python在数据分析，科学计算方面有几个很重要的库，分别是pandas，numpy，matplotlib。
刚刚开始接触，就把自己看的代码贴上来。
demo1：使用matplotlib 画一个图
import matplotlib.pyplot as plt
#x,y 分别表示的是横坐标和纵坐标
x = [2,3,4,5,6,7]
y = [1,2,1,2,1,2]
plt.plot(x,y)
plt.show()
image.png
demo1-1 绘制散点图
#绘制散点图
x=[1,2,3,4,5]
y=[4,5,6,7,8]
plt.scatter(x,y,color='r')
#添加标题，很坐标的解释，纵坐标的解释
plt.title(" web traffic")
plt.xlabel("time")
plt.ylabel("hits/hours")
#自动调整图像显示
#plt.autoscale(tight=True)
plt.show()
2017-06-01 22-50-52屏幕截图.png
绘图的时候一个很重要的技能就是，给画出来的图或者是点加上颜色的属性。实现方式，如下：
plt.scatter(x,y,color='r')
散点图 + 加上label
如果有10个点，他们分别分成3类，把他们画出来，每个类别是不同的颜色。
import matplotlib.pyplot as plt
x=range(0,10)
y=[ 2*(i**2) for i in x]
print (x)
print (y)
# 假设这些点 分成三类0~2
# 下面是10个点分别对应的类型
label=[0,0,1,1,1,0,1,2,2,0]
plt.scatter(x,y,c=label)
plt.show()
image.png
image.png
另外一个例子
使用plt.figure定义一个图像窗口：编号为3；大小为(8, 5). 使用plt.plot画(x ,y2)曲线. 使用plt.plot画(x ,y1)曲线，曲线的颜色属性(color)为红色;曲线的宽度(linewidth)为1.0；曲线的类型(linestyle)为虚线. 使用plt.show显示图像.
plt.figure(num=3, figsize=(8, 5),)
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.show()
指定图的大小
plt.figure(figsize=(10, 5)) #指定比例
dpi表示的是像素，dpi越大，图越大。
设置图例
# set line syles
l1, = plt.plot(x, y1, label='linear line')
l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line') #下面这一行很重要，没有的话，就没有label
# 参数 loc='upper right' 表示图例将添加在图中的右上角.
plt.legend(loc='upper right')
画子图
表示将整个图像窗口分为2行2列, 当前位置为1 ; plt.subplot(2,2,1)
import matplotlib.pyplot as plt
plt.figure()
#表示将整个图像窗口分为2行2列, 当前位置为1.
# 也可以简写成为 plt.subplot(221)
plt.subplot(2,2,1)
plt.plot([0,1],[1,1])
plt.subplot(2,2,2)
plt.plot([0,1],[2,2])
plt.subplot(2,2,3)
plt.plot([0,1],[3,3])
plt.subplot(2,2,4)
plt.plot([0,1],[4,4])
plt.show()
"""
import matplotlib.pyplot as plt
plt.figure()
# 另一种写法
ax1 = plt.subplot(2,2,1)
ax2 = plt.subplot(2,2,2)
ax3 =plt.subplot(2,2,3)
ax4 =plt.subplot(2,2,4)
ax1.plot([0,1],[1,1])
ax2.plot([0,1],[2,2])
ax3.plot([0,1],[3,3])
ax4.plot([0,1],[4,4])
plt.show()
"""
image.png
demo1-2 拟合数据
一般来说，原始数据都是单个的点，大致上服从某种分布，numpy提供了拟合数据的函数，可以很方便的拟合好相应的数据。对于开发者来说，只需要选择拟合的函数，比如说使用一次函数来拟合，使用字数函数，使用泊松分布的函数来拟合等等。
x=[1,2,3,4,5,6,7,8,9,10]
def func(val):
return val**2+np.random.normal()
#这里只是写法不同，y2，y3是相同的
#目的是产生符合y=x*x的数据
y2=[func(xi) for xi in x ]
y3=[func(x[i]) for i in range(10)]
plt.scatter(x,y2,color='r')
#多项式拟合
fp2=np.polyfit(x,y2,2)
fy=np.poly1d(fp2)
#f2 就是拟合的函数
print (fy)
#显示在图片上面，fx表示ｘ的取值范围
fx=np.linspace(0,x[-1],100)
plt.plot(fx,fy(fx),color='g')
plt.show()
2017-06-01 22-59-19屏幕截图.png
改变横纵坐标的比例
In [14]: x=range(0,100)
In [15]: y=np.sin(x)
In [20]: plt.plot(x,y)
Out[20]: [<matplotlib.lines.Line2D at 0x2dfc53c8c50>]
In [21]: plt.show()
如果想让自定义横坐标刻度，那么可以按照如下的方式：
In [23]: new_tick=[0,20,40,60,80,100]
In [24]: plt.xticks(new_tick)
Out[24]:
([<matplotlib.axis.XTick at 0x2dfc3105710>,
<matplotlib.axis.XTick at 0x2dfc3100e80>,
<matplotlib.axis.XTick at 0x2dfc31114e0>,
<matplotlib.axis.XTick at 0x2dfc3283d30>,
<matplotlib.axis.XTick at 0x2dfc3289588>,
<matplotlib.axis.XTick at 0x2dfc3289da0>],
<a list of 6 Text xticklabel objects>)
In [25]: plt.plot(x,y)
Out[25]: [<matplotlib.lines.Line2D at 0x2dfc329b5f8>]
In [26]: plt.show()
# 参考：
# https://morvanzhou.github.io/tutorials/data-manipulation/plt/2-3-axis1/
demo 1-3 ：绘制动图
这个也是一个很有用的功能，比如说希望一个点一个点的出现在图片上，而不是一次性的出现一个绘制好了的结果。
#动态画图
#axis 指明了坐标轴的范围
plt.axis([0,20,0,20])
#打开交互模式，显示图片的时候，不再阻塞程序运行
plt.ion()
for i in range(100):
y=np.random.random()
plt.autoscale()
plt.scatter(i,y)
plt.pause(0.01)
运行结果：
5201633-1735a7611557f001.gif
demo2：使用pandas 读取excel文件
前几天在处理数据的时候，遇到这个问题。问题是：有一个excel文件，里面存放的是某一个路口每分钟通过的车流量。
image.png
现在要分析的是，车流量（vol）和时间的关系是什么？
import pandas as pd
#import numpy as np
import matplotlib.pyplot as plt
path="1.xls"
df=pd.read_excel(path)
#print (df.head())
#print (df['speed'])
#print (df['vol'])
#plt.plot(df['time'],df['vol'])
plt.plot(df['time'],df['vol'],'.')
plt.show()
""" # 测试代码
print (df['speed'][1])
print (type(df['speed'][1]))
print (type (df['vol'][1]))
x=[]
y=[]
for i in range(0,10):
x.append(df['vol'][i])
y.append(df['speed'][i])
plt.plot(x,y)
plt.show()
"""
运行结果：
2017-05-24 09-17-43屏幕截图.png
车流量基本上服从泊松分布。
源码：https://github.com/zhaozhengcoder/Python/tree/master/Data%20analysis
网友评论