En el procesamiento y análisis de datos, la visualización de datos es una parte importante, puede ayudarnos a obtener mejor información de datos complejos de manera más intuitiva y efectiva. En el dibujo real con el módulo de Python, hay dos secciones más utilizadas:
1. Use matplotlib para dibujar imágenes : cuando entré en contacto con él por primera vez, sentí que los gráficos dibujados por matplotlib y matlab son muy similares. Hay muchas funciones de trazado en el módulo matplotlib que tienen muchas similitudes con las funciones proporcionadas por matlab , por ejemplo: plot (), imshow (), la figura dibujada por matlab tiene más jaggies, y el efecto dibujado por matplotlib bajo python será más redondeado. Entre ellos, es muy conveniente usar matlab para generar funciones rápidamente. Por ejemplo, use ezplot () en matalb para dibujar una parábola y = x 2 y = x ^ 2y=X2 :
ezplot('x^2',[-10,10])
Sin embargo, debe importar el paquete mpmath en Python y usar la expresión de la función lambda para dibujar una parábola y = x 2 y = x ^ 2y=X2 :
import mpmath as mp
mp.plot(lambda x: x*x, [-10, 10])
Además:
1: Matlab no solo tiene ezplot, sino también ezmesh para generar rápidamente imágenes de funciones tridimensionales.
2: Python tiene un paquete sympy, que se especializa en matemáticas simbólicas, que es un poco similar a las funciones simbólicas en matlab.
2: Use pandas y seaborn para dibujar : es muy común usar pandas para dibujar imágenes. Vale la pena discutir que después de usar pandas para leer datos, puede dibujar directamente la tabla de marco de datos. En pocas palabras: en pandas, hay múltiples columnas de datos, así como etiquetas de filas y columnas. Pandas en sí tiene métodos integrados para simplificar el dibujo de gráficos de DataFrame y Series. En otras palabras: podemos dibujar múltiples datos con un cierto parámetro estándar, por ejemplo:
df = pd.DataFrame(np.random.randn(10, 4).cumsum(0),
columns=['A', 'B', 'C', 'D'],
index=np.arange(0, 100, 10))
df.plot()
En la figura anterior, hay index = np.arange (0, 100, 10)), es decir, 10 números se generan aleatoriamente como variables independientes, y hay columnas = ['A', 'B', 'C' , 'D'] Cuatro variables dependientes. En comparación con matplotlib, esta también es la ventaja de usar pandas para dibujar, lo que reduce el tiempo para escribir código. Además, también puede manipular tablas de marcos de datos usando: df.plot.bar (), df.plot.hist (), df.plot .density () dibuja histogramas, histogramas, mapas de densidad, etc.
¿Por qué utilizar el dibujo seaborn?
Creo que es por belleza. La función de dibujo de seaborn usa el parámetro de datos, que puede ser un DataFrame de pandas. Seaborn ha modificado automáticamente la estética de los gráficos: la paleta de colores predeterminada, el color del fondo de los gráficos y las líneas de la cuadrícula. Puede usar seaborn.set para cambiar entre diferentes apariencias gráficas. [¡muy fuerte! ]
Aquí hay un ejemplo de cómo hice un pronóstico de ventas de productos no hace mucho para explicarlo, usando seaborn para definir la cuadrícula del diseño.
#seaborn设置背景
# sns.set(color_codes=True)La imagen es:
[La imagen no es muy bonita jajaja! ]
Después del estudio "Python usa análisis de datos" Este procesamiento de datos y análisis de los libros imperdibles, también dejó sus mapas mentales, entre ellos, llamar a una función de método para cada sector, y algunos consejos de dibujo de imágenes.
El siguiente es un mapa mental (notas) que aprendí a dibujar y visualizar :
PD: Si hay más métodos de dibujo, se completará más tarde ...
1 Trazado de Matplotlib
Enlace de aprendizaje : sitio web oficial de Matplotlib .
Aquí hay una breve introducción a los parámetros de plot () de uso común y la forma de llamada general de la función plot ():
#单条线：
plot([x], y, [fmt], data=None, **kwargs)
#多条线
plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)El parámetro [fmt] es una cadena para definir los atributos básicos del gráfico, tales como: color (color), tipo de punto (marcador), estilo de línea (estilo de línea).
Forma específica: fmt = '[color] [marcador] [línea]'
Por ejemplo: plot (x, y, 'bo-') dibuja una línea de puntos azul sólida .
Todos tendrán preguntas, ¿qué son 'b', 'o' y'- '? , Y señale uno a uno a continuación.
1.1 Color del parámetro de palabra clave :
character color
============= ===============================
``'b'`` blue 蓝
``'g'`` green 绿
``'r'`` red 红
``'c'`` cyan 蓝绿
``'m'`` magenta 洋红
``'y'`` yellow 黄
``'k'`` black 黑
``'w'`` white 白1.2 Marcadores de parámetros de tipo de punto :
character description
============= ===============================
``'.'`` point marker
``','`` pixel marker
``'o'`` circle marker
``'v'`` triangle_down marker
``'^'`` triangle_up marker
``'<'`` triangle_left marker
``'>'`` triangle_right marker
``'1'`` tri_down marker
``'2'`` tri_up marker
``'3'`` tri_left marker
``'4'`` tri_right marker
``'s'`` square marker
``'p'`` pentagon marker `
`'*'`` star marker
``'h'`` hexagon1 marker
``'H'`` hexagon2 marker
``'+'`` plus marker
``'x'`` x marker
``'D'`` diamond marker
``'d'`` thin_diamond marker
``'|'`` vline marker
``'_'`` hline marker1.3 Parámetro de línea Línea :
character description
============= ===============================
``'-'`` solid line style 实线
``'--'`` dashed line style 虚线
``'-.'`` dash-dot line style 点画线
``':'`` dotted line style 点线Tome nuestra gráfica de ejemplo (x, y, 'bo-') para dibujar la imagen.
En el futuro, estaré en contacto con el procesamiento y análisis de datos durante mucho tiempo y aprenderé lentamente otros módulos de aprendizaje automático usando Python.
Bienvenido a aprender y comunicarse ...
1 Enlace: pandas-aprendizaje de procesamiento de datos .
2 Enlace: Numpy-aprendizaje de procesamiento de datos .