一、繪圖基礎
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
import pandas as pd
'''
Matplotlib中的pyplot子庫可用來快速繪製二維圖表
figure 創建畫布
plot 繪製圖形
show 顯示繪圖
figure(num,figsize,dpi,facecolor,edgecolor,frameon)
num：圖形編號或名稱，取值為數字/字符串
figsize：繪圖對象的寬和高，單位為英寸
dpi：繪圖對象的解析度，預設值為80
facecolor：背景顏色
edgecolor：邊框顏色
frameon：表示是否顯示邊框。
顏色和縮寫字符
blue b
black k
green g
white w
red r
cyan c
yellow y
magenta m
'''
# plt.figure(figsize=(3, 3), facecolor='red')
# plt.plot()
# plt.show()
'''
figure對象劃分子圖：subplot(行數, 列數, 子圖序號)
子圖序號從1開始
每個subplot()函數隻創建一個子圖。要創建4個子圖，就需要4條語句
當subplot()函數中的3個參數都 小於10時，可以省略參數間的 逗號，用一個3位數來表示
'''
# fig = plt.figure()
# plt.subplot(2, 2, 1)
# plt.subplot(222)
# plt.subplot(223)
# plt.show()
'''
設置中文字體
plt.rcParams["font.sans-serif"] = "SimHei"
宋體 SimSun 楷體 KaiTi 黑體 SimHei 仿宋 FangSong 微軟雅黑 Microsoft YaHei
隸書 LiSu 微軟正黑體 Microsoft JhengHei 幼圓 YouYuan
恢復標準的默認配置：plt.rcdefaults()
'''
'''
添加標題
添加全局標題：suptitle(標題文字)
添加自標題：title(標題文字)
suptitle()函數的主要參數及默認值：
x 標題位置的x坐標 0.5
y 標題位置的y坐標 0.98
color 標題顏色 黑色
backgroundcolor 標題背景顏色 12
fontsize 標題的字體大小 (fontsize: xx-small x-small small medium large x-large xx-large)
fontweight 字體粗細 normal (fontweight: light normal medium semibold bold heavy black)
fontstyle 設置字體類型 (normal/italic/oblique)
horizontalalignment 標題水平對齊方式 center (left/right/center)
verticalalignment 標題的垂直對齊方式 top (center/top/bottom/baseline)
title()函數的主要參數：
loc 標題位置 left，right
rotation 標題文字旋轉角度
color 標題顏色 黑色
fontsize 標題的字體大小
fontweight 字體粗細 normal
fontstyle 設置字體類型
horizontalalignment 標題水平對齊方式 center
verticalalignment 標題的垂直對齊方式 top
fontdict 設置參數字典
tight_layout()函數:
檢查坐標軸標籤、刻度標籤、和子圖標題，自動調整子圖，使之填充整個 繪圖區域，並消除子圖之間的重疊。
tight_layout(rect=[left, bottom, right, top])
'''
# 缺少字體，則添加字體 https://blog.csdn.net/qq_39817865/article/details/101363401
'''
plt.rcParams["font.family"] = "SimHei"
fig = plt.figure(facecolor='lightgrey')
plt.subplot(221)
plt.title('子標題1')
plt.subplot(222)
plt.title('子標題2', loc='left', color='r')
plt.subplot(223)
fontdicTest = {'fontsize':12, 'color':'g', 'rotation':30}
plt.title('子標題3', fontdict=fontdicTest)
plt.subplot(224)
plt.title('子標題4', color='w', backgroundcolor='b')
plt.suptitle('全局標題', fontsize=25, color='y')
plt.tight_layout(rect=[0, 0, 1, 0.9])
plt.show()
'''
'''
當tight_layout不起作用的時候，可以用savefig代替show
'''
# plt.savefig('fig.png', bbox_inches='tight') # 替換 plt.show()
二、散點圖
scatter(x, y, scale, color, marker, label)
參數：
x 數據點的x坐標 不可省略
y 數據點的y坐標 不可省略
scale 數據點的大小 36
color 數據點的顏色
marker 數據點的樣式 』o』（圓點）
label 圖例文字
marker參數——數據點樣式：
- 實線 -- 虛線 -. 點線 : 點虛線 . 點 , 像素
1 朝下的三角 v 朝下的三角形
2 朝上的三角 ^ 朝上的三角形
3 朝左的三角 < 朝左的三角形
4 朝右的三角 > 朝右的三角形
s 正方形 D 鑽石形
p 五角形 d 小版鑽石形
o 圓形 * 星型
| 垂直線形 + +號標記
h 1號六角形 _ 水平線行
x x號標記 H 2號六角形
'''
'''
添加文字—— text()函數
text(x, y, s, fontsize, color)
x 文字的x坐標 不可省略
y 文字的y坐標 不可省略
s 顯示的文字 不可省略
fontsize 文字的大小 12
color 文字的顏色 黑色
坐標軸設置：
plt.rcParams["axes.unicode_minus"] = False
xlabel(x, y, s, fontsize,color) 設置x軸標籤
ylabel( x, y, s, fontsize,color) 設置y軸標籤
xlim(xmin, xmax) 設置x軸坐標的範圍
ylim(ymin, ymax) 設置y軸坐標的範圍
tick_params(labelsize) 設置刻度文字的字號
'''
'''
繪製標準正態分布的散點圖
'''
'''
plt.rcParams['font.sans-serif']= "SimHei"
plt.rcParams["axes.unicode_minus"] = False # 坐標軸的設置
n=1024
x = np.random.normal(0,1,n)
y = np.random.normal(0,1,n)
plt.scatter(x, y, color="blue",marker='*') # 繪製散點圖
plt.title("標準正態分布",fontsize=20) # 設置標題
plt.text(2.5, 2.5, "均 值：0\n標準差：1") # 設置文本
plt.xlim(-4,4)
plt.ylim(-4,4) # 設置坐標軸的範圍
plt.xlabel('橫坐標x', fontsize=14)
plt.ylabel('縱坐標y', fontsize=14) # 設置坐標軸的標籤
plt.show()
'''
'''
繪製標準正態分布、均勻分布的散點圖
'''
'''
增加圖例
scatter(x, y, scale, color, marker, label) label指定圖例內容
legend(loc, fontsize) 顯示圖例 loc參數 制定圖例的位置
loc參數取值：
0 best 6 center left
1 upper right 7 center right
2 upper left 8 lower center
3 lower left 9 upper center
4 lower right 10 center
5 right
'''
'''
plt.rcParams['font.sans-serif']= "SimHei"
plt.rcParams["axes.unicode_minus"] = False # 坐標軸的設置
n=1024
x1 = np.random.normal(0,1,n)
y1 = np.random.normal(0,1,n)
x2 = np.random.uniform(-4, 4, (1, n))
y2 = np.random.uniform(-4, 4, (1, n))
plt.scatter(x1, y1, color="blue", marker='*', label='正態分布') # 繪製散點圖
plt.scatter(x2, y2, color='y', marker='o', label='均勻分布')
plt.legend()
plt.title("標準正態分布",fontsize=20) # 設置標題
plt.text(2.5, 2.5, "均 值：0\n標準差：1") # 設置文本
plt.xlim(-4,4)
plt.ylim(-4,4) # 設置坐標軸的範圍
plt.xlabel('橫坐標x', fontsize=14)
plt.ylabel('縱坐標y', fontsize=14) # 設置坐標軸的標籤
plt.show()
'''
'''
三、折線圖和柱狀圖
繪製折線圖：
plot(x, y, color, marker, label, linewidth, markersize)
參數：
x 數據點的x坐標 0,1,2,3...
y 數據點的y坐標 不可省略
color 數據點的顏色
marker 數據點的樣式 』o』（圓點）
label 圖例文字
linewidth 折線的寬度
markersize 數據點的大小
'''
'''
plt.rcParams['font.sans-serif']= "SimHei"
n = 24
y1 = np.random.randint(27, 37, n)
y2 = np.random.randint(40, 60, n)
plt.plot(y1, label='溫度')
plt.plot(y2, label='溼度')
plt.xlim(0, 23)
plt.ylim(20, 70)
plt.xlabel('小時', fontsize=12)
plt.ylabel('溫溼度', fontsize=12)
plt.title('24小時溫溼度統計', fontsize=20)
plt.legend()
plt.show()
'''
'''
繪製柱形圖：
bar(left, height, width, facecolor, edgecolor, label)
'''
'''
plt.rcParams['font.sans-serif']= "SimHei"
plt.rcParams["axes.unicode_minus"] = False # 坐標軸的設置
y1=[32,25,16,30,24,45,40,33,28,17,24,20]
y2=[-23,-35,-26,-35,-45,-43,-35,-32,-23,-17,-22,-28]
plt.bar(range(len(y1)), y1, width=0.8,facecolor='green', edgecolor='white',label='統計量1')
plt.bar(range(len(y2)), y2, width=0.8,facecolor='red', edgecolor='white',label='統計量2')
plt.title('柱狀圖', fontsize=20)
plt.legend()
plt.show()
'''
'''
matplotlib官網
http:// matplotlib.org
https://matplotlib.org/genindex.html
Gallery頁面：https://matplotlib.org/gallery.html
'''
'''
四、波士頓房價數據集可視化
Keras: 是一個高層的神經網絡和深度學習庫。內置了一些常用的公共數據集，可以通過keras.datasets模塊加載和訪問
keras中集成的數據集：
1 boston_housing 波士頓房價數據集
2 CIFAR10 10種類別的圖片集
3 CIFAR100 100種類別的圖片集
4 MNIST 手寫數字圖片集
5 Fashion-MNIST 10種時尚類別的圖片集
6 IMDB 電影點評數據集
7 reuters 路透社新聞數據集
波士頓房價的數據：
1 CRIM 城鎮人均犯罪率 0.00632
2 ZN 超過25000平方英尺的住宅用地所佔比例 18.0
3 INDUS 城鎮非零售業的商業用地所佔比例 2.31
4 CHAS 是否被Charles河流穿過（取值1：是；取值0：否） 0
5 NOX 一氧化碳濃度 0.538
6 RM 每棟住宅的平均房間數 6.575
7 AGE 早於1940年建成的自住房屋比例 65.2
8 DIS 到波士頓5個中心區域的加權平均距離 4.0900
9 RAD 到達高速公路的便利指數 1
10 TAX 每10000美元的全值財產稅率 296
11 PTRATIO 城鎮中師生比例 15.3
12 B 反映城鎮中的黑人比例的指標，越靠近0.63越小；B=1000*(BK-0.63)2，其中BK是黑人的比例。396.90
13 LSTAT 低收入人口的比例 7.68
14 MEDV 自住房屋房價的平均房價（單位為1000美元） 24.0
'''
# tensorflow安裝 https://zhuanlan.zhihu.com/p/61472293
'''
加載數據集
load_data() test_split參數用來設置測試集所佔用的數據比例
'''
'''
boston_housing = tf.keras.datasets.boston_housing
(train_x, train_y), (test_x, test_y) = boston_housing.load_data()
print("train set: ", len(train_x)) # train set: 404
print("test set: ", len(test_x)) # test set: 102
'''
# 提取全部數據作為訓練集
'''
boston_housing = tf.keras.datasets.boston_housing
(train_x, train_y), (test_x, test_y) = boston_housing.load_data(test_split=0)
print("train set: ", len(train_x)) # train set: 506
print("test set: ", len(test_x)) # test set: 0
print(type(train_x)) # <class 'numpy.ndarray'>
print(type(train_y)) # <class 'numpy.ndarray'>
print("train_x的維度：", train_x.ndim) # train_x的維度：2
print("train_x的形狀：", train_x.shape) # train_x的形狀：(506, 13)
print("train_y的維度：", train_y.ndim) # train_y的維度：1
print("train_y的形狀：", train_y.shape) # train_y的形狀：(506,)
'''
'''
平均房價數與房價之間的關係：
'''
'''
plt.rcParams['font.sans-serif']= "SimHei"
plt.rcParams["axes.unicode_minus"] = False # 坐標軸的設置
boston_housing = tf.keras.datasets.boston_housing
(train_x, train_y), (test_x, test_y) = boston_housing.load_data()
titles = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT']
plt.figure(figsize=(5, 5))
plt.scatter(train_x[:, 5], train_y)
plt.xlabel('房間數')
plt.ylabel('房價')
plt.title('房間數與房價間的關係')
plt.show()
plt.figure(figsize=(12, 12))
for i in range(13):
plt.subplot(4, 4, (i+1))
plt.scatter(train_x[:, i], train_y)
plt.xlabel(titles[i])
plt.ylabel('價格')
plt.title(str(i+1) + "." + titles[i])
plt.tight_layout()
plt.suptitle("各個屬性與房屋之間的關係", x=0.5, y=1.02, fontsize=20)
plt.savefig('house.png')
# plt.show()
'''
'''
五、鳶尾花數據集
'''
'''
get_file()函數 —— 下載數據集
tf.keras.utils.get_file(fname, origin, cache_dir)
參數：
fname：下載後的文件名；
origin：文件的URL地址；
cache_dir：下載後文件的存儲位置
返回值：下載後的文件在本地磁碟中的絕對路徑
'''
# url = 'http://download.tensorflow.org/data/iris_traning.csv'
# train_path = tf.keras.utils.get_file('iris_traning.csv', url)
# print(train_path) # /User/diana/data/iris_traning.csv
'''
split()函數 通過指定的分隔符對字符串進行切片，並返回一個列表
'''
'''
獲取文件名：
'''
# fname_list = url.split("/")
# print(fname_list) # ['http:', '', 'download.tensorflow.org', 'data', 'iris_traning.csv']
#
# fname = fname_list[-1]
# print(fname) # 文件名 'iris_traning.csv'
# 所以上邊的代碼可以寫成：train_path = tf.keras.utils.get_file(fname_list[-1], url)
'''
讀取數據集文件
pd.read_csv(filepath_or_buffer, header, names)
參數：
filepath_or_buffer 文件名
header：header 的取值是行號，行號從0開始；header=0，第1行數據做為列標題(默認設置)；header=None, 沒有列標題
names：自定義列標題，代替header參數指定的列標題
'''
# df_iris = pd.read_csv("iris.csv")
# print(type(df_iris)) # <class 'pandas.core.frame.DataFrame'
# DataFrame 是一種Pandas中常用的數據類型，二維數據表
# head() 列印前5行數據
# df_iris = pd.read_csv("iris.csv", header=None)
# print(df_iris.head())
# 0 1 2 3 4 5
# 0 NaN Sepal.Length Sepal.Width Petal.Length Petal.Width Species
# 1 1.0 5.1 3.5 1.4 0.2 setosa
# 2 2.0 4.9 3 1.4 0.2 setosa
# 3 3.0 4.7 3.2 1.3 0.2 setosa
# 4 4.0 4.6 3.1 1.5 0.2 setosa
# df_iris = pd.read_csv('iris.csv', header=0)
# print(df_iris.head())
# Unnamed: 0 Sepal.Length Sepal.Width Petal.Length Petal.Width Species
# 0 1 5.1 3.5 1.4 0.2 setosa
# 1 2 4.9 3.0 1.4 0.2 setosa
# 2 3 4.7 3.2 1.3 0.2 setosa
# 3 4 4.6 3.1 1.5 0.2 setosa
# 4 5 5.0 3.6 1.4 0.2 setosa
# df_iris = pd.read_csv('iris.csv', header=2) # header=2。默認將第二行的數據作為列標題，第二行之前的數據會刪除
# print(df_iris.head())
# 2 4.9 3 1.4 0.2 setosa
# 0 3 4.7 3.2 1.3 0.2 setosa
# 1 4 4.6 3.1 1.5 0.2 setosa
# 2 5 5.0 3.6 1.4 0.2 setosa
# 3 6 5.4 3.9 1.7 0.4 setosa
# 4 7 4.6 3.4 1.4 0.3 setosa
'''
column_names = ['花萼長度','花萼寬度','花瓣長度','花瓣寬度','品種']
df_iris = pd.read_csv('iris.csv', header=0, names=column_names)
print(df_iris.head())
'''
# 花萼長度 花萼寬度 花瓣長度 花瓣寬度 品種
# 1 5.1 3.5 1.4 0.2 setosa
# 2 4.9 3.0 1.4 0.2 setosa
# 3 4.7 3.2 1.3 0.2 setosa
# 4 4.6 3.1 1.5 0.2 setosa
# 5 5.0 3.6 1.4 0.2 setosa
'''
head() 默認讀取前5行的數據，可以用head(n)，表示讀取前n行的數據
tail() 默認讀取後5行的數據，可以用tail(n)，表示讀取後n行的數據
使用索引 和 切片：df_iris[10:16] 表示讀取索引值為10-15的行
顯示統計信息：
describe()方法：顯示二維數據的統計信息。包括：總數，平均值，標準差，最小值，1/4值，1/2值，3/4值，最大值
'''
# print(df_iris.describe())
# 花萼長度 花萼寬度 花瓣長度 花瓣寬度
# count 150.000000 150.000000 150.000000 150.000000
# mean 5.843333 3.057333 3.758000 1.199333
# std 0.828066 0.435866 1.765298 0.762238
# min 4.300000 2.000000 1.000000 0.100000
# 25% 5.100000 2.800000 1.600000 0.300000
# 50% 5.800000 3.000000 4.350000 1.300000
# 75% 6.400000 3.300000 5.100000 1.800000
# max 7.900000 4.400000 6.900000 2.500000
'''
DataFrame的常用屬性：ndim、size、shape
ndim 數據表的維數
shape 數據表的形狀
size 數據表元素的總個數
'''
# print(df_iris.ndim, df_iris.shape, df_iris.size) # 2 (150, 5) 750
'''
DataFrame轉化為numpy數組：
np.array()
DataFrame.values
DataFrame.as_matrix()
'''
'''
iris1 = np.array(df_iris)
print(type(iris1)) # <class 'numpy.ndarray'>
iris2 = df_iris.values
iris3 = df_iris.as_matrix()
print(type(iris2)) # <class 'numpy.ndarray'>
print(type(iris3)) # <class 'numpy.ndarray'>
'''
# 訪問數組元素
# 查看所有鳶尾花的種類
# print(iris1[:, 4])
'''
鳶尾花數據集可視化
'''
'''
plt.scatter(iris1[:, 2], iris1[:, 3]) # 分別代表花瓣長度和花瓣寬度
plt.show()
'''
'''
色彩映射：將參數c指定為一個列表或數組，所繪製圖形的顏色，可以隨 這個列表或數組中元素的值而變換，變換所對應的顏色由參數cmap中的顏 色所提供
plt.scatter(x, y, c, cmap)
'''
'''
x = np.arange(8)
y = np.arange(8)
colors = [0, 1, 2, 1, 2, 0, 1, 2] # 分別代表各個點所對應的顏色
plt.scatter(x, y, c=colors, marker='*', cmap='brg')
plt.show()
'''
'''
iris = df_iris.values
plt.scatter(iris[:, 2], iris[:, 3], c = iris[:, 4], marker='*', cmap='brg')
plt.show()
'''
column_names = ['花萼長度','花萼寬度','花瓣長度','花瓣寬度','品種']
df_iris = pd.read_csv('iris.csv', header=0, names=column_names)
iris = df_iris.values
'''
plt.scatter(iris[:, 2], iris[:, 3], c = iris[:, 4], marker='*', cmap='brg')
plt.title('鳶尾花數據集')
plt.xlabel(column_names[2])
plt.ylabel(column_names[3])
plt.show()
'''
fig = plt.figure('iris data', figsize=(16, 16))
fig.suptitle('鳶尾花數據', fontsize=20)
for i in range(4):
for j in range(4):
plt.subplot(4, 4, (4 * i + j + 1))
if i == j:
plt.text(0.4, 0.5, column_names[i], fontsize=16)
else:
plt.scatter(iris[:, i], iris[:, j], c=iris[:, 4], cmap='brg')
plt.xlabel(column_names[i])
plt.ylabel(column_names[j])
plt.show()
混淆題：
import numpy as np
import matplotlib.pyplot as plt
x = np.arange(8)
y = np.arange(8)
dot_color = [2, 1, 0, 0, 1, 2, 2, 0]
plt.scatter(x,y, c=dot_color,cmap = 'brg')
plt.show()
# x = 3處的數據點是藍色
https://blog.csdn.net/weixin_42357472/article/details/103448062 . python3 安裝tensorflow後，import 報錯