python中绘制数组直方图一维数组划分10组_python数据可视化笔记

Numpyimport numpy as np

a = np.arrange(10)

a?

#IPython环境中，可以用? 显示数据的具体信息。

%run demo.py

#执行(在空的命名空间执行) demo.py

%reset

%who

#查看与删除变量

一维数据：列表、集合

二维数据：列表

高维数据：字典数据表示，json等

Numpy n维数组对象—ndarrayimport numpy as np

def npsum():

a = np.array([0,1,2])

b = np.array([8,7,6])

npsum = a**2 + b**3

return npsum

# 数组对应元素幂相加

轴axis(数据的维度)

秩rank(维度的数量)

ndarray数组创建方法x = np.array([1,2],(2,3))

allone = np.ones((2,3),dtype = int32)

allzeros = np.zeros(shape)

y = np.eye(n)

# 单位对角阵

x = np.arange(shape)

#顺序生成数组

np.ones_like(a)

# 形状与a相同的全1数组

np.linespace(1,10,4,endpoint = false)

# 浮点数，从1到10， 总共四个，endpoint表示生成的数是否包括10

np.concatenate()

#数组合并

.reshape(shape)#不改变原数组

.resize(shape)#改变

.astype(shape)#类型转变，必创建新数组

数组的索引和切片#索引

a = np.arange(24).reshape((2,3,4))

a

array([[[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]],

[[12, 13, 14, 15],

[16, 17, 18, 19],

[20, 21, 22, 23]]])

a[1,2,3] #23

#第一个维度的第1个，第二维度的第2个，第三维度的第三个

#从0开始

a[-1,-2,-3]#17

#负数从右向左，-1就是右边第一个

#切片

a[:,1,-3] #array([ 5, 17])

#不考虑第一维度，只考虑第二维度是1，和第三维度是-3的。

a[:,:,::2] # 第三维度步长跳跃切片

array([[[ 0, 2],

[ 4, 6],

[ 8, 10]],

[[12, 14],

[16, 18],

[20, 22]]])

ndarray数组运算#数组与标量计算

a = np.arange(24).reshape((2,3,4))

a.mean() #平均值

a = a/a.mean()

a

array([[[0. , 0.08695652, 0.17391304, 0.26086957],

[0.34782609, 0.43478261, 0.52173913, 0.60869565],

[0.69565217, 0.7826087 , 0.86956522, 0.95652174]],

[[1.04347826, 1.13043478, 1.2173913 , 1.30434783],

[1.39130435, 1.47826087, 1.56521739, 1.65217391],

[1.73913043, 1.82608696, 1.91304348, 2. ]]])

注意数组是否真实改变

numpy 函数是对对应元素进行计算

小结

csv文件：存取一维、二维数组np.savetxt(frame, array,fmt = '%18e',delimiter=None)#读取

np.loadtxt(frame, dtype=float,delimiter=None,unpack=false)#写入

#'%18e' 18位小数的浮点数

a = np.arange(12).reshape(3,4)

np.savetxt('a.csv',a,fmt='%d',delimiter=',')

.tofile(frame,sep=",",format='%s')#存

.fromfile(frame,dtype=float,count=-1,sep='')#取

#sep为空，存取的是二进制

a = np.arange(100).reshape(5,10,2)

a.tofile("b.dat",sep=",",format='%d')

这种方法在存取过程需要知道原始数据的信息，需要新建一个元数据文件，存原始数据的维度信息。

np.save(frame, array)

np.load(frame, array)

np.savez(frame, array)# zip

#frame = .npy /.npz 格式

随机数函数np.random.randn(d0,d1,....,dn) # 有n 表示正态分布

seed函数，每次生成相同的随机数组。

>>> a = np.random.randint(100,200,(3,4))

>>> np.random.shuffle(a)

>>> np.random.permutation(a) #a 不变

>>> np.random.choice(a,size,replace=false,p=b/np.sum(b))

uniform(low,high,size)

#产生具有均匀分布的数组,low起始值,high结束值,size形状

normal(loc,scale,size)

#产生具有正态分布的数组,loc均值,scale标准差,size形状

poisson(lam,size)

#产生具有泊松分布的数组,lam随机事件发生率,size形状

统计函数std(a, axis=None)

#根据给定轴axis计算数组a相关元素的标准差

var(a, axis=None)

#根据给定轴axis计算数组a相关元素的方差

梯度函数>>> a=np.random.randint(0,20,(5))

>>> a

array([18, 10, 18, 9, 16])

>>> np.gradient(a)

array([-8. , 0. , -0.5, -1. , 7. ])

>>> c= np.random.randint(0,50,(3,5))

>>> c #二维数组？？？？

array([[11, 44, 10, 38, 20],

[46, 33, 19, 13, 33],

[ 7, 32, 22, 19, 38]])

>>> np.gradient(c)

[array([[ 35. , -11. , 9. , -25. , 13. ],

[ -2. , -6. , 6. , -9.5, 9. ],

[-39. , -1. , 3. , 6. , 5. ]]), array([[ 33. , -0.5, -3. , 5. , -18. ],

[-13. , -13.5, -10. , 7. , 20. ],

[ 25. , 7.5, -6.5, 8. , 19. ]])]

Matplotlibimport matplotlib.pyplot as plt

plt.plot((xList,)yList(， ‘—-’))

plt. show()

plt.savefig(‘test’,dpi=300) #.png

plt.axis(xStart,xEnd,yStart,yEnd)#图的坐标轴范围

plt.subplot(nrows,ncols,plot_number)#横轴数，纵轴数，绘图区域序号

plot()函数plt.plot(x,y,format_string,**kwargs)

#可绘制多条曲线，此时x是必须的

#format_string 格式：颜色/风格/标记字符

format_string

颜色：’b’ 蓝色‘w’白色 ’#444’

风格：’-‘/’—‘/’-.‘ etc.

标记：’.’/‘,’/‘o’/‘v’/‘^’/‘>’/‘

#example

a = np.arange(10)

plt.plot(a,a*1.5,’go-‘,a,a*2.5,’r-‘) # g means green

#markerfacecolor 只改变标记的颜色，使得线与标记颜色不一样

plot() 中文显示import matplotlib

matplotlib.rcParams[‘font.family’]=‘SImHei’#黑体

#font.family字体

#font_size大小

#font.style斜体，加粗等风格

plt.xlabel(‘横轴：时间’)

#只改变输出的字体，在有中文输出的位置，加入fontproperties

plt.xlabel(‘横轴：时间’,fontproperties=‘SimHei’,font.size = 20)

pyplot文本显示方法plt.title(r’余弦函数实例 $ y = cos(2pi x) $’,fontproperties = ‘SimHei’,font.size = 20)

# $ $ 属于Latex表示方法

plt.xlabel()

plt.text(2, 1, r’$mu=100’ ,font.size = 10)#任意位置文本

plt.anotate(‘this is ‘, xy=(2,1), xytext=(3,1.5), arrowprops = dict(facecolor = ‘black’,shrink = 0.1, width = 3))

#带箭头的注释 shrink 表示箭头指向的缩进

子绘图区域设计方法plt.subplot2grid((3,3),(1,0),colspan=2)

# 区域分为3x3的区域，选中第二行第一个，长度为2个格子

#colspan/rowspan

import matplotlib.gridspec as gridspec

gs = grispec.GridSpec(3,3)

ax1 = plt.subplot(gs[0,:])

16种常用pyplot函数方法plt.plot()

plt.bar()

plt.polar()

plt.pie()

plt.psd()#功率谱密度图

plt.scatter()#散点图

plt.hist()#直方图

plt.plot_date()#图表日期

饼图import matplotlib.pyplot as plt

labels = '1','2','3','4'

#尺寸

sizes = [15,30,45,10]

#突出

explode = (0,0.1,0,0)

#auotopct 百分数显示方式

#startangle 起始角度

plt.pie(sizes,explode = explode,labels = labels,autopct = '%1.1f%%',shadow = False,startangle = 90)

#变成正圆---todo

plt.axis('equal')

plt.show()

直方图np.random.seed(0)

mu,sigma = 100,20 # 均值和标准差

a = np.random.normal(mu, sigma, size=100)

#bin:直方图个数

# normed =0 显示个数 =1归一化

# alpha尺寸比例

plt.hist(a,bin=10,normed=1,histtype='stepfilled', facecolor='b', alpha = 0.75)

plt.title('Histogram')

极坐标图

面向对象的绘制方法

import numpy as np

import matplotlib.pyplot as plt

N=10

theta=np.linspace(0.0,2*np.pi,N,endpoint=False)

radii=10*np.random.rand(N)

width=np.pi/2*np.random.rand(N)

ax = plt.subplot(111,projection='polar')

bars = ax.bar(theta,radii,width,bottom=0.0)

for r, bar in zip(radii,bars):

bar.set_facecolor(plt.cm.viridis(r/10.))

bar.set_alpha(0.5)

散点图import numpy as np

import matplotlib.pyplot as plt

#建立一个fig对象，建立一个axis对象。

fig,ax = plt.subplots()

ax.plot(10*np.random.randn(100), 10*np.random.randn(100),'o')

ax.set_title('Simple Scatter')

plt.show()

引力波绘制import numpy as np

import matplotlib.pyplot as plt

from scipy.io import wavfile

rate_h, hstrain= wavfile.read(r"F:\code\c\DataScience\pyDV\grawave\H1_Strain.wav","rb")

rate_l, lstrain= wavfile.read(r"F:\code\c\DataScience\pyDV\grawave\L1_Strain.wav","rb")

#reftime, ref_H1 = np.genfromtxt('GW150914_4_NR_waveform_template.txt').transpose()

reftime, ref_H1 = np.genfromtxt('F:\code\c\DataScience\pyDV\grawave\wf_template.txt').transpose() #使用python123.io下载文件

htime_interval = 1/rate_h

ltime_interval = 1/rate_l

fig = plt.figure(figsize=(12, 6))

# 丢失信号起始点

htime_len = hstrain.shape[0]/rate_h

htime = np.arange(-htime_len/2, htime_len/2 , htime_interval)

plth = fig.add_subplot(221)

plth.plot(htime, hstrain, 'y')

plth.set_xlabel('Time (seconds)')

plth.set_ylabel('H1 Strain')

plth.set_title('H1 Strain')

ltime_len = lstrain.shape[0]/rate_l

ltime = np.arange(-ltime_len/2, ltime_len/2 , ltime_interval)

pltl = fig.add_subplot(222)

pltl.plot(ltime, lstrain, 'g')

pltl.set_xlabel('Time (seconds)')

pltl.set_ylabel('L1 Strain')

pltl.set_title('L1 Strain')

pltref = fig.add_subplot(212)

pltref.plot(reftime, ref_H1)

pltref.set_xlabel('Time (seconds)')

pltref.set_ylabel('Template Strain')

pltref.set_title('Template')

fig.tight_layout()

plt.savefig("F:\code\c\DataScience\pyDV\pic\Gravitational_Waves_Original.png")

plt.show()

#plt.close(fig)

Pandas易操作的数据类型Series & DataFrame

分析工具

import pandas as pd pandas 与NUMPY关系紧密

Series 类型

一组数据加数据索引的显式关系

index_0 => data_a

import pandas as pd

a = pd.Series([9,8,7,6]) #default 0->9

a = pd.Series([9,8,7,6], index=['a','b','c','d'])

Out[5]:

a 9 b 8 c 7 d 6

dtype: int64

#标量创建 a/b/c-> 25

pd.Series(25, index=['a','b','c','d'])

#字典创建

pd.Series({'a':9,'b':8})

pd.Series({'a':9,'b':8}, index=['b','a','c'])

# c-> NaN