首页 > 分享 > 3.4 数据可视化

3.4 数据可视化

花匠小妙招
2024-09-17 03:20

1.饼图

针对类别数据，如要查看每类数据的百分比，使用Matplotlib库绘制饼图

## 加载包 import numpy as np import pandas as pd import matplotlib.pyplot as plt import scipy as sp ## 引入3D坐标系 from mpl_toolkits.mplot3d import Axes3D ## cm模块提供大量的colormap函数 from matplotlib import cm import matplotlib as mpl import seaborn as sns sns.set_style("whitegrid") from sklearn.preprocessing import LabelEncoder 12345678910111213

## 饼图 ## 切片将按顺时针方向排列并绘制. labels = ['Frogs', 'Pigs', 'Dogs', 'Cats']## 标注 sizes = [15, 30, 45, 10] ## 大小 colors = ['yellow', 'gold', 'lightblue', 'lightgreen'] ## 颜色 ## 0.1代表第二个块从圆中分离出来 explode = (0, 0.1, 0, 0) # 'Pigs'分离出来 ## 绘制饼图 plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%', shadow=True, startangle=90) # Set aspect ratio to be equal so that pie is drawn as a circle. plt.axis('equal') plt.show() 12345678910111213

在这里插入图片描述

2.矩阵散点图

3种鸢尾花4个特征值两两之间的关系。使Seaorn库绘制矩阵散点图

## 加载数据Iris Iris = pd.read_csv("D:Desktoppython在机器学习中的应用Iris.csv") Iris=Iris.iloc[:,1:6] Iris.head() 1234

在这里插入图片描述

## 矩阵散点图 sns.pairplot(Iris,hue="Species",size=3,diag_kind="hist",markers=["o", "s", "D"]) #圆形、正方形、菱形 plt.show() 123

hue="Species"为分类变量，size=3 每个图像块的大小，diag_kind="hist"对角线用直方图绘制
在这里插入图片描述

3.平行坐标图

针对高维数据，不只有散点图，还有平行坐标图，还可以看到不同特征之间数量变化的范围和趋势

from pandas.plotting import parallel_coordinates ## 平行坐标图 plt.figure(figsize=(6,4)) parallel_coordinates(Iris, "Species",alpha = 0.8) plt.title("Parallel graph") plt.show() 123456

在这里插入图片描述

4.热力图

为了观察数据集变量之间的相关性，用热力图来描绘相关系数矩阵。在热力图中通过颜色的深浅表示响应取值的大小，可以从全局上观察数据，做到重点突出。使用Seaborn库的*heatmap()*函数来绘制鸢尾花4个特征相关系数矩阵的热力图。

## plt.figure(figsize=(6,6)) ax = sns.heatmap(datacor,square=True,annot=True,fmt = ".3f", linewidths=.5,cmap="YlGnBu", cbar_kws={"fraction":0.046, "pad":0.03}) ax.set_title("Iris Data variable correlation") plt.show() 1234567

cmap=“YlGnBu” 表示热力图使用的颜色， cbar_kws={“fraction”:0.046, “pad”:0.03} colorba和整体图像大小保持一致，r美观
在这里插入图片描述