聲明：由于本文的代碼大部分是參考書中的例子，所以不提供完整代碼，只提供示例片段，也就是只能看出某一部分用法，感興趣的需要在自己的數(shù)據(jù)上學(xué)習(xí)測(cè)試。
?

最開始，當(dāng)然還是要導(dǎo)入我們需要的包：
# -*- coding=utf-8 -*-
from matplotlib import pyplot as plt
from sklearn.datasets import load_iris
import numpy as np
import itertools

1. 畫散點(diǎn)圖

畫散點(diǎn)圖用 plt.scatter(x,y)。畫連續(xù)曲線在下一個(gè)例子中可以看到，用到了 plt.plot(x,y)。

plt.xticks(loc，label) 可以自定義 x 軸刻度的顯示，第一個(gè)參數(shù)表示的是第二個(gè)參數(shù) label 顯示的位置 loc。

plt.autoscale(tight=True) 可以自動(dòng)調(diào)整圖像顯示的最佳化比例 。
plt.scatter(x,y)
plt.title("Web traffic")
plt.xlabel("Time")
plt.ylabel("Hits/hour")
plt.xticks([w*7*24 for w in range(10)],['week %i' %w for w in range(10)])
plt.autoscale(tight=True)
plt.grid()
##plt.show()

畫出散點(diǎn)圖如下：

2. 多項(xiàng)式擬合并畫出擬合曲線

## 多項(xiàng)式擬合
fp2 = np.polyfit(x,y,3)
f2 = np.poly1d(fp2)

fx = np.linspace(0,x[-1],1000)
plt.plot(fx,f2(fx),linewidth=4,color='g')
## f2.order: 函數(shù)的階數(shù)
plt.legend(["d=%i" % f2.order],loc="upper right")
plt.show()

效果圖：

3. 畫多個(gè)子圖

這里用到的是 sklearn 的 iris_dataset（鳶尾花數(shù)據(jù)集）。

此數(shù)據(jù)集包含四列，分別是鳶尾花的四個(gè)特征：
sepal length (cm)——花萼長(zhǎng)度
sepal width (cm)——花萼寬度
petal length (cm)——花瓣長(zhǎng)度
petal width (cm)——花瓣寬度

這里首先對(duì)數(shù)據(jù)進(jìn)行一定的處理，主要就是對(duì)特征名稱進(jìn)行兩兩排列組合，然后任兩個(gè)特征一個(gè)一個(gè)做 x 軸另一個(gè)做 y 軸進(jìn)行畫圖。
# -*- coding=utf-8 -*-
from matplotlib import pyplot as plt
from sklearn.datasets import load_iris
import numpy as np
import itertools

data = load_iris()
#print(data.data)
#print(data.feature_names)
#print(data.target)

features = data['data']
feature_names = data['feature_names']
target = data['target']
labels = data['target_names'][data['target']]

print(data.data)
print(data.feature_names)

這里有一個(gè)排列組合參考代碼，最后是取出了兩兩組合的情況。

排列組合的結(jié)果是 feature_names_2 包含了排列組合的所有情況，它的每一個(gè)元素包含了一個(gè)排列組合的所有情況，比如第一個(gè)元素包含了所有單個(gè)元素排列組合的情況，第二個(gè)元素包含了所有的兩兩組合的情況......所以這里取出了第二個(gè)元素，也就是所有的兩兩組合的情況
feature_names_2 = []
#排列組合
for i in range(1,len(feature_names)+1):
iter = itertools.combinations(feature_names,i)
feature_names_2.append(list(iter))

print(len(feature_names_2[1]))
for i in feature_names_2[1]:
print(i)

下面是在 for 循環(huán)里畫多個(gè)子圖的方法。對(duì)我來說，這里需要學(xué)習(xí)的有不少。比如
for i,k in enumerate(feature_names_2[1]): 這一句老是記不住。
比如從列表中取出某元素所在的索引的方法：index1 = feature_names.index(k[0])，也即 index = list.index(element) 的形式。
比如 for 循環(huán)中畫子圖的方法：plt.subplot(2,3,1+i)
比如 for 循環(huán)的下面這用法：for t,marker,c in zip(range(3),">ox","rgb"):
plt.figure(1)
for i,k in enumerate(feature_names_2[1]):
index1 = feature_names.index(k[0])
index2 = feature_names.index(k[1])
plt.subplot(2,3,1+i)
for t,marker,c in zip(range(3),">ox","rgb"):
plt.scatter(features[target==t,index1],features[target==t,index2],marker=marker,c=c)
plt.xlabel(k[0])
plt.ylabel(k[1])
plt.xticks([])
plt.yticks([])
plt.autoscale()
plt.tight_layout()
plt.show()

這里的可視化效果如下：

4. 畫水平線和垂直線

比如在上面最后一幅圖中，找到了一種方法可以把三種鳶尾花分出來，這是我們需要畫出模型（一條直線）。這個(gè)時(shí)候怎么畫呢？

下面需要注意的就是 plt.vlines(x,y_min,y_max) 和 plt.hlines(y,x_min,x_max) 的用法。
plt.figure(2)
for t,marker,c in zip(range(3),">ox","rgb"):
plt.scatter(features[target==t,3],features[target==t,2],marker=marker,c=c)
plt.xlabel(feature_names[3])
plt.ylabel(feature_names[2])
# plt.xticks([])
# plt.yticks([])
plt.autoscale()
plt.vlines(1.6, 0, 8, colors = "c",linewidth=4,linestyles = "dashed")
plt.hlines(2.5, 0, 2.5, colors = "y",linewidth=4,linestyles = "dashed")
plt.show()

此時(shí)可視化效果如下：

5. 動(dòng)態(tài)畫圖

plt.ion() 打開交互模式。plt.show() 不再阻塞程序運(yùn)行。

注意 plt.axis() 的用法。
plt.axis([0, 100, 0, 1])
plt.ion()

for i in range(100):
y = np.random.random()
plt.autoscale()
plt.scatter(i, y)
plt.pause(0.01)

可視化效果：