Matplotlib&Numpy

1|0Matplotlib

• 是专门用于开发2D图表(包括3D图表)

• 以渐进、交互式方式实现数据可视化

1|1实现一个简单的Matplotlib画图

①导入：matplotlib.pytplot包含了一系列类似于matlab的画图函数。

②图形绘制流程：

创建画布 -- plt.figure()

绘制图像 -- plt.plot(x, y)

显示图像 -- plt.show()

import matplotlib.pyplot as plt # 1.创建画布 plt.figure() # 2.绘制折线图 plt.plot([1, 2, 3, 4, 5, 6 ,7], [17,17,18,15,11,11,13]) # 3.显示图像 plt.show()

输出：

 

1|2扩展画图的功能

添加自定义x,y刻度

• plt.xticks(x, **kwargs)

  x:要显示的刻度值

• plt.yticks(y, **kwargs)

  y:要显示的刻度值

#添加x，y轴刻度 x_ticket=["11点{}分".format(i) for i in x] y_ticket=range(60) #修改x，y轴的坐标刻度线是 plt.xticks(x[::5],x_ticket[::5]) plt.yticks(y_ticket[::5])

 

中文显示问题解决

from pylab import mpl mpl.rcParams["font.sans-serif"]=["SimHei"] mpl.rcParams["axes.unicode_minus"]=False

添加网格显示

#添加网格显示 plt.grid(True,linestyle='--',alpha=0.5)

 

添加描述信息

#添加描述信息 plt.xlabel("时间") plt.ylabel("温度") plt.title("中午11点-12点某城市温度变化图",fontsize=20)

 

图像保存

#保存图片 plt.savefig("./test.png")

1|3在一个坐标系中绘制多个图像

只要多次plot就行

x=range(60) y=[random.uniform(15,18) for i in x] y2=[random.uniform(3,5) for i in x] #绘制画布 plt.figure(figsize=(10,8),dpi=100) #绘制图像 plt.plot(x,y,label="上海") plt.plot(x,y2,color='r',linestyle='--',label="北京")

设置图形风格

颜色字符	风格字符
r 红色	- 实线
g 绿色	- - 虚线
b 蓝色	-. 点划线
w 白色	: 点虚线
c 青色	' ' 留空、空格
m 洋红
y 黄色
k 黑色

显示图例

如果只在plt.plot()中设置label还不能最终显示出图例，还需要通过plt.legend()将图例显示出来。

import matplotlib.pyplot as plt import random from pylab import mpl mpl.rcParams["font.sans-serif"]=["SimHei"] mpl.rcParams["axes.unicode_minus"]=False x=range(60) y=[random.uniform(15,18) for i in x] y2=[random.uniform(3,5) for i in x] #绘制画布 plt.figure(figsize=(10,8),dpi=100) #绘制图像 plt.plot(x,y,label="上海") plt.plot(x,y2,color='r',linestyle='--',label="北京") #添加网格显示 plt.grid(True,linestyle='--',alpha=0.5) #添加描述信息 plt.xlabel("时间") plt.ylabel("温度") plt.title("中午11点-12点某城市温度变化图",fontsize=20) #添加x，y轴刻度 x_ticket=["11点{}分".format(i) for i in x] y_ticket=range(60) #修改x，y轴的坐标刻度线是 plt.xticks(x[::5],x_ticket[::5]) plt.yticks(y_ticket[::5]) #保存图片 plt.savefig("./test.png") #显示图例 plt.legend(loc="best") plt.show()

 

1|4多个坐标系显示— plt.subplots(面向对象的画图方法)

matplotlib.pyplot.subplots(nrows=1, ncols=1, **fig_kw) 创建一个带有多个axes(坐标系/绘图区)的图

import matplotlib.pyplot as plt import random from pylab import mpl mpl.rcParams["font.sans-serif"]=["SimHei"] mpl.rcParams["axes.unicode_minus"]=False x=range(60) y=[random.uniform(15,18) for i in x] y2=[random.uniform(3,5) for i in x] #绘制画布 fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(30,15),dpi=100) #绘制图像 axes[0].plot(x,y,label="上海") axes[1].plot(x,y2,color='r',linestyle='--',label="北京") #添加网格显示 axes[0].grid(True,linestyle='--',alpha=0.5) axes[1].grid(True,linestyle='--',alpha=0.5) # #添加描述信息 axes[0].set_xlabel("时间") axes[0].set_ylabel("温度") axes[0].set_title("中午11点-12点某城市温度变化图",fontsize=20) axes[1].set_xlabel("时间") axes[1].set_ylabel("温度") axes[1].set_title("中午11点-12点某城市温度变化图",fontsize=20) #添加x，y轴刻度 x_ticket=["11点{}分".format(i) for i in x] y_ticket=range(60) #修改x，y轴的坐标刻度线是 axes[0].set_xticks(x[::5]) axes[0].set_yticks(y_ticket[::5]) axes[0].set_xticklabels(x_ticket[::5]) axes[1].set_xticks(x[::5]) axes[1].set_yticks(y_ticket[::5]) axes[1].set_xticklabels(x_ticket[::5]) # #保存图片 plt.savefig("./test.png") # #显示图例 axes[0].legend(loc="best") axes[1].legend(loc="best") plt.show()

 画各种数学函数图像

正弦(sin)，余弦(cos)，正切(tan)，反正弦(arcsin)，反余弦(arccos)，反正切(arctan)

import numpy as np import matplotlib.pyplot as plt # 0.准备数据 x = np.linspace(-10, 10, 1000) y = np.sin(x) # 1.创建画布 plt.figure(figsize=(20, 8), dpi=100) # 2.绘制函数图像 plt.plot(x, y) # 2.1 添加网格显示 plt.grid() # 3.显示图像 plt.show()

1|5制折线图、散点图、柱状图、直方图、饼图

折线图：以折线的上升或下降来表示统计数量的增减变化的统计图

特点：能够显示数据的变化趋势，反映事物的变化情况。(变化)

api：plt.plot(x, y)

散点图：用两组数据构成多个坐标点，考察坐标点的分布,判断两变量之间是否存在某种关联或总结坐标点的分布模式。

特点：判断变量之间是否存在数量关联趋势,展示离群点(分布规律)

api：plt.scatter(x, y)

import matplotlib.pyplot as plt from pylab import mpl mpl.rcParams["font.sans-serif"]=["SimHei"] mpl.rcParams["axes.unicode_minus"]=False x = [225.98, 247.07, 253.14, 457.85, 241.58, 301.01, 20.67, 288.64, 163.56, 120.06, 207.83, 342.75, 147.9 , 53.06, 224.72, 29.51, 21.61, 483.21, 245.25, 399.25, 343.35] y = [196.63, 203.88, 210.75, 372.74, 202.41, 247.61, 24.9 , 239.34, 140.32, 104.15, 176.84, 288.23, 128.79, 49.64, 191.74, 33.1 , 30.74, 400.02, 205.35, 330.64, 283.45] #创建画布 plt.figure(figsize=(20,8),dpi=100) #绘制图像 plt.scatter(x,y) #图像显示 plt.show()

 

柱状图：排列在工作表的列或行中的数据可以绘制到柱状图中。

特点：绘制连离散的数据,能够一眼看出各个数据的大小,比较数据之间的差别。(统计/对比)

api：plt.bar(x, width, align='center', **kwargs)

Parameters: x : 需要传递的数据 width : 柱状图的宽度 align : 每个柱状图的位置对齐方式 {‘center’, ‘edge’}, optional, default: ‘center’ **kwargs : color:选择柱状图的颜色


import matplotlib.pyplot as plt from pylab import mpl mpl.rcParams["font.sans-serif"]=["SimHei"] mpl.rcParams["axes.unicode_minus"]=False # 电影名字 movie_name = ['雷神3：诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴','降魔传','追捕','七十七天','密战','狂兽','其它'] # 横坐标 x = range(len(movie_name)) # 票房数据 y = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222] #创建画布 plt.figure(figsize=(20,8),dpi=100) #绘制图像 plt.bar(x,y,color=['b','r','g','y','c','m','y','k','c','g','b'],width=0.7) #修改x轴显示 plt.xticks(x,movie_name) #添加网格 plt.grid(linestyle="--",alpha=0.8) #添加标题 plt.title("电影票房收入对比") #图像显示 plt.show()

 

直方图：由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据范围，纵轴表示分布情况。

特点：绘制连续性的数据展示一组或者多组数据的分布状况(统计)

api：matplotlib.pyplot.hist(x, bins=None)

Parameters: x : 需要传递的数据 bins : 组距

import matplotlib.pyplot as plt import numpy as np from pylab import mpl mpl.rcParams["font.sans-serif"]=["SimHei"] mpl.rcParams["axes.unicode_minus"]=False plt.figure(figsize=(20,8),dpi=100) x2=np.random.uniform(-10,10,1000) plt.hist(x2,1000)#x2为使用的数据，1000为划分的区间数 plt.show()

 

饼图：用于表示不同分类的占比情况，通过弧度大小来对比各种分类。

特点：分类数据的占比情况(占比)

api：plt.pie(x, labels=,autopct=,colors)

Parameters: x:数量，自动算百分比 labels:每部分名称 autopct:占比显示指定%1.2f%% colors:每部分颜色

import matplotlib.pyplot as plt import numpy as np from pylab import mpl mpl.rcParams["font.sans-serif"]=["SimHei"] mpl.rcParams["axes.unicode_minus"]=False plt.figure(figsize=(20,8),dpi=100) x=[10,20,30,40] labels=["算法","网页","人工智能","大数据"] colors=["r","g","y","b"] plt.pie(x,labels=labels,autopct="%1.2f%%",colors=colors) # 显示图例 plt.legend() plt.show()

 

2|0Numpy

Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。

Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。

Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

2|1简单认识

import numpy as np #二维数组 score=np.array([[80, 89, 86, 67, 79], [78, 97, 89, 67, 81], [90, 94, 78, 67, 74], [91, 91, 90, 67, 69], [76, 87, 75, 67, 86], [70, 79, 84, 67, 84], [94, 92, 93, 67, 64], [86, 85, 83, 67, 80]]) print(score.shape)#数组维度的元组 print(score.ndim)#数组维数 print(score.size)#数组中的元素数量 print(score.itemsize)#一个数组元素的长度 print(score.dtype)#数组元素的类型 #三维数组,自定义数据类型 c=np.array([[[80, 89, 86, 67, 79], [78, 97, 89, 67, 81], [90, 94, 78, 67, 74], [91, 91, 90, 67, 69]], [[76, 87, 75, 67, 86], [70, 79, 84, 67, 84], [94, 92, 93, 67, 64], [86, 85, 83, 67, 80]]],dtype=np.float32) print(c) print(c.ndim) print(c.shape)

输出：

(8, 5)
2
40
4
int32
[[[80. 89. 86. 67. 79.]
[78. 97. 89. 67. 81.]
[90. 94. 78. 67. 74.]
[91. 91. 90. 67. 69.]]

[[76. 87. 75. 67. 86.]
[70. 79. 84. 67. 84.]
[94. 92. 93. 67. 64.]
[86. 85. 83. 67. 80.]]]
3
(2, 4, 5)

2|2深拷贝与浅拷贝

import numpy as np # a=np.ones([3,3]) # print(a) # b=np.zeros_like(a) # print(b) #从现有数组生成 k=np.array([[1,2,3],[4,5,6]]) #深拷贝 k1=np.array(k) #浅拷贝 k2=np.asarray(k) print(k1) print(k2) k[0,0]=100 #源数据改变，因此浅拷贝的数据也会改变 print(k1) print(k2)

输出：

[[1 2 3]
[4 5 6]]
[[1 2 3]
[4 5 6]]
[[1 2 3]
[4 5 6]]
[[100 2 3]
[ 4 5 6]]

2|3间隔数组，等差数组，等比数组

import numpy as np #生成等间隔的数组 a=np.linspace(0,100,11) print(a) #创建等差数组-指定步长 b=np.arange(10,50,2) print(b) #创建等比数列 #start:10**start次方开始，stop：10**stop次方结束，num为生成的样本个数 c=np.logspace(1,3,100) print(c)

输出：

[ 0. 10. 20. 30. 40. 50. 60. 70. 80. 90. 100.]
[10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48]
[ 10. 10.47615753 10.97498765 11.49756995 12.0450354
12.61856883 13.21941148 13.84886371 14.50828778 15.19911083
15.92282793 16.68100537 17.475284 18.3073828 19.17910262
20.09233003 21.04904145 22.0513074 23.101297 24.20128265
25.35364494 26.56087783 27.82559402 29.15053063 30.53855509
31.99267138 33.51602651 35.11191734 36.78379772 38.53528594
40.37017259 42.29242874 44.30621458 46.41588834 48.6260158
50.94138015 53.36699231 55.90810183 58.57020818 61.35907273
64.28073117 67.34150658 70.54802311 73.90722034 77.42636827
81.11308308 84.97534359 89.02150854 93.26033469 97.70099573
102.35310219 107.2267222 112.3324033 117.68119524 123.28467394
129.1549665 135.30477746 141.74741629 148.49682623 155.56761439
162.97508346 170.73526475 178.86495291 187.38174229 196.304065
205.65123083 215.443469 225.70197196 236.44894126 247.7076356
259.50242114 271.85882427 284.80358684 298.36472403 312.57158497
327.45491629 343.04692863 359.38136638 376.49358068 394.42060594
413.20124001 432.87612811 453.48785081 475.08101621 497.70235643
521.4008288 546.22772177 572.23676594 599.48425032 628.02914418
657.93322466 689.26121043 722.08090184 756.46332755 792.48289835
830.21756813 869.74900262 911.16275612 954.54845666 1000. ]

2|4生成0和1的数组

import numpy as np a=np.ones([3,3]) print(a) b=np.zeros_like(a) print(b)

输出：

[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]

2|5生成随机数组

import matplotlib.pyplot as plt import numpy as np #生成一个正态分布 #0为均值，1为标准差，这是一个标准的正态分布 x1=np.random.normal(0,1,100000000) plt.figure() plt.hist(x1,1000) plt.show() #生成一个四行五列的正态分布表 stack=np.random.normal(0,1,[4,5]) print(stack) #均匀分布 #上限为1，下限为-1，生成10000000个随机数 x2=np.random.uniform(-1,1,10000000) print(x2) plt.figure() plt.hist(x2,1000)#x2为使用的数据，1000为划分的区间数 plt.show()

[[ 0.21734627 -0.97992775 0.24635965 -0.52524527 0.61409397]
[-0.42891216 0.07972822 -0.09477911 1.77777235 -0.09798548]
[ 0.30071645 -0.95531024 0.30922396 -0.72969828 -0.43364537]
[-1.27946259 -1.05671799 0.74995682 0.51016288 0.50191553]]

 

 

2|6数组的索引、切片

一维、二维、三维的数组如何索引？

• 直接进行索引,切片
• 对象[:, :] -- 先行后列

import numpy as np a=np.random.normal(0,1,(4,5)) print(a) print(a[0:3,0:3]) # 三维 a1 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]]) print(a1[0,0,1])

输出：

[[-0.8475957 0.59500006 -0.99042764 -1.47068488 1.04488987]
[ 1.05759779 -0.34656605 0.25075867 1.26481382 -0.02561291]
[ 0.00384902 0.53486762 -0.94276903 -0.33453538 1.447024 ]
[ 0.60627864 0.26352157 0.61437243 -1.0099516 -1.34009347]]
[[-0.8475957 0.59500006 -0.99042764]
[ 1.05759779 -0.34656605 0.25075867]
[ 0.00384902 0.53486762 -0.94276903]]
2

2|7形状修改

import numpy as np #创建数据 a=np.random.normal(0,1,(4,5)) print("源数据：{}".format(a)) #reshape：返回一个具有相同数据域，但shape不一样的视图 b=a.reshape([5,4]) print("reshape为5行4列的新数据：{}".format(b)) c=a.reshape([-1,2]) print("reshape为？行2列的新数据：{}".format(c)) d=a.reshape([2,-1]) print("reshape为2行?列的新数据：{}".format(d)) #resize：修改数组本身的形状（需要保持元素个数前后相同） a.resize([10,2]) print("修改本身为10行2列后的数据：{}".format(a)) #转置 a=a.T print("转置后的数据：{}".format(a)) #修改数组的数据类型 a=a.astype(np.int32) print("修改数据的类型为int：{}".format(a)) #转为字符串 arr = np.array([[[1, 2, 3], [4, 5, 6]], [[12, 3, 34], [5, 6, 7]]]) print("转为字符串：{}".format(arr.tostring())) #数组去重 tmp=np.array([[1,2,3,4],[3,4,5,6]]) print("数组去重后的数据：{}".format(np.unique(tmp)))

源数据：[[-1.01605099 0.04340228 -0.13464495 1.15063668 -0.6123171 ]
[-2.47248818 0.92994026 -0.85258242 0.1856697 1.41896786]
[ 1.87231721 -0.26889703 -0.07252063 -0.40996587 0.21071932]
[-0.67559295 1.39530076 -0.20394447 -0.39996382 0.03839303]]
reshape为5行4列的新数据：[[-1.01605099 0.04340228 -0.13464495 1.15063668]
[-0.6123171 -2.47248818 0.92994026 -0.85258242]
[ 0.1856697 1.41896786 1.87231721 -0.26889703]
[-0.07252063 -0.40996587 0.21071932 -0.67559295]
[ 1.39530076 -0.20394447 -0.39996382 0.03839303]]
reshape为？行2列的新数据：[[-1.01605099 0.04340228]
[-0.13464495 1.15063668]
[-0.6123171 -2.47248818]
[ 0.92994026 -0.85258242]
[ 0.1856697 1.41896786]
[ 1.87231721 -0.26889703]
[-0.07252063 -0.40996587]
[ 0.21071932 -0.67559295]
[ 1.39530076 -0.20394447]
[-0.39996382 0.03839303]]
reshape为2行?列的新数据：[[-1.01605099 0.04340228 -0.13464495 1.15063668 -0.6123171 -2.47248818
0.92994026 -0.85258242 0.1856697 1.41896786]
[ 1.87231721 -0.26889703 -0.07252063 -0.40996587 0.21071932 -0.67559295
1.39530076 -0.20394447 -0.39996382 0.03839303]]
修改本身为10行2列后的数据：[[-1.01605099 0.04340228]
[-0.13464495 1.15063668]
[-0.6123171 -2.47248818]
[ 0.92994026 -0.85258242]
[ 0.1856697 1.41896786]
[ 1.87231721 -0.26889703]
[-0.07252063 -0.40996587]
[ 0.21071932 -0.67559295]
[ 1.39530076 -0.20394447]
[-0.39996382 0.03839303]]
转置后的数据：[[-1.01605099 -0.13464495 -0.6123171 0.92994026 0.1856697 1.87231721
-0.07252063 0.21071932 1.39530076 -0.39996382]
[ 0.04340228 1.15063668 -2.47248818 -0.85258242 1.41896786 -0.26889703
-0.40996587 -0.67559295 -0.20394447 0.03839303]]
修改数据的类型为int：[[-1 0 0 0 0 1 0 0 1 0]
[ 0 1 -2 0 1 0 0 0 0 0]]
转为字符串：b'x01x00x00x00x02x00x00x00x03x00x00x00x04x00x00x00x05x00x00x00x06x00x00x00x0cx00x00x00x03x00x00x00"x00x00x00x05x00x00x00x06x00x00x00x07x00x00x00'
数组去重后的数据：[1 2 3 4 5 6]

2|8array运算

import numpy as np score=np.random.randint(40,100,(10,5)) print(score) print() test_score=score[6:,0:5] # 逻辑判断, 如果成绩大于60就标记为True 否则为False print(test_score>60) # BOOL赋值, 将满足条件的设置为指定的值-布尔索引 test_score[test_score>60]=1 print(test_score) #通用判断函数 # 判断前两名同学的成绩[0:2, :]是否全及格 print(np.all(score[0:2,:]>60)) # 判断前两名同学的成绩[0:2, :]是否有大于90分的 print(np.any(score[0:2,:]>90)) #三元运算符 temp=score[:4,:4] print(temp) print(np.where(temp>60,1,0)) # #三元运算的与操作 print(np.where(np.logical_and(temp>60,temp<90),1,0)) # #三元运算的或操作 print(np.where(np.logical_or(temp>90,temp<60),1,0)) #统计运算 tmp=score[:4,:] print(tmp) #最大值 print("最大值:"+str(np.max(tmp))) #平均值 print("平均值:"+str(np.mean(tmp))) #中位数 print("中位数：{}".format(np.median(tmp))) #标准差 print("标准差：{}".format(np.std(tmp))) #方差 print("方差：{}".format(np.var(tmp))) #每列的最大值 print("每列的最大值:"+str(np.max(tmp,axis=0))) #每行的最大值 print("每行的最大值:"+str(np.max(tmp,axis=1))) #最大值的下标 print("最大值的下标:"+str(np.argmax(tmp))) #每列的最大值下标 print("每列的最大值下标:"+str(np.argmax(tmp,axis=0))) #最小值下标 print("最小值下标："+str(np.argmin(tmp))) #每行的最小值下标 print("每行的最小值下标："+str(np.argmin(tmp,axis=1)))

2|9数组间的运算

import numpy as np #数组运算 a=np.array([[1,2,3],[3,4,5]]) print(a*3) #列表运算 b=[1,2,3] print(b*3) #数组间的运算,要满足广播机制 #维度相等 #shape对应的地方为1 arr1 = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]]) print(np.shape(arr1)) arr2 = np.array([[1], [3]]) print(np.shape(arr2)) print(arr1+arr2)

[[ 3 6 9]
[ 9 12 15]]
[1, 2, 3, 1, 2, 3, 1, 2, 3]
(2, 6)
(2, 1)
[[2 3 4 3 2 5]
[8 9 4 5 6 4]]

2|10矩阵乘法

np.matmul和np.dot的区别:

二者都是矩阵乘法。 np.matmul中禁止矩阵与标量的乘法。 在矢量乘矢量的內积运算中，np.matmul与np.dot没有区别。

import numpy as np a = np.array([[80, 86], [82, 80], [85, 78], [90, 90], [86, 82], [82, 90], [78, 80], [92, 94]]) b=np.array([[0.7],[0.3]]) print(np.dot(a,b)) print(np.matmul(a,b)) c=10 print(np.dot(c,a))

输出：

[[81.8]
[81.4]
[82.9]
[90. ]
[84.8]
[84.4]
[78.6]
[92.6]]
[[81.8]
[81.4]
[82.9]
[90. ]
[84.8]
[84.4]
[78.6]
[92.6]]
[[800 860]
[820 800]
[850 780]
[900 900]
[860 820]
[820 900]
[780 800]
[920 940]]

 

出处：https://www.cnblogs.com/xiaofengzai/p/13544998.html