8.1 matplotlib
原文：matplotlib
译者：飞龙
致谢：派生于 Olivier Grisel 的 sklearn 和 IPython 并行机器学习
- 设置全局参数
- 基本绘图
- 直方图
- 相同绘图上的两个直方图
- 散点图
%matplotlib inline
import pandas as pd
import numpy as np
import pylab as plt
import seaborn
设置全局参数
# 设置 matplotlib 图形的全局默认大小
plt.rc('figure', figsize=(10, 5))
# 将 seaborn 美学参数设为默认值
seaborn.set()
基本绘图
x = np.linspace(0, 2, 10)
plt.plot(x, x, 'o-', label='linear')
plt.plot(x, x ** 2, 'x-', label='quadratic')
plt.legend(loc='best')
plt.title('Linear vs Quadratic progression')
plt.xlabel('Input')
plt.ylabel('Output');
plt.show()
png
直方图
# 高斯，均值 1，标准差 0.5，1000 个元素
samples = np.random.normal(loc=1.0, scale=0.5, size=1000)
print(samples.shape)
print(samples.dtype)
print(samples[:30])
plt.hist(samples, bins=50);
plt.show()
'''
(1000,)
float64
[ 0.6806888 0.72202042 1.40490113 1.13979846 0.5729488 1.32584077
0.61635621 0.60340336 1.29453467 0.69841457 0.6975998 0.72315991
0.66912189 1.03420801 0.62283168 0.38582511 0.89488414 1.4802518
1.43819256 0.98605861 0.60402232 1.03820507 0.35598796 1.32901087
1.03194436 1.3374366 1.82526334 1.26614489 1.20061661 0.86344001]
'''
png
相同绘图上的两个直方图
samples_1 = np.random.normal(loc=1, scale=.5, size=10000)
samples_2 = np.random.standard_t(df=10, size=10000)
bins = np.linspace(-3, 3, 50)
# 设置透明度，并使用相同的桶
# 因为我们绘制两个直方图
plt.hist(samples_1, bins=bins, alpha=0.5, label='samples 1')
plt.hist(samples_2, bins=bins, alpha=0.5, label='samples 2')
plt.legend(loc='upper left');
plt.show()
png
散点图
plt.scatter(samples_1, samples_2, alpha=0.1);
plt.show()
png
