散点图

园子里头看到了一些最基础的 keras 入门指导， 用一层网络，可以训练一个简单的线性回归模型。 自己学习了一下，按照教程走下来，结果不尽如人意，下面是具体的过程。 第一步： 生成随机数据，绘出散点图 import numpy as np from keras.models import Sequential from keras.layers import Dense import matplotlib.pyplot as plt # 生产随机数据 np.random.seed(123) # 指定种子，使得每次生成的随机数保持一致 x = np.linspace(-1,1,200) # 生成一个长度为 200 的 list，数值大小在 [-1,1] 之间 np.random.shuffle(x) # 随机排列传入 list y = 0.5 * x + 2 + np.random.normal(0, 0.05, (200,)) # 添加正态分布的偏差值 #测试数据 与 训练数据 x_train, y_train = x[:160], y[:160] x_test, y_test = x[160:], y[160:0] # 绘出散点图: plt.scatter(x,y) plt.show() 散点图如下： # 创建模型 model = Sequential() # 添加全连接层

一、Matplotlib中几种图的名字 折线图：plot 柱形图：bar 直方图：hist 箱线图：box 密度图：kde 面积图：area 散点图：scatter 散点图矩阵：scatter_matrix 饼图：pie 二、折线图：plot 　　平均值需要 先排序 后出出图 　　df.avg.value_counts(). sort_index ().plot() 三、柱形图：bar 　　可先做 数据透视 ，然后生成柱形图 　　df. pivot_table (index='city',columns='education',values='avg',aggfunc='count').plot. bar () 　　如果是要做 堆叠柱形图 ，则可设置bar()的参数 　　df.pivot_table(index='city',columns='education',values='avg',aggfunc='count').plot.bar( stacked=True )　 　　 　　如果是要做成条形图，则可修改bar()方法为bar() 　　df.pivot_table(index='city',columns='education',values='avg',aggfunc='count').plot. barh () 四、直方图：hist 　　df.avg.plot.hist

pathway = read.table("kegg.result",header=T,sep="\t") pp = ggplot(pathway,aes(richFactor,Pathway)) #Pathwy是ID，richFactor是富集的基因数目除以背景的基因数目 # 改变点的大小 pp + geom_point(aes(size=R0vsR3)) # 以基因的数目表示点大小 pbubble = pp + geom_point(aes(size=R0vsR3,color=-1*log10(Qvalue))) # 显著性表示颜色 # 自定义渐变颜色 pbubble + scale_colour_gradient(low="green",high="red") # 绘制pathway富集散点图 pr = pbubble + scale_colour_gradient(low="green",high="red") + labs(color=expression(-log[10](Qvalue)),size="Gene number",x="Rich factor",y="Pathway name",title="Top20 of pathway enrichment") # 改变图片的样式（主题）去除背景色 pr + theme_bw() #去除网格线 p_remove

1、绘制一个散点图 1、首先导入相关库 import matplotlib.pyplot as plt import numpy as np 2、导入数据 #打开文件 fr = open(filename) #读取文件所有内容 arrayOLines = fr.readlines() 3、绘制散点图 plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs) 常用参数有： x,y组成了散点的坐标； s为散点的面积； c为散点的颜色（默认为蓝色'b'）； marker为散点的标记； alpha为散点的透明度（0与1之间的数，0为完全透明，1为完全不透明）; linewidths为散点边缘的线宽； 如果marker为None，则使用verts的值构建散点标记； edgecolors为散点边缘颜色。 4、设置x轴和y轴 5、设置散点图的标题 plt.title('标题') 6、为散点设置图例 7、通过axis()改变坐标轴的度量 plt.axis([0, 6, 0, 20])

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_20042935/article/details/89839588 效果图 源代码 var indices = { name: 0, group: 1, id: 16 }; var schema = [ {name: 'name', index: 0}, {name: 'group', index: 1}, {name: 'protein', index: 2}, {name: 'calcium', index: 3}, {name: 'sodium', index: 4}, {name: 'fiber', index: 5}, {name: 'vitaminc', index: 6}, {name: 'potassium', index: 7}, {name: 'carbohydrate', index: 8}, {name: 'sugars', index: 9}, {name: 'fat', index: 10}, {name: 'water', index: 11}, {name: 'calories', index: 12}, {name: 'saturated', index: 13}, {name: 'monounsat', index: 14}, {name:

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_20042935/article/details/89839625 效果图 源代码 myChart.showLoading(); $.get('data/asset/data/masterPainterColorChoice.json', function (json) { myChart.hideLoading(); var data = json[0].x.map(function (x, idx) { return [+x, +json[0].y[idx]]; }); myChart.setOption(option = { title: { text: 'Master Painter Color Choices Throughout History', subtext: 'Data From Plot.ly', left: 'right' }, tooltip: { trigger: 'axis', axisPointer: { type: 'cross' } }, xAxis: { type: 'value', splitLine: { show: false }, scale: true, splitNumber: 5, max: 'dataMax',

散点图；是以一个变量为横坐标，另一个变量为纵坐标，利用三点（坐标点）的分布形态反映变量关系的一种图形 1 散点图绘图函数 plot（x,y,'.',color=(r,g,b)） 参数说明： ‘.’ '。' ：绘图是小点还是大点、 color ： 散点图的颜色，用rgb定义，或者用英文字符定义，rgb为0到1的范围 2 案例 import pandas data=pandas.read_csv( # 定义主题的颜色,1代表颜色的透明度 maincolor=(43/256,87/256,141/256,1) # 设置字体样式，为中文,SimHel 表示雅黑 font={ # 设置RC(组，**kwargs)的参数，kwargs是字典属性名称，同时设置多个属性 # 比如颜色和字体，是字典组合 ## 例如 上图的font rc（'font',**font） import matplotlib matplotlib.rc('font',**font) # %matplotlib qt 弹窗（spyder） # plt.grid(True) import matplotlib.pyplot as plt # 设置坐标轴标题标签 plt.xlabel('广告费用',color=(1,0,0)) plt.ylabel('购买用户数',color=(0,1,0)) # 设置坐标轴字符类型,单独设置x

散点图和KNN预测 一丶案例引入 # 城市气候与海洋的关系研究 # 导包 import numpy as np import pandas as pd from pandas import Series,DataFrame import matplotlib.pyplot as plt %matplotlib inline # 使用画图模块时,jupyter工具需要声明 from pylab import mpl # mpl 提供画图的包 mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体 mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题 # 导入数据 ferrara1 = pd.read_csv('./ferrara_150715.csv') ferrara2 = pd.read_csv('./ferrara_250715.csv') ferrara3 = pd.read_csv('./ferrara_270615.csv') # 拼接数据,忽略索引 ferrara=pd.concat([ferrara1,ferrara2,ferrara3],ignore_index=True) # 去除没用的列 faenza.head() city

主要内容： pyplot基础图表函数概述 pyplot饼图的绘制 pyplot直方图的绘制 pyplot极坐标图的绘制 pyplot散点图的绘制 （1）pyplot基础图表函数概述 （2）pyplot饼图的绘制 import matplotlib.pyplot as plt labels = ['Frogs', 'Hogs','Dogs','Logs'] sizes = [15,30,45,10] explode = (0, 0.1, 0, 0) #第2部分突出出来 plt.pie(sizes,explode=explode,labels=labels,autopct='%1.1f%%',shadow=False,startangle=90) #shadow表示是二维饼图还是带有阴影的效果 plt.axis('equal') #x和y方向尺寸相等，把饼图由扁圆变为正圆 plt.show() （3）pyplot直方图的绘制 import matplotlib.pyplot as plt import numpy as np np.random.seed(0) mu,sigma =100, 20#均值和标准差 a = np.random.normal(mu,sigma,size=100) plt.hist(a,20,normed = 1,histtype = 'stepfilled'

常用图形：柱形图-折线图-饼图-散点图 from pyecharts import Line, Bar, Pie, EffectScatter # 数据 attr =["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"] v1 =[5, 20, 36, 10, 10, 100] v2 =[55, 60, 16, 20, 15, 80] 柱形图 bar = Bar('柱形图', '库存量') bar.add('服装', attr, v1, is_label_show=True) bar.show_config() bar.render(path='./data/01-01柱形图.html') bar2 = Bar("显示标记线和标记点") bar2.add('商家A', attr, v1, mark_point=['avgrage']) bar2.add('商家B', attr, v2, mark_point=['min', 'max']) bar2.show_config() bar2.render(path='./data/01-02标记点柱形图.html') bar3 = Bar("水平显示") bar3.add('商家A', attr, v1) bar3.add('商家B', attr, v2, is_convert=True) bar3.show