python数据分析与可视化论文,基于python的数据挖掘与可视化分析

　　目录写在前面：1。等高线图2。热图3。饼图。

　　写在前面：import numpy as np import matplotlib . py lab as mp因此，本文中的NP代表numpy库，MP代表py lab绘图库一、等高线图。

　　1、两类等高线图

　　线型：mp.coutour(x，y，z，行数，颜色=颜色，线宽=线宽)带状类型：mp.coutourf(x，y，z，行数，cmap=颜色映射)2、添加标签

　　mp.clabel(cntr，inline_spacing=1，fmt=%.1f ，fontsize=10)

　　第一个参数是对象，第二个参数是线宽，第三个参数是文本格式，第四个参数是文本大小。

　　3、测试代码

　　import numpy as NP import matplotlib . py lab as MPN=1000 #栅格化：1000-3到3维的两组形成X和Y，会形成一个有1000 * 1000个焦点的二维数组X，Y=np.meshgrid (np.linspace (-3，3，n)，np.linspace (-3，3，n))# uniform:均匀分布，生成n个随机数Y1=(1-x/n) * NP。Random.uniform (0.5，1.0，N) # (1-x/n)为了便于显示，y2=(1-X/N)* NP . random . uniform(0.5，1.0，N)z=(1-X/2x * * 5y * * 3)* \ NP . Exp(-X * *)Exp是底数X，指数是-x**2-y**2#图像属性mp.figure (contour ，face color=浅灰色)mp.title (contour ，fontsize=20) # image font size=14)MP . tick _ params(label size=10)# scale label size MP . grid(line style=:)# gridline，并且只绘制# drawn image # cntr=mp.contour (x，y，z，8，colors= black ，linewidths=0.5) # line type关联y，虚线为负，实线为正# create label # mp.c label (cntr，inline _ spacing=1， Tsize=10) #第一个参数是对象，第二个参数是线宽，第三个参数是文本格式，文本大小# Ribbon contour对象CNTR=MP。Contourf (x，y，z，8，CMAP= jet )# Ribbon MP . show()4、测试效果

　　1)线型：

　　2)色带类型：

　　二。热量图1、格式

　　Mp.imshow (matrix，cmap=颜色映射，origin=垂直轴方向)

　　2、测试代码

　　三。饼图3、测试效果：

　　Mp.pie(值列表，

　　差距列表，

　　列表，

　　颜色列表，

　　格式化字符串，

　　影子=不管是不是影子，

　　起始角度=起始角度)

　　1、格式

　　Importplotlib.py lab作为MP # image属性MP.figure (pie ，face color=浅灰色)MP.title (pie ，font size=20)# image title MP . pie([17，29，11，21，26]，[0.01] 0.01，0.01，0.01，0.01，0.01]，[PHP ， Python ， Go ， C ， Java]，[蓝色，黄色，红色，绿色，紫色]， % d

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

相关文章阅读