Python酷玩之旅_数据分析入门(matplotlib)

devtools/2024/10/20 16:03:41/

导览

  • 前言
  • matplotlib入门
    • 1. 简介
      • 1.1 Pairwise data
      • 1.2 Statistical distributions
      • 1.3 Gridded data
      • 1.4 Irregularly gridded data
      • 1.5 3D and volumetric data
    • 2. 实践
      • 2.1 安装
      • 2.2 示例
  • 结语
  • 系列回顾

前言

翻看日历,今年的日子已划到了2024年10月19日,今天的北京是一个空气清新,略感秋冻的“湛蓝湛蓝”的日子。寒露已过,霜降即来,这显然是一个晚秋的标志,奈何岁月匆匆。
不过北京的秋天,总是能唤醒人们对自然的情趣。因为老舍先生曾经说过一句话:“北平之秋就是人间的天堂,也许比天堂更繁荣一点呢”。当你置身其中, 也许会赞叹吧?期待这个秋天缓缓落幕!——碎碎念

北京的秋天没有3个月聊不完,咱们还是先聊聊别的吧,换个频道吧。
数据分析是目前行业领域关键的业务技能了,不管你是什么行业、什么领域,几乎都离不开它。但是在大数据的背景下,你会怎么办?是否看到一堆数据,无从下手?

Python作为数据科学的利器,在此刻凸显出了它的优势。那么博主今天介绍一下它是如何为我们的数据分析工作提供帮助的。话不多说,这里隆重介绍一个python利器——matplotlib
在这里插入图片描述

matplotlib_11">matplotlib入门

1. 简介

Matplotlib 是一个 Python 的 2D绘图库,它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。——百度百科

简单讲是一个基于Python的数据可视化工具。
它支持的数据类型包括Pairwise、Statistical distributions、Gridded、Irregularly gridded和3D and volumetric。

1.1 Pairwise data

简单理解为给定一个X,必须对应一个Y,成对出现。
在这里插入图片描述

1.2 Statistical distributions

简单理解为单变量的统计分布。
在这里插入图片描述

1.3 Gridded data

可以理解为一个多维的网格化数据。
在这里插入图片描述

1.4 Irregularly gridded data

可以理解为不规则多维的网格化数据。
在这里插入图片描述

1.5 3D and volumetric data

可以理解为3D立体化数据。
在这里插入图片描述

详细资料可参考官网:旋转门,同时博主也推荐一个中文网站:学习教程。

2. 实践

知道了它的作用后,我们开始小试牛刀,先来安装吧。

2.1 安装

如未安装,直接使用,会提示如下异常:
在这里插入图片描述
我们可以在Pycharm——>terminal窗口输入:

# 使用清华源pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib

回车后,可以看到开始安装了:
在这里插入图片描述
如看到如下提示,代表成功:
在这里插入图片描述

2.2 示例

博主举一个 Pairwise data的样例吧,比如折线图。

python"># 导入pyplot
import matplotlib.pyplot as pltxdata = [1, 2, 3, 4, 5]
ydata = [1, 4, 9, 16, 25]# 设置图形的style, 通过plt.style.available获取all style
plt.style.use('seaborn-v0_8')# 定义一个多plot的图表
fig, ax = plt.subplots()
# 图表标题
ax.set_title('Squares')
# x轴标题
ax.set_xlabel('Value', fontsize=14)
# y轴标题
ax.set_ylabel('Sq Value', fontsize=14)
# 刻度样式
ax.tick_params(axis='both', which='major', labelsize=14)
# 画图,指定x、y轴data
ax.plot(xdata, ydata, linewidth=3)# 显示图形
plt.show()

执行后,我们可以看到下图:
在这里插入图片描述
这是一个典型的数据分析图形,随着X的变化分析Y的变化趋势。

结语

matplotlib是一个常用的基于Python的数据分析工具,博主以一个简单的示例进行说明,其他图形的使用方法可参考推荐的中文教程进行尝试,相信它会为的工作提供丰富的数据呈现手段。

系列回顾

Python酷玩之旅_如何正确使用pipreqs完成依赖导出(解决UnicodeDecodeError)
Python酷玩之旅_如何在Centos8顺利安装Python最新版(3.12)
Python酷玩之旅_如何连接MySQL(mysql-connector-python


在这里插入图片描述


http://www.ppmy.cn/devtools/127327.html

相关文章

MusePose模型部署指南

一、模型介绍 MusePose是一个基于扩散和姿势引导的虚拟人视频生成框架。 主要贡献可以概括如下: 发布的模型能够根据给定的姿势序列,生成参考图中人物的舞蹈视频,生成的结果质量超越了同一主题中几乎所有当前开源的模型。发布该 pose alig…

对比损失(Contrastive Loss)详解

对比损失(Contrastive Loss)详解 对比损失(Contrastive Loss)是一种常见的度量学习损失函数,它通过学习样本对之间的相似性和差异性,使得相似样本对在特征空间中的距离更小,而不相似样本对的距离更大。这种方法广泛应用于人脸识别、图像检索等任务中。 核心思想 对比…

[LeetCode] 542. 01矩阵

题目描述: 给定一个由 0 和 1 组成的矩阵 mat ,请输出一个大小相同的矩阵,其中每一个格子是 mat 中对应位置元素到最近的 0 的距离。 两个相邻元素间的距离为 1 。 示例 1: 输入:mat [[0,0,0],[0,1,0],[0,0,0]] 输出…

自动机器学习(AutoML)

utoML是PAI的提供的自动寻找超参组合的机器学习增强型服务。您在训练模型时,如果超参组合复杂度过高,需大量训练资源和手工调试工作,可以使用AutoML来节省模型调参时间,提升模型调优效率和模型质量。 基础概念 超参数:…

openpnp - 底部相机视觉识别CvPipeLine的参数bug修正

文章目录 openpnp - 底部相机视觉识别的CvPipeLine的参数bug概述笔记openpnp的视觉识别参数的错误原因备注END openpnp - 底部相机视觉识别的CvPipeLine的参数bug 概述 底部相机抓起一个SOD323的元件,进行视觉识别。 识别出的矩形错了,是一个很长的长方…

【网络协议】TCP协议常用机制——延迟应答、捎带应答、面向字节流、异常处理,保姆级详解,建议收藏

💐个人主页:初晴~ 📚相关专栏:计算机网络那些事 前几篇文章,博主带大家梳理了一下TCP协议的几个核心机制,比如保证可靠性的 确认应答、超时重传 机制,和提高传输效率的 滑动窗口及其相关优化机…

观察者模式的思考

观察者模式由来 观察者模式(Observer Pattern)是一种行为型设计模式,它的起源可以追溯到20世纪90年代初,由设计模式四人帮(Erich Gamma, Richard Helm, Ralph Johnson 和 John Vlissides)在其著作《设计模…

rel-例行性工作

1,at命令 /etc/at.allow,写在该文件的人可以使用at命令 /etc/at.deny,黑名单 两个文件如果都不存在,只有root能使用 使用方法 at 命令格式: at [参数] [时间] 实例 建立一个3分钟后给所有用户发送 hahaha 2&#x…