1. 畫散點圖

畫散點圖用plt.scatter(x,y)。畫連續曲線在下一個例子中可以看到，用到了plt.plot(x,y)。

plt.xticks(loc，label)可以自定義x軸刻度的顯示，第一個引數表示的是第二個引數label顯示的位置loc。

plt.autoscale(tight=True)可以自動調整影象顯示的最佳化比例 。

plt.scatter(x,y)

plt.title("Web traffic")

plt.xlabel("Time")

plt.ylabel("Hits/hour")

plt.xticks([w*7*24 for w in range(10)],['week %i' %w for w in range(10)])

plt.autoscale(tight=True)

plt.grid()

##plt.show()1234567812345678
 

畫出散點圖如下：

2. 多項式擬合併畫出擬合曲線

## 多項式擬合

fp2 = np.polyfit(x,y,3)

f2 = np.poly1d(fp2)

fx = np.linspace(0,x[-1],1000)

plt.plot(fx,f2(fx),linewidth=4,color='g')

## f2.order: 函式的階數

plt.legend(["d=%i" % f2.order],loc="upper right")

plt.show()123456789123456789

效果圖：

3. 畫多個子圖

這裡用到的是sklearn的iris_dataset(鳶尾花資料集)。

此資料集包含四列，分別是鳶尾花的四個特徵：

sepal length (cm)——花萼長度

sepal width (cm)——花萼寬度

petal length (cm)——花瓣長度

petal width (cm)——花瓣寬度

# -*- coding=utf-8 -*-

from matplotlib import pyplot as plt

from sklearn.datasets import load_iris

import numpy as np

import itertools

data = load_iris()

#print(data.data)

#print(data.feature_names)

#print(data.target)

features = data['data']

feature_names = data['feature_names']

target = data['target']

labels = data['target_names'][data['target']]

print(data.data)

print(data.feature_names)123456789101112131415161718123456789101112131415161718
 

這裡有一個排列組合參考程式碼，最後是取出了兩兩組合的情況。

排列組合的結果是feature_names_2包含了排列組合的所有情況，它的每一個元素包含了一個排列組合的所有情況，比如第一個元素包含了所有單個元素排列組合的情況，第二個元素包含了所有的兩兩組合的情況……所以這裡取出了第二個元素，也就是所有的兩兩組合的情況

feature_names_2 = []

#排列組合

for i in range(1,len(feature_names)+1):

iter = itertools.combinations(feature_names,i)

feature_names_2.append(list(iter))

print(len(feature_names_2[1]))

for i in feature_names_2[1]:

print(i)123456789123456789

下面是在for迴圈裡畫多個子圖的方法。對我來說，這裡需要學習的有不少。比如

for i,k in enumerate(feature_names_2[1]):這一句老是記不住。

比如從列表中取出某元素所在的索引的方法：index1 = feature_names.index(k[0])，也即index = list.index(element)的形式。

比如for迴圈的下面這用法：for t,marker,c in zip(range(3),”>ox”,”rgb”):

plt.figure(1)

for i,k in enumerate(feature_names_2[1]):

index1 = feature_names.index(k[0])

index2 = feature_names.index(k[1])

plt.subplot(2,3,1+i)

for t,marker,c in zip(range(3),">ox","rgb"):

plt.scatter(features[target==t,index1],features[target==t,index2],marker=marker,c=c)

plt.xlabel(k[0])

plt.ylabel(k[1])

plt.xticks([])

plt.yticks([])

plt.autoscale()

plt.tight_layout()

plt.show()12345678910111213141234567891011121314

這裡的視覺化效果如下：

4. 畫水平線和垂直線

比如在上面最後一幅圖中，找到了一種方法可以把三種鳶尾花分出來，這是我們需要畫出模型。這個時候怎麼畫呢?

plt.figure(2)

for t,marker,c in zip(range(3),">ox","rgb"):

plt.scatter(features[target==t,3],features[target==t,2],marker=marker,c=c)

plt.xlabel(feature_names[3])

plt.ylabel(feature_names[2])

# plt.xticks([])

# plt.yticks([])

plt.autoscale()

plt.vlines(1.6, 0, 8, colors = "c",linewidth=4,linestyles = "dashed")

plt.hlines(2.5, 0, 2.5, colors = "y",linewidth=4,linestyles = "dashed")

plt.show() 12345678910111234567891011

此時視覺化效果如下：

5. 動態畫圖

plt.ion()開啟互動模式。plt.show()不再阻塞程式執行。

注意plt.axis()的用法。

plt.axis([0, 100, 0, 1])

plt.ion()

for i in range(100):

y = np.random.random()

plt.autoscale()

plt.scatter(i, y)

plt.pause(0.01)1234567812345678

視覺化效果：