文末送书 | Python绘图,我只用Matplotlib

散点图

散点图显示两组数据的值,如图1-1所示。每个点的坐标位置由变量的值决定,并由一组不连接的点完成,用于观察两种变量的相关性。例如,身高—体重、温度—维度。

图1-1 散点图示例

使用Matplotlib的scatter()函数绘制散点图,其中x和y是相同长度的数组序列。scatter()函数的一般用法为:

主要参数说明如下:

• x,y:数组。

• s:散点图中点的大小,可选。

• c:散点图中点的颜色,可选。

• marker:散点图的形状,可选。

alpha:表示透明度,在 0~1 取值,可选。

• linewidths:表示线条粗细,可选。

示例:绘制身高—体重的散点图

运行脚本输出如图1-2所示的图形。

图1-2 基本的散点图

散点图主要演示两个变量的相关性:正相关、负相关、不相关。

示例:显示y=2x+1的图形

Matplotlib中最基础的模块是Pyplot, 下面从最简单的线图开始讲解。例如,有一组数据,还有一个拟合模型,通过编写代码来实现数据与模型结果的可视化。

假设一个线性函数具有形式y=ax+b, 自变量是x,因变量是y,y轴截距为b,斜率为a。

下面用简单的数据来描述线性方程y=2x+1,代码如下:

运行脚本输出如图2-2所示的图形。

图2-2 基本直线图

在图2-2中,使用线性方程y=2x+1画出的是直线图。如果想画出曲线图,则只需更改线性方程为

,完整代码如下:

运行脚本输出如图2-3所示的图形。

图2-3 曲线图

3

直方图

直方图由一系列高度不等的纵向条形组成,表示数据分布的情况。例如,某年级学生的身高分布情况,如图4-1所示。

图4-1 直方图

直方图与柱状图的区别有以下几点:

(1)柱状图是用条形的长度表示各类别频数的多少,其宽度(表示类别)是固定的,主要是展示不同类别的数据。

(2)直方图是用面积表示各组频数的多少,矩形的高度表示每一组的频数 ( 或频率 ),宽度则表示各组的组距,因此其高度与宽度均有意义。

(3)由于分组数据具有连续性,因此直方图的各矩形通常是连续排列,而柱状图则是分开排列。

(4)柱状图主要用于展示分类型数据,而直方图主要用于展示数据型数据。

使用Matplotlib的hist()函数绘制直方图,hist()函数的一般用法为:

主要参数说明如下:

• bins:直方图中箱子 (bin) 的总个数。个数越多,条形带越紧密。

• color:箱子的颜色。

• normed:对数据进行正则化。决定直方图y轴的取值是某个箱子中的元素的个数 (normed=False), 还是某个箱子中的元素的个数占总体的百分比 (normed=True)。

在介绍直方图之前,先来了解什么是正太分布。

正态分布也称常态分布,是连续随机变量概率分布的一种,自然界、人类社会、心理和教育中的大量现象均按正态形式分布。例如,能力的高低、学生成绩的好坏等都属于正态分布。正态分布曲线呈钟形,两头低,中间高,左右对称。因其曲线呈钟形,所以人们又经常称之为钟形曲线,如图4-2所示。

图4-2 正态分布的钟形曲线

正态分布有两个参数,即均值和标准差。均值是正态分布的位置参数,描述正态分布的集中趋势位置。概率规律为:取与均值越近的值的概率越大,而取离均值越远的值的概率越小。

标准差描述正态分布资料数据分布的离散程度,标准差越大,数据分布越分散;标准差越小,数据分布越集中。标准差也是正态分布的形状参数,标准差越大,曲线越扁平;反之,标准差越小,曲线越瘦高。

绘制直方图,需要使用NumPy的np.random.randn(N)函数,这个函数的作用就是从标准正态分布中返回N个样本值。

示例:直方图

本例文件名为

“PythonFullStackChapter07mpl_hist01”

显示直方图。其完整代码如下:

运行脚本输出如图4-3所示的图形。

图4-3 直方图

原文发布于微信公众号 - 人工智能头条(AI_Thinker)

原文发表时间:2019-08-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券