 

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
from sklearn import datasets 
iris=datasets.load_iris()
dir(iris)

['DESCR', 'data', 'feature_names', 'target', 'target_names']

DESCR

#DESCR — это информация описания набора данных, выводимая для просмотра:

print(iris.DESCR)

Iris Plants Database
====================

Notes
-----
Data Set Characteristics:
    :Number of Instances: 150 (50 in each of three classes)
    :Number of Attributes: 4 numeric, predictive attributes and the class
    :Attribute Information:#四列数据的四个特征
        - sepal length in cm
        - sepal width in cm
        - petal length in cm
        - petal width in cm
        - class:#数据描述三类鸢尾花
                - Iris-Setosa
                - Iris-Versicolour
                - Iris-Virginica
    :Summary Statistics:#四列数据的简单统计信息

    ============== ==== ==== ======= ===== ====================
                    Min  Max   Mean    SD   Class Correlation
    ============== ==== ==== ======= ===== ====================
    sepal length:   4.3  7.9   5.84   0.83    0.7826
    sepal width:    2.0  4.4   3.05   0.43   -0.4194
    petal length:   1.0  6.9   3.76   1.76    0.9490  (high!)
    petal width:    0.1  2.5   1.20  0.76     0.9565  (high!)
    ============== ==== ==== ======= ===== ====================

    :Missing Attribute Values: None
    :Class Distribution: 33.3% for each of 3 classes.
    :Creator: R.A. Fisher
    :Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov)
    :Date: July, 1988

This is a copy of UCI ML iris datasets.
http://archive.ics.uci.edu/ml/datasets/Iris

The famous Iris database, first used by Sir R.A Fisher

This is perhaps the best known database to be found in the
pattern recognition literature.  Fisher's paper is a classic in the field and
is referenced frequently to this day.  (See Duda & Hart, for example.)  The
data set contains 3 classes of 50 instances each, where each class refers to a
type of iris plant.  One class is linearly separable from the other 2; the
latter are NOT linearly separable from each other.

References
----------
   - Fisher,R.A. "The use of multiple measurements in taxonomic problems"
     Annual Eugenics, 7, Part II, 179-188 (1936); also in "Contributions to
     Mathematical Statistics" (John Wiley, NY, 1950).
   - Duda,R.O., & Hart,P.E. (1973) Pattern Classification and Scene Analysis.
     (Q327.D83) John Wiley & Sons.  ISBN 0-471-22361-1.  See page 218.
   - Dasarathy, B.V. (1980) "Nosing Around the Neighborhood: A New System
     Structure and Classification Rule for Recognition in Partially Exposed
     Environments".  IEEE Transactions on Pattern Analysis and Machine
     Intelligence, Vol. PAMI-2, No. 1, 67-71.
   - Gates, G.W. (1972) "The Reduced Nearest Neighbor Rule".  IEEE Transactions
     on Information Theory, May 1972, 431-433.
   - See also: 1988 MLC Proceedings, 54-64.  Cheeseman et al"s AUTOCLASS II
     conceptual clustering system finds 3 classes in the data.
   - Many, many more ...

data

Данные по четырем характеристикам цветков ириса.

print(type(iris.data))
print(iris.data.shape)
iris.data[:10,:]

#Формат данных: numpy.ndarray(150, 4)#Размер набора данных: 150 строк и 4 столбца array([[5.1, 3.5, 1.4, 0.2],#Первые десять строки набора данных
[4.9, 3., 1.4, 0.2],
[4,7, 3,2, 1,3, 0,2],
[4,6, 3,1, 1,5, 0,2],
[5. , 3.6, 1.4, 0.2],
[5,4, 3,9, 1,7, 0,4],
[4,6, 3,4, 1,4, 0,3],
[5. , 3.4, 1.5, 0.2],
[4,4, 2,9, 1,4, 0,2],
[4.9, 3.1, 1.5, 0.1]])

feature_names

Названия приведенных выше 4 столбцов данных слева направо: длина чашечки, ширина чашечки, длина лепестка и ширина лепестка, все в сантиметрах.

print(iris.feature_names)

['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

target

Используйте числа 0. , 1. , 2., чтобы определить, какую радужную оболочку представляет каждая строка данных.

print(iris.target)#150个元素的list

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2]

target_names

Названия ирисов Setosa (горный ирис), Versicolour (пестрый ирис), Virginica (вирджинский ирис).

print(iris.target_names)

['setosa' 'versicolor' 'virginica']

Преобразование набора данных радужной оболочки в набор данных DataFrame 

x, y = iris.data, iris.target
pd_iris = pd.DataFrame(np.hstack((x, y.reshape(150, 1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'] )
#np.hstack()类似linux中的paste
#np.vstack()类似linux中的cat

pd_iris.head()

2. Метод matplotlib.pyplot.scatter рисует точечную диаграмму (подробное объяснение параметра).

  • Возьмите первые два столбца набора данных, чтобы нарисовать простую диаграмму рассеяния.
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
#数据准备
from sklearn import datasets 
iris=datasets.load_iris()
x, y = iris.data, iris.target
pd_iris = pd.DataFrame(np.hstack((x, y.reshape(150, 1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'] )
plt.figure(dpi=100)
plt.scatter(pd_iris['sepal length(cm)'],pd_iris['sepal width(cm)'])
#根据sepal length(cm)和sepal width(cm)两列，每一行两个数值确定的点绘制到figure上即为散点
  • Данные для трех разных радужных оболочек представлены с использованием разных графиков (маркеров) и цветов.
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
#数据准备
from sklearn import datasets 
iris=datasets.load_iris()
x, y = iris.data, iris.target
pd_iris = pd.DataFrame(np.hstack((x, y.reshape(150, 1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'] )


plt.figure(dpi=150)#设置图的分辨率
plt.style.use('Solarize_Light2')#使用Solarize_Light2风格绘图
iris_type=pd_iris['class'].unique()#根据class列将点分为三类
iris_name=iris.target_names#获取每一类的名称
colors = ['#c72e29','#098154','#fb832d']#三种不同颜色
markers = ['$\clubsuit,'.','+']#三种不同图形


for i in range(len(iris_type)):
    plt.scatter(pd_iris.loc[pd_iris['class'] == iris_type[i], 'sepal length(cm)'],#传入数据x
                pd_iris.loc[pd_iris['class'] == iris_type[i], 'sepal width(cm)'],#传入数据y
                s = 50,#散点图形（marker）的大小
                c = colors[i],#marker颜色
                marker = markers[i],#marker形状
                #marker=matplotlib.markers.MarkerStyle(marker = markers[i],fillstyle='full'),#设置marker的填充
                alpha=0.8,#marker透明度，范围为0-1
                facecolors='r',#marker的填充颜色，当上面c参数设置了颜色，优先c
                edgecolors='none',#marker的边缘线色
                linewidths=1,#marker边缘线宽度，edgecolors不设置时，该参数不起作用
                label = iris_name[i])#后面图例的名称取自label

plt.legend(loc = 'upper right')

3. Метод matplotlib.axes.Axes.scatter рисует точечную диаграмму (подробное объяснение параметра) 

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
#数据准备
from sklearn import datasets 
iris=datasets.load_iris()
x, y = iris.data, iris.target
pd_iris = pd.DataFrame(np.hstack((x, y.reshape(150, 1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'] )


fig,ax = plt.subplots(dpi=150)
iris_type=pd_iris['class'].unique()#根据class列将点分为三类
iris_name=iris.target_names#获取每一类的名称
colors = ['#c72e29','#098154','#fb832d']#三种不同颜色
markers = ['$\clubsuit,'.','+']#三种不同图形


for i in range(len(iris_type)):
    plt.scatter(pd_iris.loc[pd_iris['class'] == iris_type[i], 'sepal length(cm)'],#传入数据x
                pd_iris.loc[pd_iris['class'] == iris_type[i], 'sepal width(cm)'],#传入数据y
                s = 50,#散点图形（marker）的大小
                c = colors[i],#marker颜色
                marker = markers[i],#marker形状
                #marker=matplotlib.markers.MarkerStyle(marker = markers[i],fillstyle='full'),#设置marker的填充
                alpha=0.8,#marker透明度，范围为0-1
                facecolors='r',#marker的填充颜色，当上面c参数设置了颜色，优先c
                edgecolors='none',#marker的边缘线色
                linewidths=1,#marker边缘线宽度，edgecolors不设置时，改参数不起作用
                label = iris_name[i])#后面图例的名称取自label

plt.legend(loc = 'upper right')

4. Ссылки

SCI kit-learn.org/stable/data…
матовый сюжет lib.org/API/_as_with…
матовый сюжет lib.org/API/_as_with…

Для более удобного чтения нажмите:Научите, как рисовать точечную диаграмму (разброс) с помощью python matlibplot

Хорошие статьи из той же серии

Визуализация Python | matplotlib07-Matplotlib Colormap (3)
Визуализация Python|08-Цветовая панель библиотеки Palettable Colormap (4)
Python|R Visualization|09-Извлечение цветного рисунка изображения (конец использования пяти цветов)

Добро пожаловать в публичный аккаунт:питоническое существо 干货，真香

Категории