在開始我們今天的正題之前，有一個基礎(chǔ)的知識先補(bǔ)充一下，即matplotblo所有的畫圖函數(shù)接受的數(shù)據(jù)類型是numpy.array，所以在畫圖之前最好將數(shù)據(jù)類型轉(zhuǎn)化成numpy.array，否則可能會有意外的錯誤。

例如， 將pandas.DataFrame在轉(zhuǎn)化成np.arraya = pandas.DataFrame(np.random.rand(4,5), columns = list('abcde'))a_asndarray = a.values

或者將np.matrix轉(zhuǎn)化成np.array

b = np.matrix([[1,2],[3,4]])b_asarray = np.asarray(b)

好了，今天我們將通過前兩節(jié)掌握的方法，制作IRIS數(shù)據(jù)集相關(guān)圖形，從事數(shù)據(jù)分析和挖掘工作的小伙伴們一定都聽說過這個數(shù)據(jù)集，那么現(xiàn)在開始吧。

首先引入IRIS數(shù)據(jù)集和基本畫圖包，并打印查看數(shù)據(jù)結(jié)構(gòu)import matplotlib.pyplot as pltimport pandas as pdimport numpy as npfrom sklearn import datasets iris = datasets.load_iris() # print(type(iris)) # iris的數(shù)據(jù)類型是sklearn.utils.Bunch；A Bunch is a Python dictionary that provides attribute-style access。for key, _ in iris.items(): # 查看iris所有的key print(key)#結(jié)果如下#data#target#target_names#DESCR#feature_names#filename# 打印數(shù)據(jù)集DESCR print(DESCR)

通過打印數(shù)據(jù)集DESCR，可以了解數(shù)據(jù)集的一些重要信息如下：Iris plants dataset--------------------**Data Set Characteristics:** :Number of Instances: 150 (50 in each of three classes) :Number of Attributes: 4 numeric, predictive attributes and the class :Attribute Information: - sepal length in cm - sepal width in cm - petal length in cm - petal width in cm - class: - Iris-Setosa - Iris-Versicolour - Iris-Virginica :Summary Statistics: ============== ==== ==== ======= ===== ==================== Min Max Mean SD Class Correlation ============== ==== ==== ======= ===== ==================== sepal length: 4.3 7.9 5.84 0.83 0.7826 sepal width: 2.0 4.4 3.05 0.43 -0.4194 petal length: 1.0 6.9 3.76 1.76 0.9490 (high!) petal width: 0.1 2.5 1.20 0.76 0.9565 (high!) ============== ==== ==== ======= ===== ==================== :Missing Attribute Values: None :Class Distribution: 33.3% for each of 3 classes.

由此知道數(shù)據(jù)集data的變量依次表示sepal length、sepal width、petal length、petal width(或者也可以由feature_names知曉)，數(shù)據(jù)集target的0代表Iris-Setosa、1代表Iris-Versicolour、2代表Iris-Virginica(或者也可以由target_names知曉)。

以下是部分data和target輸出結(jié)果print(iris['data']) # 是一個多維矩陣# array([[5.1, 3.5, 1.4, 0.2],[4.9, 3. , 1.4, 0.2],[4.7, 3.2, 1.3, 0.2]...])print(iris['data'].shape) # 結(jié)果是150x4的二維矩陣(150，4)，即150條數(shù)據(jù)，4列變量print(iris['target']# 是一個1維矩陣# array([0,0,...,1,2,...])

OK，基本的數(shù)據(jù)結(jié)構(gòu)已經(jīng)了解了，我們想通過圖形找出petal length、petal width和花的種類之間的關(guān)系圖。腦海中大概想作出下圖^_^

可以從圖中清晰看出，setosa的花瓣寬度和長度都偏小，其次是versicolor，最大的是virginca。

那么，接來下就一步步給出作圖的具體步驟

第一步，獲取petal_length和petal_width數(shù)據(jù)petal_length=iris['data'][:,2] # 獲取petal_length數(shù)據(jù)，2對應(yīng)著第三列# print(petal_length)petal_width=iris['data'][:,3] # 獲取petal_width數(shù)據(jù)，3對應(yīng)著第四列# print(petal_width)

第二步，創(chuàng)建figure和axes對象fig = plt.figure()ax = fig.add_subplot(111)

第三步，繪制散點(diǎn)圖的關(guān)鍵一步markers=[ 's' if i == 0 else 'o' if i==1 else 'd' for i in iris.target]colors=['pink' if i==0 else 'skyblue' if i==1 else 'lightgreen' for i in iris.target] for x, y, c, m in zip(petal_length, petal_width, colors, markers): ax.scatter(x, y, c=c, marker=m) # c=color；marker是點(diǎn)d的形狀；注意zip函數(shù)的使用方法

第四步，添加x/y軸的變量描述說明ax.set_xlabel('petal length')ax.set_ylabel('petal width')

最后一步，繪制legend。定義了兩個空list---x,y，所以只繪制了legend，沒有生成其他額外數(shù)據(jù)。這是繪制legend的一般方法，多試試改改就能更好理解了。# 制作legendx=[]y=[]ax.scatter(x,y,marker='s',label='setosa',color='pink') # 繪制setosa的legendax.scatter(x,y,marker='o',label='versicolor',color='skyblue') # 繪制versicolor的legendax.scatter(x,y,marker='d',label='virginica',color='lightgreen') # 繪制virginica的legendplt.legend()plt.show()

好了，今天就寫到這，更多精彩內(nèi)容，歡迎繼續(xù)關(guān)注噢～^_^

本文僅代表作者個人觀點(diǎn)，不代表SEO研究協(xié)會網(wǎng)官方發(fā)聲，對觀點(diǎn)有疑義請先聯(lián)系作者本人進(jìn)行修改，若內(nèi)容非法請聯(lián)系平臺管理員，郵箱cxb5918@163.com。更多相關(guān)資訊，請到SEO研究協(xié)會網(wǎng)www.seoxiehui.cn學(xué)習(xí)互聯(lián)網(wǎng)營銷技術(shù)請到巨推學(xué)院www.jutuiedu.com。

總結(jié)

以上是生活随笔為你收集整理的python 导入数据集并画图_python matplotlib画图教程学习：（三）IRIS数据集作图的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。