该总结只是为了记录自己学习过程中容易遗忘的问题，权当一个记事本使用。
1：散点图
plt.scatter()函数的原型
scatter(x, y, s=s, c=c, marker=marker, cmap=cmap, norm=norm,vmin=vmin, vmax=vmax, alpha=alpha,
linewidths=linewidths, verts=verts,edgecolors=edgecolors, data=data, **kwargs)
各个参数的含义：
其中marker的含义
其中C的含义如下
下面进行简单的实例化演示：
下面的例子是：房价的预测：
数据源：
1 #利用模拟的模型进行画图 2 3 def show_linear_line(X_parameters,Y_parameters): 4 reg = linear_model.LinearRegression() 5 reg.fit(X_parameters,Y_parameters) 6 plt.scatter(X_parameters,Y_parameters,c = 'blue'，,marker = 'o') 7 plt.plot(X_parameters,reg.predict(X_parameters),color = 'red',linewidth = 2 ,label = 'feet_price') #其中label表示线条的含义 8 # 设置图像的标题 9 plt.title('house_price') 10 #为图像设置网格 11 plt.grid() 12 #设置横纵坐标的范围 13 plt.xlim((150,700)) 14 plt.ylim(5000,20000) 15 #设置坐标轴的刻度 16 plt.xticks(np.linspace(150,700,5)) 17 plt.yticks(np.linspace(5000,20000,5)) 18 #设置横纵坐标轴标签 19 plt.xlabel('square_feet') 20 plt.ylabel('price') 21 plt.legend() 22 plt.show()
房价的预测结果：
plot()函数
用于绘制模拟的线
如上面代码中所示，plot()函数可以添加多个参数
其中形状的种类如下图：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html
线条的颜色如下：
1 plot([1,2,3], [1,2,3], 'go-', label='line 1', linewidth=2) 2 plot([1,2,3], [1,4,9], 'rs', label='line 2') 3 axis([0, 4, 0, 10]) 4 legend()
savefig()函数
保存图片 https://matplotlib.org/api/pyplot_api.html 从api中查找各个参数的含义
savefig(fname, dpi=None, facecolor='w', edgecolor='w', orientation='portrait', papertype=None, format=None, transparent=False, bbox_inches=None, pad_inches=0.1, frameon=None)
如下图：如果加上标红线的代码，则会将图片输出到该路径中
1 #利用模拟的模型进行画图 2 3 def show_linear_line(X_parameters,Y_parameters): 4 reg = linear_model.LinearRegression() 5 reg.fit(X_parameters,Y_parameters) 6 plt.scatter(X_parameters,Y_parameters,c = 'blue',marker = '^') 7 plt.plot(X_parameters,reg.predict(X_parameters),color = 'red',linewidth = 2 ,label = 'feet_price') 8 # 设置图像的标题 9 plt.title('house_price') 10 #为图像设置网格 11 plt.grid() 12 #设置横纵坐标的范围 13 plt.xlim((150,700)) 14 plt.ylim(5000,20000) 15 #设置坐标轴的刻度 16 plt.xticks(np.linspace(150,700,5)) 17 plt.yticks(np.linspace(5000,20000,5)) 18 #设置横纵坐标轴标签 19 plt.xlabel('square_feet') 20 plt.ylabel('price') 21 #输出图片到改路径下面 22 plt.savefig('G:\python\20180108demo\01Lineargression\resultPic\housePredicted.png') 23 plt.legend() 24 plt.show()