1.matplotlib概述

Matplotlib 是一个用 Python 编程语言编写的、基于 NumPy 的开源数据可视化库。它提供了一套完整的兼容 MATLAB 的 API，支持各种常用的二维数据可视化、三维数据可视化以及动画制作等功能，能够轻松生成高质量的数据图表和图形。下面主要介绍其中的pyplot的常用绘图操作。


常用的线条样式

字符	类型	字符	类型
'-'	实线	'--'	虚线
'-.'	虚点线	':'	点线
'.'	点	','	像素点
'o'	圆点	'v'	下三角点
'^'	上三角点	'<'	左三角点
'>'	右三角点	'1'	下三叉点
'2'	上三叉点	'3'	左三叉点
'4'	右三叉点	's'	正方点
'p'	五角点	'*'	星形点
'h'	六边形点1	'H'	六边形点2
'+'	加号点	'x'	乘号点
'D'	实心菱形点	'd'	瘦菱形点
'_'	横线点

表示颜色的字符参数有：

字符	颜色
‘b’	蓝色，blue
‘g’	绿色，green
‘r’	红色，red
‘c’	青色，cyan
‘m’	品红，magenta
‘y’	黄色，yellow
‘k’	黑色，black
‘w’	白色，white

在 Matplotlib 的 pyplot 模块中，gca() 函数可以获取当前正在使用的 Axes 对象，或创建一个新的 Axes 对象并将其设置为当前 Axes。
gca() 可以用来获取和设置图表中的坐标轴对象（Axes）以及它们的属性。它可以内嵌于其他绘图函数中，用于获取当前的 Axes 对象以进行进一步设置，例如，设置坐标轴范围、标签、标题、刻度、网格线等。当然，如果图表中没有 Axes 对象，则需要通过 add_axes() 或其他函数创建一个新的 Axes 对象，然后将它设置为当前对象。

import numpy as np
import matplotlib.pyplot as plt# 生成一组数据
x = np.linspace(-10, 10, 100)
y = np.sin(x)# 绘制折线图
plt.plot(x, y)# 获取当前 Axes 对象
ax = plt.gca()# 设置坐标轴范围
ax.set_xlim([-10, 10])
ax.set_ylim([-1, 1])# 设置坐标轴刻度
ax.set_xticks([-10, -5, 0, 5, 10])
ax.set_yticks([-1, -0.5, 0, 0.5, 1])# 设置坐标轴标签
ax.set_xlabel('x')
ax.set_ylabel('sin(x)')# 设置图表标题
ax.set_title('y=sin(x)')# 显示图表
plt.show()

2.风格设置

3.条形图

4.盒图

Q1 左半部分的中位数 Q3右半部分的中位数 中间是全体数据的中位数
plt.boxplot 是 Matplotlib 库中用于绘制箱线图也即盒图的函数。 箱线图可以展示数据的主要统计特性，包括中位数、四分位数、最大最小值等， 可用于发现异常值或者检查数据的分布情况。

5.直方图和散点图

numpy.random.multivariate_normal() 函数返回一个二维的数组，
每一行表示一个二维多元正态分布随机数。如果参数 size 被指定了，则返回的数组维度为 (size, 2)，其中第一列表示随机数在第一个维度上的取值，第二列表示随机数在第二个维度上的取值。如果 size 没有被指定，则返回一个长度为 2 的一维数组，第一个元素为第一个维度上的取值，第二个元素为第二个维度上的取值。

6.3D图

7.pie图和布局

8.Pandas与sklearn结合实例

• 首先，通过 pd.read_csv() 函数从 url 中读取 csv 文件，并将其中的 “?” 值转换为 NaN 缺失值，得到一个名为 df 的数据框。然后，创建一个 Imputer 对象，并将其应用于 df 中，即 Imputer().fit_transform(df)。这个操作将会使用指定的方法对 df 中的缺失值进行填充，默认是使用平均值 mean。

• 这里的 fit_transform() 方法将会自动地修改缺失值，并返回填充好的数据。接着，将填充好的结果转换成一个新的数据框，并将其列名、索引与原来的 df 对齐。

• Imputer 类只能对数值型数据进行填充。如果数据中包含其他类型的数据，在使用 Imputer 之前需要先使用相应的方法进行数据转换。
  

• 首先，从填充好缺失值的 impute 数据框中删除了名为 “Dx:Cancer” 的列，得到一个新的数据框 features，用来存储所有特征。此外，还将原数据框中的名为 “Dx:Cancer” 的列单独拿出来，存储在变量 y 中，用来存储分类目标变量。接着，使用 PCA 主成分分析将 features 数据框中的所有特征降维到了三维空间，得到降维后的数据 X_r。

• 然后，使用 pca.explained_variance_ratio_ 查看了每个主成分所能解释的方差比例，分别对应第一、第二、第三个主成分。结果显示第一个主成分可以解释数据集的 38% 的方差，第二个主成分可以解释 23% 的方差，第三个主成分可以解释 14% 的方差，共计解释了 75% 的方差。

• 最后，使用 Axes3D() 函数创建了一个三维坐标系对象，并通过 ax.scatter() 函数以 X_r 中的三个主成分为坐标，使用分类目标变量 y 来为点着色，并将结果可视化展示出来。