今天是数据处理专题的第9篇。在前八篇文章中，我们已经介绍了熊猫的一些基本用法。先把一些冷门的高级用法放在一边，先介绍另一个非常有用的数据分析库——***tplotlib。
***tplotlib简介
如果你在大学参加过数学建模竞赛或者用过MATLAB，你会对这个软件中的绘图功能印象深刻。MATLAB可以做出各种函数和数值分布图，非常好用方便。没用过也没关系。很高兴知道这个。MATLAB虽然好用，但毕竟是付费软件，而且和MATLAB相比，很多人更喜欢Python的语法。
于是MATLAB被记住了。后来大神模仿MATLAB中的画图工具，用Python开发了类似的画图工具。这就是我们今天要在本文中讨论的***tplotlib。也是Python中应用最广泛的映射工具包，数据分析和机器学习，几乎都没有。前段时间也不是美国政府做的事情，导致MATLAB宣布在中国几所大学禁止使用MATLAB。有人建议我们可以用Python中的一些开源工具来代替。当然，MATLAB还有很多其他强大的功能，Python可能无法替代，但至少在绘图领域是没问题的。
***tplotlib的基本用法***tplotlib广受欢迎的一个主要原因是它方便易用。我们来看几个经典的例子，只用几行代码就可以做出一个非常高质量的图。
我们使用的是***tplotlib包下的库pyplot，从名字就可以看出是一个Python库。如果你安装了一个完整的Python包管理工具，比如Anaconda，那么这个包应该是默认安装的。如果没有，可以用pip来安装，命令非常简单。
pip install ***tplotlib
包安装好之后，我们通常的使用约定是
重命名为plt
，所以如果你看了一些大神的源码和其他代码，绘图的时候经常会出现plt.xxx，就是这么来的。
import ***tplotlib.pyplot as plt
plot中有几种常用的绘图工具。第一个叫plot，用来做
线图或者曲线
。第二个叫做hist for
直方图
，第三个叫做scatter for
散点图
，第四个叫做
饼图
。此外，还可以制作一些三维图像，但日常生活中很少用到，大部分都是用来炫耀技艺的。
图形
Plot实际上是作为一个图形，采用的方法是
描点
渲染，将我们的数据点串联起来，形成一条平滑的曲线。当然也可以做折线和直线，最终的贴图效果完全由我们的数据决定。
它的使用方法很简单。在最基本的用法中，我们只需要传入两个list，分别代表X轴和Y轴的值。例如，我们必须制作一个逻辑函数图像。我们可以这样做:
x = np.linspace(-10, 10, 100)y = 1 / (1 + np.exp(-x))plt.plot(x, y)plt.show()
在上面的代码中，我们首先使用numpy中的linspace函数生成一个介于-10和10之间的numpy数组。这个数组中有100个点，平均分布在-10和10之间。我们为它计算相应的逻辑函数的值，即y = 1/1+e^(-x-x).这个功能我想大家应该都不陌生。x是100分的列表，对应的Y也是100分的列表。也就是说，一个X对应一个Y形成一个点对，这个点对代表图形中的一个坐标。
我们不需要做任何变换，只需要把这两个数组传入plt，它就会自动为我们完成坐标的映射。最终效果如下。
我们可以看到画图的效果是不错的。除了画图像，它还为我们在坐标轴上画点，方便我们查看数据。
直方图
Hist可以用来画
直方图
，这也是我们很常见的图像。在财经领域，我们经常用直方图来反映一个数据的趋势。在数据分析和机器学习中，我们也经常使用直方图来反映某种特征或值的分布。
在直方图中，我们只需要输入一个数组，也就是我们要分布的数组。此外，我们需要输入另一个
参数bins
，它指示我们要划分到桶中的数据的数量。然后它会画出每个桶的数据量的直方图，这样我们就可以直观的看到分布情况。
x = np.random.nor***l(size=200)plt.hist(x,bins=30)plt.show()
这里我们调用numpy中随机概率为正态分布的函数，结果应该是正态分布。
我们看了图像，结果和我们的预期基本一致。
点状图
第三种图像叫散点图，反映每个点的分布情况。例如，当我们之前引入KNN和克曼模型时，我们会用一个点代表一个样本来绘制散点图。通过散点图，我们观察样本和数据的分布。但是
比直方图更
直观
，我们可以直接看到分布，而不是一个分布的统计结果。
但是它也有缺点。缺点是只能观察二维平面上的点的分布。毕竟没有办法画出三个以上的维度。此外，三维数据分布没有得到很好的观察。
同样，散点图的绘制也很简单。我们只需要调用scatter函数传入x和y的数组。
x = np.random.rand(100)y = np.random.rand(100)plt.scatter(x, y)
我们的x和y在这里是随机分布的，所以结果是分散的，不规则的点。
饼图
最后来看饼状图，也是常用的。虽然也反映了数据分布，但更多的是某个数值所占的比例。通过饼状图，我们可以直观的知道这一点。
我们可以传入一个列表来进入饼图函数，plot会根据列表中的值在总数中所占的比例来绘制一个饼图。让我们看一个非常简单的例子:
a = np.array([0.5, 0.3, 0.2, 0.1, 0.8])plt.pie(a)
结果如下:
相比之前的结果，饼状图略显不清晰，因为虽然用不同的颜***分了不同的区域，但是我们很难直观的看到每个区域代表了什么。这个问题是可以解决的。我们可以通过传入一些参数和设置，让它展现更多的信息，让数据更加生动清晰。
本文来自呆到深处自然萌投稿，不代表舒华文档立场，如若转载，请注明出处：https://www.chinashuhua.cn/24/542437.html
微信扫一扫 
