使用seaborn绘制强化学习中的图片问题
seaborn绘制强化学习中的图片
seaborn可以说是matplotlib的升级版，使用seaborn绘制折线图时参数数据可以传递ndarray或者pandas，方便又好看！
本篇用绘制强化学习中的rewards举例，实际上也可以用来机器学习中的loss曲线，原理类似。
从一个简单示例开始
import matplotlib.pyplot as plt import numpy as np import seaborn as sns # 导入模块 sns.set() # 设置美化参数，一般默认就好 rewards = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9]) plt.plot(rewards) plt.show()
如上首先导入seaborn模块，并设置美化参数(aesthetic parameters)sns.set()，使用matplotlib.pyplot as plt就可以绘制一个基本的图像：
使用sns.lineplot或者sns.relplot
实际上relplot包含lineplot和scatterplot，并通过kind传参可以转换为lineplot，
relplot(kind="line")等价于lineplot relplot(kind="scatter")等价于scatterplot
然后再进行适当的调整并加上x，y轴的label，如下：
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns; sns.set() # 因为sns.set()一般不用改，可以在导入模块时顺便设置好
rewards = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9])
sns.lineplot(x=range(len(rewards)),y=rewards)
# sns.relplot(x=range(len(rewards)),y=rewards,kind="line") # 与上面一行等价
plt.xlabel("episode")
plt.ylabel("reward")
plt.show()
最后呈现效果如下：
绘制rewards聚合图
当我们对同一实验作出多次得到一组rewards时，如下：
rewards1 = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9]) rewards2 = np.array([0, 0,0.1,0.4,0.5,0.5,0.55,0.8,0.9,1]) rewards=np.vstack((rewards1,rewards2)) # 合并成二维数组
我们希望绘制出聚合图，但是sns.lineplot无法输入一维以上的数据，我们可以将它们全部转为一维，虽然有些难看：
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns; sns.set() # 因为sns.set()一般不用改，可以在导入模块时顺便设置好
rewards1 = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9])
rewards2 = np.array([0, 0,0.1,0.4,0.5,0.5,0.55,0.8,0.9,1])
rewards=np.concatenate((rewards1,rewards2)) # 合并数组
episode1=range(len(rewards1))
episode2=range(len(rewards2))
episode=np.concatenate((episode1,episode2))
sns.lineplot(x=episode,y=rewards)
plt.xlabel("episode")
plt.ylabel("reward")
plt.show()
结果如图：
绘制出了带聚合阴影的图，实际上实际部分是seaborn默认对同一x轴的多个y值即rewards做了均值，阴影部分表示多组rewards的范围，可以使用sns.lineplot(x=episode,y=rewards,ci=None)去掉。
使用pandas传参
上面都是用ndarray传参，这样一方面免不了与matplotlib.pyplot混杂的成分比如plt.xlabel，另外绘制rewards聚合图，也比较麻烦。
既然使用pandas传参，就需要先把array转成DataFrame形式，如下：
import numpy as np import pandas as pd rewards1 = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9]) rewards2 = np.array([0, 0,0.1,0.4,0.5,0.5,0.55,0.8,0.9,1]) rewards=np.vstack((rewards1,rewards2)) # 合并数组 df = pd.DataFrame(rewards).melt(var_name='episode',value_name='reward') # 推荐这种转换方法 print(df)
推荐上述转化方法，这样无论rewards多少维都不影响最终的绘图方式，其中melt方法将所有维合并成一列，var_name='episode',value_name='reward'则更改对应的列名，转化结果如下：
episode reward
0 0 0.0
1 0 0.1
2 0 0.0
3 0 0.2
4 0 0.4
5 0 0.5
6 0 0.6
7 0 0.9
8 0 0.9
9 0 0.9
下面完整绘图：
import seaborn as sns;sns.set() import matplotlib.pyplot as plt import numpy as np import pandas as pd import pandas as pd rewards1 = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9]) rewards2 = np.array([0, 0,0.1,0.4,0.5,0.5,0.55,0.8,0.9,1]) rewards=np.vstack((rewards1,rewards2)) # 合并数组 df = pd.DataFrame(rewards).melt(var_name='episode',value_name='reward') sns.lineplot(x="episode", y="reward", data=df) plt.show()
注意这里的x,y不再传入数组，而是传入DataFrame中对应的列名，类似于python字典中的键
结果如下：
牛刀小试
最后绘制一个更为复杂的可以用于paper的绘制方法：
import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
def get_data():
'''获取数据
'''
basecond = np.array([[18, 20, 19, 18, 13, 4, 1],[20, 17, 12, 9, 3, 0, 0],[20, 20, 20, 12, 5, 3, 0]])
cond1 = np.array([[18, 19, 18, 19, 20, 15, 14],[19, 20, 18, 16, 20, 15, 9],[19, 20, 20, 20, 17, 10, 0]])
cond2 = np.array([[20, 20, 20, 20, 19, 17, 4],[20, 20, 20, 20, 20, 19, 7],[19, 20, 20, 19, 19, 15, 2]])
cond3 = np.array([[20, 20, 20, 20, 19, 17, 12],[18, 20, 19, 18, 13, 4, 1], [20, 19, 18, 17, 13, 2, 0]])
return basecond, cond1, cond2, cond3
data = get_data()
label = ['algo1', 'algo2', 'algo3', 'algo4']
df=[]
for i in range(len(data)):
df.append(pd.DataFrame(data[i]).melt(var_name='episode',value_name='loss'))
df[i]['algo']= label[i]
df=pd.concat(df) # 合并
sns.lineplot(x="episode", y="loss", hue="algo", style="algo",data=df)
plt.title("some loss")
plt.show()
结果如下：
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。
相关文章
这篇文章主要介绍了jupyter notebook指定启动目录的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2021-03-03
这篇文章主要为大家介绍了Python全栈之HTML，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助2022-01-01
python 时间信息“2018-02-04 18:23:35“ 解析成字典形式的结果代码详解
本文是类方法给大家介绍如何将python 时间信息“2018-02-04 18:23:35“ 解析成字典形式的结果,需要的朋友可以参考下2018-04-04
这篇文章通过实例给大家分析总结了python数据挖掘以及Json结构分析的相关知识点，对此有兴趣的朋友参考下。2018-04-04
今天小编就为大家分享一篇opencv3/C++图像像素操作详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-12-12
本文介绍如何使用Python动态监控程序日志的内容，这里的动态指的是日志文件不断的追加新的日志内容，动态监控是指监控日志新追加的日志内容2014-02-02
在本篇文章里小编给大家整理了关于如何用Anaconda搭建虚拟环境并创建Django项目的相关文章，需要的朋友们可以跟着学习下。2020-08-08
最近在写的程序频繁地与文件操作打交道,所以想着给大家总结下,这篇文章主要给大家介绍了关于Python文件操作命令的相关资料,文中通过代码介绍的非常详细,需要的朋友可以参考下2024-04-04
这篇文章主要介绍了python中numpy包中的argsort函数的使用，argsort()函数在模块numpy.core.fromnumeric中，本文通过实例代码给大家介绍的非常详细，需要的朋友参考下吧2018-08-08
本文主要介绍了使用Python进行简单图像处理的方法以及Python自动生产表情包的实例，具有很好的参考价值，下面跟着小编一起来看下吧2017-03-03
最新评论