Python数据可视化编程通过Matplotlib创建散点图代码示例

Matplotlib简述：

Matplotlib是一个用于创建出高质量图表的桌面绘图包（主要是2D方面）。该项目是由JohnHunter于2002年启动的，其目的是为Python构建一个MATLAB式的绘图接口。如果结合PythonIDE使用比如PyCharm，matplotlib还具有诸如缩放和平移等交互功能。它不仅支持各种操作系统上许多不同的GUI后端，而且还能将图片导出为各种常见的矢量（vector）和光栅（raster）图：PDF、SVG、JPG、PNG、BMP、GIF等。此外，matplotlib还有许多插件工具集，如用于3D图形的mplot3d以及用于地图和投影的basemap。

准备数据：从文本文件中解析数据

本文使用的数据主要包含以下三种特征：每年获得的飞行常客里程数，玩视频游戏所耗时间百分比，每周消费的冰淇淋公升数。其中分类结果作为文件的第四列，并且只有3、2、1三种分类值。

上述特征数据的格式经过file2matrix函数解析处理之后，可输出为矩阵和类标签向量。

将文本记录转换为Numpy的解析程序：

使用file2matrix读取文件数据，必须确保待解析文件存储在当前的工作目录中。导入数据之后，简单检查一下数据格式：

分析数据：使用Matplotlib创建散点图

编辑kNN.py文件，引入matplotlib，调用matplotlib的scatter绘制散点图。

import matplotlib
import matplotlib.pyplot as plt
def file2matrix(filename):
......
return returnMat,classLabelVector
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
fig = plt.figure()
ax = fig.add_subpot(111)
ax.scatter(datingDataMat[:,1],datingDataMat[:,2])
plt.show()

散点图使用datingDataMat矩阵的第二、第三列数据，分别表示特征值“玩视频游戏所耗时间百分比”和“每周消费的冰淇淋公升数”。

上图由于没有使用样本分类的特征值，很难看到任何有用的数据模式信息。为了更好理解数据信息，Matplotlib库提供的scatter函数支持个性化标记散点图上的点。调用scatter函数使用下列参数：

ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels),15.0*array(datingLabels))
plt.show()

上图利用datingLabels存储的类标签属性，在散点图上绘制了色彩不等、尺寸不同的点。因而基本上可以从图中看到数据点所属三个样本分类的区域轮廓。为了得到更好的效果，采用datingDataMat矩阵的属性列1和2展示数据，并以红色的'*'表示类标签1、蓝色的'o'表示表示类标签2、绿色的'+'表示类标签3，修改参数如下：

import numpy as np
......
datingLabels = array(datingLabels)
idx_1 = np.where(datingLabels==1)
p1 = ax.scatter(datingDataMat[idx_1,0],datingDataMat[idx_1:,1],market = '*',color = 'r',label='1',s=20
idx_2 = np.where(datingLabels==2)
p2 = ax.scatter(datingDataMat[idx_2,0],datingDataMat[idx_2:,1],market = 'o',color ='b',label='1',s=10
idx_3 = np.where(datingLabels==3)
p3 = ax.scatter(datingDataMat[idx_3,0],datingDataMat[idx_3:,1],market = '+',color ='g',label='1',s=30
plt.legend(loc = 'upper right')
plt.show()

总结

本文简单介绍了Matplotlib，并以实例分析了如何使用Matplotlib库图形化展示数据，最后通过修改matplotlib的scatter函数参数使得散点图的分类区域更加清晰。

希望对大家有所帮助。如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！

最新评论