2020.12.29-在mooc上自学tensorflow-Matplotlib数据可视化

原创于 2020-12-29 09:16:17 发布 · 151 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

收录于

自学tensorflow

博客记录了2020年12月29日的相关内容，共173行，但未明确具体信息。

2020.12.29
173行

import matplotlib.pyplot as plt #导入绘图库
import numpy as np

#Figure对象,子图的形状大小等
#figure(num,figsize,dpi,facecolor,edgecolor,frameon)
#num：图形编号或名称，取值为数组/字符串
#figsize：绘图对象的宽和高，单位为英寸
#dpi：绘图对象的分辨率，缺省值为80
#facecolor:背景颜色
#edgecolor：边框颜色。
#frameon：表示是否显示边框。
plt.figure(figsize=(10,1),facecolor="pink")
plt.plot()
plt.show()

在这里插入图片描述

#划分子图subplot
fig= plt.figure()
plt.subplot(221)
plt.subplot(222)
plt.subplot(223)
plt.show()

在这里插入图片描述

#设置中文字体
#                  字体         中文黑体
plt.rcParams["font.sans-serif"]="SimHei"
plt.rcParams["axes.unicode_minus"]=False        #正常显示数组
#plt.rcdefaults()     #恢复标准默认配置

#添加标题
#全局标题   suptitle()         子标题     title()
 #散点图
#scatter(x,y,scale,color,marker,label)
#scale 数据点的大小 默认值  36
#color 数据点颜色
#marker 数据点的样式     圆点
#label 图例文字             
n=1024
x1=np.random.normal(0,1,n)              #标准正态分布
y1=np.random.normal(0,1,n)
plt.scatter(x1,y1,4,color="blue",marker='*',label="正态分布") #绘制散点图
plt.title("标准正态分布",fontsize=20)
#text(x,y,s,fontsize,color)
#在图表中添加文字. # s 为添加的内容
plt.text(2.5,2.5,"均 值：0\n标准差：1")
#设置坐标轴范围
plt.xlim(-5,5)                         #xlim(xmin,xmax)
plt.ylim(-5,5)                         #xlim(ymin,ymax)
#设置坐标轴标签
plt.xlabel('横坐标x',fontsize=14)      #xlabel(x,y,s,fontsize,color)
plt.ylabel('纵坐标y',fontsize=14)      #ylabel(x,y,s,fontsize,color)

x2=np.random.uniform(-4,4,(1,n))       #在图像中添加新的点
y2=np.random.uniform(-4,4,(1,n))
plt.scatter(x2,y2,4,color="red",label="均匀分布")
plt.legend()

在这里插入图片描述

#折线图 plt.plot(x,y,color,marker,label,linewidth,markersize)
#linewidth   折线的宽度
n=24
y1=np.random.randint(27,37,n)
y2=np.random.randint(40,60,n)
plt.plot(y1,label='温度')
plt.plot(y2,label='湿度')
plt.legend()
plt.xlabel('小时',fontsize=12)
plt.ylabel('测量值',fontsize=12)
plt.xlim(0,23)
plt.ylim(20,70)
plt.title('24小时温度湿度统计',fontsize=16)

在这里插入图片描述

#柱状图  plt.bar(left,height,width,facecolor,edgecolor,label)
#  left  柱子左边缘的位置
#  height 柱子高度
#  width 柱子的宽度
#  facecolor 柱子的填充色
# edgecolor  柱子边框的
plt.bar(range(len(y1)),y1,width=0.8,facecolor='green',label='统计量1')

在这里插入图片描述

#加载数据集
import tensorflow as tf
boston_housing= tf.keras.datasets.boston_housing
(train_x,train_y),(test_x,test_y)= boston_housing.load_data(test_split=0)
                                        #test_split可改变测试集和训练集的比例
print("Training set:",len(train_x))         #训练集中的数据量  
print("Testing set:",len(test_x))           #测试集中的数据量

#访问数据集中的数据
print(type(train_x))
print(type(test_x))
print("维度 of train_x:",train_x.ndim)      #训练集的维度
print("shape of train_x",train_x.shape)     #训练集的形状
print("维度 of train_y:",train_y.ndim)
print("shape of train_y",train_y.shape)

plt.figure(figsize=(5,5))
plt.scatter(train_x[:, 5],train_y,10)
#               意思是第几个属性值
plt.xlabel("RM")
plt.ylabel("Price($1000's)")
plt.title("5. RM-Price")
plt.show()

titles = ["CRIM","ZN","INDUS","CHAS","NOX","RM","AGE","DIS",
         "RAD","TAX","PTRATIO","B-1000","LSTAT","MEDV"]
plt.figure(figsize=(12,12))
#用循环来将各个属性与房价之间的关系显示出来
for i in range(13):
    plt.subplot(4,4,(i+1))
    plt.scatter(train_x[:,i],train_y,5)   #i为第i个属性
    plt.xlabel(titles[i])
    plt.suptitle("各个属性与房价的关系",x=0.5,y=1.02,fontsize=20)
  
plt.show()

在这里插入图片描述

#tf.keras.utils.get_file(fname,origin,cache_dir)
#fname:下载后的文件名
#origin：文件的URL地址
#cache_dir:下载后文件的储存位置
TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv"
train_path=tf.keras.utils.get_file("iris_training.csv",TRAIN_URL)
##train_path=tf.keras.utils.get_file(TRAIN_URL.split('/')[-1],TRAIN_URL)
#以后用上面语句进行下载文件，只需要修改网址URL

#访问csv文件
#Pandas库，用于数据统计和分析，可以高效，方便地操作大型数据集
import pandas as pd  #导入pandas库

#  pd.read_csv(路径，header,names)  读取csv数据集文件
# header=0;将第一行数据作为列标题
# names :自定义列标题，代替header参数指定的列标题
COLUMN_NAMES=['SepalLength','SepalWidth','PetalLength','PetalWidth','Species']
df_iris=pd.read_csv("D:\python\datas\iris_training.csv")
pd.read_csv("D:\python\datas\iris_training.csv",names=COLUMN_NAMES,header=0)

在这里插入图片描述

print(type(df_iris))      #二维数据
NAMES=['120','4','山莺尾','变色莺尾','维吉尼亚莺尾']
pd.read_csv("D:\python\datas\iris_training.csv",names=NAMES,header=0)

在这里插入图片描述

#head(n)  ：默认读取二维数据表中的前5行数据
#tail(n) : 读取后n行数据，默认后5行

pd.read_csv("D:\python\datas\iris_training.csv",names=COLUMN_NAMES,header=0)
df_iris.head(10)
df_iris.tail(10)
df_iris[10:15]        #使用索引和切片
df_iris.describe()    #显示二维数据的统计信息
#总数，平均值，标准差，

在这里插入图片描述

print(df_iris.ndim)
print(df_iris.shape)
print(df_iris.size)     #数据总数

#将图标类型转化为Numpy数组，再用于制图，以下三种方法等价于
iris=np.array(df_iris)
#iris=df_iris.values
#iris=df_iris.as_matrix()
print(iris[0:6])
iris[:,2]

#绘制散点图
#plt.scatter(x,y,c,cmap)       #将参数c指定一个列表或元组，图标的颜色可以随元素不同而改变
#

plt.scatter(iris[:,2],iris[:,3],9,c=iris[:,4],cmap='brg')
plt.xlabel("SepalWidth")
plt.ylabel("PetalLength")
plt.title("莺尾花的种类与萼片宽度和长度的关系\n(蓝色->山莺尾|红色->变色莺尾|绿色->维吉尼亚莺尾)")
plt.show

在这里插入图片描述

#运用循环来输出
plt.figure(figsize=(15, 3))   #用于设置绘图尺寸大小
for p in range(4):
    plt.subplot(1, 4,p+1)
    if(p==0):
        plt.text(0.3,0.5,"SepalLength",fontsize=15)
    else:
        plt.scatter(iris[:,p],iris[:,0],9,c=iris[:,4],cmap='brg')
    
    plt.title(COLUMN_NAMES[p])
    plt.ylabel(COLUMN_NAMES[0])
plt.tight_layout(rect=[0,0,1,0.9])   #调整子图间距
plt.show()

在这里插入图片描述

plt.figure(figsize=(15,15))   #创建画布
plt.suptitle("莺尾花的种类与萼片宽度和长度的关系\n(蓝色->山莺尾|红色->变色莺尾|绿色->维吉尼亚莺尾)")
for i in range(4):
    for j in range(4):
        plt.subplot(4,4,4*i+(j+1))   #首先要创建子图
        if(i==j):
            plt.text(0.3,0.4,COLUMN_NAMES[i],fontsize=15)   
        else:
            plt.scatter(iris[:,j],iris[:,i],11,c=iris[:,4],cmap='brg')
        if(i==0):
            plt.title(COLUMN_NAMES[j])    #横坐标标签
        if(j==0):
            plt.ylabel(COLUMN_NAMES[i])   #纵坐标标签
plt.tight_layout(rect=[0,0,1,0.93])

在这里插入图片描述