python绘图总结

seaborn库

是一个基于matplotlib的可视化库

1、将矩阵绘制成混淆矩阵（热点图）：

import matplotlib.pyplot as plt
import seaborn
#将矩阵绘制成热点图
seaborn.heatmap(mat)
#显示当前图形，否则会在最后才显示
plt.show()


示例：绘制一个二分类的混淆矩阵：

import matplotlib.pyplot as plt
import seaborn
import numpy
import random
from sklearn.metrics import confusion_matrixtest = []
predict = []
#随机生成1000个实际类别和预测类别
for i in range(1000): test.append(random.randint(0, 1))predict.append(random.randint(0, 1))
#生成混淆矩阵
mat = confusion_matrix(test, predict)
#将矩阵绘制成热点图
seaborn.heatmap(mat)
#显示当前图形，否则会在最后才显示
plt.show()


效果：

2、seaborn可以导入数据集（需要联网）

详细：https://blog.csdn.net/weixin_41571493/article/details/82528742?utm_source=blogxgwz3

import seaborn
#调用iris数据集
iris = seaborn.load_dataset(&＃39;iris&＃39;)
print(iris)


效果：

sepal_length sepal_width petal_length petal_width species
0 5.1 3.5 1.4 0.2 setosa
1 4.9 3.0 1.4 0.2 setosa
2 4.7 3.2 1.3 0.2 setosa
3 4.6 3.1 1.5 0.2 setosa
4 5.0 3.6 1.4 0.2 setosa
.. ... ... ... ... ...
145 6.7 3.0 5.2 2.3 virginica
146 6.3 2.5 5.0 1.9 virginica
147 6.5 3.0 5.2 2.0 virginica
148 6.2 3.4 5.4 2.3 virginica
149 5.9 3.0 5.1 1.8 virginica[150 rows x 5 columns]


3、利用导入的数据库获取各样本数目和描述性统计指标

import seabornseaborn_iris = seaborn.load_dataset(&＃39;iris&＃39;)#获取各类别样本的数目
print(seaborn_iris.groupby(&＃39;species&＃39;).size())#打印每个特征的描述性统计指标
print(seaborn_iris.describe())


各类别的数目：

species
setosa 50
versicolor 50
virginica 50
dtype: int64


描述性统计指标：

sepal_length sepal_width petal_length petal_width
count 150.000000 150.000000 150.000000 150.000000
mean 5.843333 3.057333 3.758000 1.199333
std 0.828066 0.435866 1.765298 0.762238
min 4.300000 2.000000 1.000000 0.100000
25% 5.100000 2.800000 1.600000 0.300000
50% 5.800000 3.000000 4.350000 1.300000
75% 6.400000 3.300000 5.100000 1.800000
max 7.900000 4.400000 6.900000 2.500000


4、利用导入的数据集，绘制箱形图

seaborn.boxplot(x = , y = )：规定x轴和y轴

import matplotlib.pyplot as plt
import seaborniris = seaborn.load_dataset(&＃39;iris&＃39;)seaborn.boxplot(x = iris["species"], y = iris["sepal_length"])
plt.show()
seaborn.boxplot(x = iris["species"], y = iris["sepal_width"])
plt.show()
seaborn.boxplot(x = iris["species"], y = iris["petal_length"])
plt.show()
seaborn.boxplot(x = iris["species"], y = iris["petal_width"])
plt.show()


效果：

剩下的三张图类似

matplotlib库

1、matplotlib.pyplot.show()：

将绘制的图形显示出来，否则图形会在最后显示

2、绘制散点图

scatter（x = ，y = ，s = ）：散点图

绘制一个平方散点图

import matplotlib.pyplot as pltx_value = [1, 2, 3, 4, 5]
y_value = [1, 4, 9, 16, 25]plt.title(&＃39;Square Number&＃39;, fontsize = 24)
plt.xlabel(&＃39;x_value&＃39;, fontsize = 14)
plt.ylabel(&＃39;y_value&＃39;, fontsize = 14)
plt.scatter(x = x_value, y = y_value, s = 200)
plt.show()


效果：

3、添加误差线

plt.errorbar(K[i], acc[i], fmt=“bo:”, yerr = std[i], capsize = 5)

1）前两个参数表示横坐标和纵坐标

2）fmt表示颜色

3）yerr表示y轴上误差线的长度，相应的也有xerr

4）capsize表示误差线边界横线的长度

详细说明：https://www.jianshu.com/p/5973680a1542

示例：给对应的点添加标准差

#添加误差线（即标准差）
for i in range(len(K)):plt.errorbar(K[i], acc[i], fmt="bo:", yerr = std[i], capsize = 5)
#添加 K 值和对应的正确率
plt.plot(K, acc)
#添加网格
plt.grid(linestyle=&＃39;:&＃39;)
#x轴名称
plt.xlabel(&＃39;K&＃39;)
#y轴名称
plt.ylabel(&＃39;Accuracy&＃39;)
#绘制表格
plt.show()


效果：

4、生成空间分类图

我知道的两种绘图方式：pcolormesh、scatter

前者的运行速度比后者要快很多

下面代码只是绘图的部分，如果运行并不能实现下图的效果

from matplotlib.colors import ListedColormap
import matplotlib.pyplot as plt#特征空间的颜色映射表
color_map = ListedColormap([&＃39;#AAAAFF&＃39;, &＃39;#AAFFAA&＃39;, &＃39;#FFAAAA&＃39;])
#样本集的各种类别代表的颜色
color = [&＃39;blue&＃39;, &＃39;green&＃39;, &＃39;red&＃39;]
#对原始空间进行上色
plt.pcolormesh(X, Y, Z, cmap = color_map)#对原始样本集进行上色
for i in range(len(iris.data)):plt.scatter(iris.data[i][0], iris.data[i][1], c = color[y[i]], s = 10)
#绘图
plt.show()


效果：

pydotplus

基于鸢尾花数据集生成决策树的可视化

详细说明：https://blog.csdn.net/luanpeng825485697/article/details/78965390

from sklearn.externals.six import StringIO
import pydotplus
from sklearn import tree
import os
os.environ["PATH"] += os.pathsep + &＃39;C:/Program Files (x86)/Graphviz2.38/bin/&＃39;def visual(index):dot_data = StringIO()#类别名称target_name = [&＃39;setosa&＃39;, &＃39;versicolor&＃39;, &＃39;virginica&＃39;]#特征名称attr_names = [&＃39;sepal_length (cm)&＃39;, &＃39;sepal_width (cm)&＃39;]#决策树可视化函数tree.export_graphviz(clf, out_file=dot_data,feature_names=attr_names,class_names=target_name,filled=True,rounded=True,special_characters=True)graph = pydotplus.graph_from_dot_data(dot_data.getvalue())#pic_name为图片名pic_name = &＃39;tree&＃39; + str(index) + &＃39;.png&＃39;#输出为 png 图片graph.write_png(pic_name)