前言

华罗庚说过

数缺形时少直观,形少数时难入微.

这句话第一次听还是初中数学老师上二次方程课时说的.

最近看到了3blue1brown对线性代数的直观解释感觉豁然开朗,于是我又捡起了儿时对美妙数学的兴趣. 发现一个博客,数据可视化很好的例子,决定花些时间和大家一起解读一下

例程来自:https://www.machinelearningplus.com/plots/matplotlib-histogram-python-examples//

感谢b站UP "菜菜TsaiTsai" 分享这个博客.

正式开始“50图”的学习。首先的一个系列 <u>关联图</u> 这通常能告诉我们几个事物之间的联系。

例1

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# Import dataset 
midwest = pd.read_csv("midwest_filter.csv")

midwest.head()
# Prepare Data 
# Create as many colors as there are unique midwest['category']
categories = np.unique(midwest['category'])
#色谱
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))] 

# Draw Plot for Each Category
plt.figure(figsize=(16, 10), dpi= 80, facecolor='w', edgecolor='k')

for i, category in enumerate(categories):
    plt.scatter('area', 'poptotal', 
                data=midwest.loc[midwest.category==category, :], 
                s=20, c=colors[i], label=str(category))

# Decorations
plt.gca().set(xlim=(0.0, 0.1), ylim=(0, 90000),
              xlabel='Area', ylabel='Population')

plt.xticks(fontsize=12); plt.yticks(fontsize=12) # 返回坐标和 标签
plt.title("Scatterplot of Midwest Area vs Population", fontsize=22)
plt.legend(fontsize=12)    
plt.show()

解析

解析下代码流程。

目的，画出不同地区人口和地区面积的点图，y方向表示人口增长方向，x方向表示面积增长方向
导入数据
编码要区分的目标这里是category 不同的地区
绘画，这里使用将每个不同category 对应不同的色点集合
增加一些描述，比如坐标轴的名字，和legend，就是图右上方的标签条

方法参数解释

数据下载 pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv")
cm.tab10（） colormap
plt.scatter(）散点绘制方法
必要的 data =midwest.loc[midwest.category==category, :] 表示筛选行中category 的所有数据
loc（），有必要说明，在pandas 中的常用函数。他的底层逻辑是用一个符合条件的 0，1 矩阵与原矩阵相与从而消掉不合条件的行列。

这里我鼓励你动手尝试并观察这个函数如何给你想要行列结果

data = [[1,2,3],[4,5,6]]

index = ['a','b']

columns = ['c','d','e']

df = pd.DataFrame(data=data, index=index, columns=columns)

'''

    c  d  e

a  1  2  3

b  4  5  6

'''

print df.loc['a']