机器学习实战笔记二——matplotlib绘图

因人之力而敝之，不仁。失其所与，不知。以乱易整，不武。——古文观止 · 烛之武退秦师

在学习机器学习书籍时，一般都推荐python，matlab或者octave首先来做算法实现。

在Python中，涉及到一个非常好用的绘图库就是matplotlib。

今天我们来介绍一个matplotlib的基本操作。

基础演示

首先我们看一个基本的样例：

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(1, 15)
y = 2 * x + 5
plt.title("demo")
plt.xlabel("x")
plt.ylabel("y")
plt.plot(x, y)
plt.show()

运行结果如下图所示：

上述代码是Matplotlib与numpy库一起使用的一个基础样例。

下面列举几个Matplotlib中常用的函数以及基础的使用样例。

plot函数

plot函数调用有两种形式，我们可以通过help命令查看：

plot([x], y, [fmt], data=None, **kwargs)
plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)

其中中括号扩起来的部分表示可选参数。

其中, fmt表示线/点的样式，包括颜色，点型，线型。fmt = ‘[颜色] [点型] [线型]’，例如plot(x, y, 'b+-')表示绘制蓝色+号实线图，如下所示：

也可以按照如下代码编写：

    plt.plot(x, y, color='blue', marker='+', linestyle='-')

这一句的效果与上面的plot(x, y, 'b+-')是一样的，其他可添加的属性还包括：

线条宽度：linewidth， 点标记大小：markersize，其他相关属性可参考：line2D

subplot函数

见字知意，该函数表示向现有图形窗口中添加子图。来看示例：

subplot(nrows, ncols, index, **kwargs)

其中的参数分别表示子图在整个图形窗口网格中的位置与索引。

如下代码所示：

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(1, 15)
y = 1 * x + 5
y2 = 2 * x + 0
y3 = 5 * x + 0
y4 = 10 * x + 0
plt.subplot(2, 2, 1)
plt.xlim((0, 15))
plt.ylim((0, 150))
plt.title("y")
plt.plot(x, y)
plt.subplot(2, 2, 2)
plt.xlim((0, 15))
plt.ylim((0, 150))
plt.title("y2")
plt.plot(x, y2)
plt.subplot(2, 2, 3)
plt.xlim((0, 15))
plt.ylim((0, 150))
plt.title("y3")
plt.plot(x, y3)
plt.subplot(2, 2, 4)
plt.xlim((0, 15))
plt.ylim((0, 150))
plt.title("y4")
plt.plot(x, y4)
plt.show()

输出结果如下所示：

其中，可以看到，通过nrows与ncols将整个视窗划分为nrows*ncols的网格，然后通过index按照从左到右，从上到下的次序依次补充图形。当然，图形并不总是相同的，还可以进行如下的绘制：

scatter 散点图

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, *, edgecolors=None, plotnonfinite=False, data=None, **kwargs)

这个函数需要引起重视，为什么呢？

因为在机器学习中，我们常常需要查看原始数据的分布情况，得出一个初步的结论，这是就会用到散点图了。

散点图scatter各个参数的具体含义可以参考链接。

其他常用函数：