豆丁微信公众号
君，已阅读到文档的结尾了呢~~
l计算机网页设计dreamweaver,dreamweaver做网页,网页dreamweaver,dreamweaver,dreamweaver8,dreamweaver教程,dreamweaver下载,dreamweaver8序列号,dreamweaver序列号,dreamweaver破解版
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
l计算机网页设计dreamweaver
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='http://www.docin.com/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口五笔，VB代码，赚钱发财
当前位置： >>
20:23:53&&分类: VB程序题&&参与: 人
VB程序题：编写一程序，在文本框中统计在该窗口上鼠标单击的次数，效果如下图所示。
对窗体编写两个事件：Form_load事件对文本框置初值为空；Form_Click事件对文本框计数。
对文本框计数：Text1=val(Text1)+1
先在窗体上画一个文本框，然后输入下面代码。
Private Sub Form_Click()
& Text1 = Val(Text1) + 1
Private Sub Form_Load()
& Text1 = 0
程序运行效果如下图所示。
Visual&Basic程序设计教程(第3版) (龚沛曾等编)课后实验源码&
本文链接：
本站文章搜索：
相关文章 9:14:57 16:48:19 16:20:19 14:40:48 13:55:44 11:20:47Python 绘图库 Matplotlib 入门教程
由于这是一个Python语言的软件包，因此需要你的机器上首先安装好Python语言的环境。关于这一点，请自行在网络上搜索获取方法。
关于如何安装Matplotlib请参见这里：。
笔者推荐大家通过pip的方式进行安装，具体方法如下：
sudo pip3 install matplotlib
本文中的源码和测试数据可以在这里获取：
本文的代码示例会用到另外一个Python库：。建议读者先对有一定的熟悉，我之前也写过一个NumPy的基础教程，参见这里：Python 机器学习库 NumPy 教程。
本文的代码在如下环境中测试：
Apple OS X 10.13
Python 3.6.3 matplotlib 2.1.1
numpy 1.13.3
Matplotlib适用于各种环境，包括：
Python脚本
IPython shell
Web应用服务器
用户图形界面工具包
使用Matplotlib，能够的轻易生成各种类型的图像，例如：直方图，波谱图，条形图，散点图等。并且，可以非常轻松的实现定制。
入门代码示例
下面我们先看一个最简单的代码示例，让我们感受一下Matplotlib是什么样的：
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.plot(data)
plt.show()
这段代码的主体逻辑只有三行，但是它却绘制出了一个非常直观的线性图，如下所示：
对照着这个线形图，我们来讲解一下三行代码的逻辑：
通过np.arange(100, 201)生成一个[100, 200]之间的整数数组，它的值是：[100, 101, 102, … , 200]
通过matplotlib.pyplot将其绘制出来。很显然，绘制出来的值对应了图中的纵坐标（y轴）。而matplotlib本身为我们设置了图形的横坐标（x轴）：[0, 100]，因为我们刚好有100个数值
通过plt.show()将这个图形显示出来
这段代码非常的简单，运行起来也是一样。如果你已经有了本文的运行环境，将上面的代码保存到一个文本文件中（或者通过获取本文的源码），然后通过下面的命令就可以在你自己的电脑上看到上面的图形了:
python3 test.py
注1：后面的教程中，我们会逐步讲解如何定制图中的每一个细节。例如：坐标轴，图形，着色，线条样式，等等。
注2：如果没有必要，下文的截图会去掉图形外侧的边框，只保留图形主体。
一次绘制多个图形
有些时候，我们可能希望一次绘制多个图形，例如：两组数据的对比，或者一组数据的不同展示方式等。
可以通过下面的方法创建多个图形：
多个figure
可以简单的理解为一个figure就是一个图形窗口。matplotlib.pyplot会有一个默认的figure，我们也可以通过plt.figure()创建更多个。如下面的代码所示：
# figure.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.plot(data)
data2 = np.arange(200, 301)
plt.figure()
plt.plot(data2)
plt.show()
这段代码绘制了两个窗口的图形，它们各自是一个不同区间的线形图，如下所示：
注：初始状态这两个窗口是完全重合的。
多个subplot
有些情况下，我们是希望在同一个窗口显示多个图形。此时就这可以用多个subplot。下面是一段代码示例：
# subplot.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.subplot(2, 1, 1)
plt.plot(data)
data2 = np.arange(200, 301)
plt.subplot(2, 1, 2)
plt.plot(data2)
plt.show()
这段代码中，除了subplot函数之外都是我们熟悉的内容。subplot函数的前两个参数指定了subplot数量，即：它们是以矩阵的形式来分割当前图形，两个整数分别指定了矩阵的行数和列数。而第三个参数是指矩阵中的索引。
因此，下面这行代码指的是：2行1列subplot中的第1个subplot。
plt.subplot(2, 1, 1)
下面这行代码指的是：2行1列subplot中的第2个subplot。
plt.subplot(2, 1, 2)
所以这段代码的结果是这个样子：
subplot函数的参数不仅仅支持上面这种形式，还可以将三个整数（10之内的）合并一个整数。例如：2, 1, 1可以写成211，2, 1, 2可以写成212。
因此，下面这段代码的结果是一样的：
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.subplot(211)
plt.plot(data)
data2 = np.arange(200, 301)
plt.subplot(212)
plt.plot(data2)
plt.show()
subplot函数的详细说明参见这里：
常用图形示例
Matplotlib可以生成非常多的图形式样，多到令人惊叹的地步。大家可以在这里： 感受一下。
本文作为第一次的入门教程，我们先来看看最常用的一些图形的绘制。
前面的例子中，线性图的横轴的点都是自动生成的，而我们很可能希望主动设置它。另外，线条我们可能也希望对其进行定制。看一下下面这个例子：
import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [3, 6, 9], '-r')
plt.plot([1, 2, 3], [2, 4, 9], ':g')
plt.show()
这段代码可以让我们得到这样的图形：
这段代码说明如下：
plot函数的第一个数组是横轴的值，第二个数组是纵轴的值，所以它们一个是直线，一个是折线； 最后一个参数是由两个字符构成的，分别是线条的样式和颜色。前者是红色的直线，后者是绿色的点线。关于样式和颜色的说明请参见plot函数的API Doc：
scatter函数用来绘制散点图。同样，这个函数也需要两组配对的数据指定x和y轴的坐标。下面是一段代码示例：
# scatter.py
import matplotlib.pyplot as plt
import numpy as np
plt.scatter(np.random.rand(N) * 100,
np.random.rand(N) * 100,
c='r', s=100, alpha=0.5)
plt.scatter(np.random.rand(N) * 100,
np.random.rand(N) * 100,
c='g', s=200, alpha=0.5)
plt.scatter(np.random.rand(N) * 100,
np.random.rand(N) * 100,
c='b', s=300, alpha=0.5)
plt.show()
这段代码说明如下：
这幅图包含了三组数据，每组数据都包含了20个随机坐标的位置 参数c表示点的颜色，s是点的大小，alpha是透明度
这段代码绘制的图形如下所示：
scatter函数的详细说明参见这里：
pie函数用来绘制饼状图。饼状图通常用来表达集合中各个部分的百分比。
import matplotlib.pyplot as plt
import numpy as np
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
data = np.random.rand(7) * 100
plt.pie(data, labels=labels, autopct='%1.1f%%')
plt.axis('equal')
plt.legend()
plt.show()
这段代码说明如下：
data是一组包含7个数据的随机数值 图中的标签通过labels来指定 autopct指定了数值的精度格式 plt.axis('equal')设置了坐标轴大小一致 plt.legend()指明要绘制图例（见下图的右上角）
这段代码输出的图形如下所示：
pie函数的详细说明参见这里：
bar函数用来绘制条形图。条形图常常用来描述一组数据的对比情况，例如：一周七天，每天的城市车流量。
下面是一个代码示例：
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(N)
data = np.random.randint(low=0, high=100, size=N)
colors = np.random.rand(N * 3).reshape(N, -1)
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
plt.title("Weekday Data")
plt.bar(x, data, alpha=0.8, color=colors, tick_label=labels)
plt.show()
这段代码说明如下：
这幅图展示了一组包含7个随机数值的结果，每个数值是[0, 100]的随机数 它们的颜色也是通过随机数生成的。np.random.rand(N * 3).reshape(N, -1)表示先生成21（N x 3）个随机数，然后将它们组装成7行，那么每行就是三个数，这对应了颜色的三个组成部分。如果不理解这行代码，请先学习一下 title指定了图形的标题，labels指定了标签，alpha是透明度
这段代码输出的图形如下所示：
bar函数的详细说明参见这里：
hist函数用来绘制直方图。直方图看起来是条形图有些类似。但它们的含义是不一样的，直方图描述了数据中某个范围内数据出现的频度。这么说有些抽象，我们通过一个代码示例来描述就好理解了：
import matplotlib.pyplot as plt
import numpy as np
data = [np.random.randint(0, n, n) for n in [, 5000]]
labels = ['3K', '4K', '5K']
bins = [0, 100, 500, , , 5000]
plt.hist(data, bins=bins, label=labels)
plt.legend()
plt.show()
上面这段代码中，[np.random.randint(0, n, n) for n in [, 5000]]生成了包含了三个数组的数组，这其中：
第一个数组包含了3000个随机数，这些随机数的范围是 [0, 3000) 第二个数组包含了4000个随机数，这些随机数的范围是 [0, 4000) 第三个数组包含了5000个随机数，这些随机数的范围是 [0, 5000)
bins数组用来指定我们显示的直方图的边界，即：[0, 100) 会有一个数据点，[100, 500)会有一个数据点，以此类推。所以最终结果一共会显示7个数据点。同样的，我们指定了标签和图例。
这段代码的输出如下图所示：
在这幅图中，我们看到，三组数据在3000以下都有数据，并且频度是差不多的。但蓝色条只有3000以下的数据，橙色条只有4000以下的数据。这与我们的随机数组数据刚好吻合。
hist函数的详细说明参见这里：
通过本文，我们已经知道了Matplotlib的大致使用方法和几种最基本的图形的绘制方式。
需要说明的是，由于是入门教程，因此本文中我们只给出了这些函数和图形最基本的使用方法。但实际上，它们的功能远不止这么简单。因此本文中我们贴出了这些函数的API地址以便读者进一步的研究。
您可能感兴趣的文章:
Python+matplotlib绘制不同大小和颜色散点图实例
python学习之matplotlib绘制散点图实例
python matplotlib坐标轴设置的方法
python Matplotlib画图之调整字体大小的示例
python中Matplotlib实现绘制3D图的示例代码
Matplotlib 也可以绘制 3D 图像,与二维图像不同的是,绘制三维图像主要通过 mplot3d 模块实现.但是,使用 Matplotlib 绘制三维图像实际上是在二维画布上展示,所以一般绘制三维图像时,同样需要载入 pyplot 模块. mplot3d 模块下主要包含 4 个大类,分别是: mpl_toolkits.mplot3d.axes3d() mpl_toolkits.mplot3d.axis3d() mpl_toolkits.mplot3d.art3d() mpl_toolkit
在使用matplotlib模块时画坐标图时,往往需要对坐标轴设置很多参数,这些参数包括横纵坐标轴范围.坐标轴刻度大小.坐标轴名称等 在matplotlib中包含了很多函数,用来对这些参数进行设置. 我们可以对坐标轴进行设置,设置坐标轴的范围,设置坐标轴上的文字描述等. 基本用法 例如: import numpy as np import pandas as pd import matplotlib.pyplot as plt # 生成x轴上的数据:从-3到3,总共有50个点 x = np.lin
一张字体调整好的示例图: 字体大小就是 fontsize 参数 import matplotlib.pyplot as plt # 代码中的&...&代表省略的其他参数 ax = plt.subplot(111) # 设置刻度字体大小 plt.xticks(fontsize=20) plt.yticks(fontsize=20) # 设置坐标标签字体大小 ax.xlabel(..., fontsize=20) ax.ylabel(..., fontsize=20) # 设置图例字体大小
具有不同标记颜色和大小的散点图演示. 演示结果: 实现代码: import numpy as np import matplotlib.pyplot as plt import matplotlib.cbook as cbook # Load a numpy record array from yahoo csv data with fields date, open, close, # volume, adj_close from the mpl-data/example directory
最近需要将实验数据画图出来,由于使用python进行实验,自然使用到了matplotlib来作图. 下面的代码可以作为画图的模板代码,代码中有详细注释,可根据需要进行更改. # -*- coding: utf-8 -*- import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['Arial'] #如果要显示中文字体,则在此处设为:SimHei plt.rcParams['axes.un
Matplotlib的概念这里就不多介绍了,关于绘图库Matplotlib的安装方法:点击这里 小编之前也和大家分享过python使用matplotlib实现的折线图和制饼图效果,感兴趣的朋友们也可以点击查看,下面来看看python使用matplotlib绘制柱状图的方法吧,具体如下: 1. 基本的柱状图 import matplotlib.pyplot as plt data = [5, 20, 15, 25, 10] plt.bar(range(len(data)), data) plt.s
matplotlib简介 matplotlib 是python最著名的绘图库,它提供了一整套和matlab相似的命令API,十分适合交互式地行制图.而且也可以方便地将它作为绘图控件,嵌入GUI应用程序中. 它的文档相当完备,并且Gallery页面中有上百幅缩略图,打开之后都有源程序.因此如果你需要绘制某种类型的图,只需要在这个页面中浏览/复制/粘贴一下,基本上都能搞定. 在Linux下比较著名的数据图工具还有gnuplot,这个是免费的,Python有一个包可以调用gnuplot,但是语法比较不
本文实例讲述了Python使用matplotlib绘制动画的方法.分享给大家供大家参考.具体分析如下: matplotlib从1.1.0版本以后就开始支持绘制动画 下面是几个的示例: 第一个例子使用generator,每隔两秒,就运行函数data_gen: # -*- coding: utf-8 -*- import numpy as np import matplotlib.pyplot as plt import matplotlib.animation as animation fig =
本文实例讲述了Python基于matplotlib绘制栈式直方图的方法.分享给大家供大家参考,具体如下: 平时我们只对一组数据做直方图统计,这样我们只要直接画直方图就可以了. 但有时候我们同时画多组数据的直方图(比如说我大一到大四跑大学城内环的用时的分布),大一到大四用不同颜色的直方图,显示在一张图上,这样会很直观. #!/usr/bin/env python # -*- coding: utf-8 -*- #http://www.jb51.net/article/100363.htm # nu
前言 本文主要给大家介绍了关于不同版本中Python matplotlib.pyplot.draw()界面绘制异常的相关内容,分享出来供大家参考学习,下面话不多说了,来一起看看详细的介绍吧. 在 Ubuntu系统上进行如下配置: $ sudo apt-get update $ sudo apt-get upgrade $ sudo apt-get install python-dev $ sudo apt-get install python-pip $ sudo pip install --u
Matplotlib简介 Matplotlib是一个Python工具箱,用于科学计算的数据可视化.借助它,Python可以绘制如Matlab和Octave多种多样的数据图形.最初是模仿了Matlab图形命令, 但是与Matlab是相互独立的. 通过Matplotlib中简单的接口可以快速的绘制2D图表 初试Matplotlib Matplotlib中的pyplot子库提供了和matlab类似的绘图API. 复制代码 代码如下: import matplotlib.pyplot as plt
复制代码 代码如下: &body
bgcolor=&#000000&&
&div id=&text&
style=&font-size:20&&你好,这是一段改变文字大小和颜色的javascript代码&/div&
&script type=&text/javascript&&
var size = 20;
var falg = 1;
function col
本文实例讲述了Python通过PIL获取图片主要颜色并和颜色库进行对比的方法.分享给大家供大家参考.具体分析如下: 这段代码主要用来从图片提取其主要颜色,类似Goolge和Baidu的图片搜索时可以指定按照颜色搜索,所以我们先需要将每张图片的主要颜色提取出来,然后将颜色划分到与其最接近的颜色段上,然后就可以按照颜色搜索了. 在使用google或者baidu搜图的时候会发现有一个图片颜色选项,感觉非常有意思,有人可能会想这肯定是人为的去划分的,呵呵,有这种可能,但是估计人会累死,开个玩笑,当然是通
最近想学习一些python数据分析的内容,就弄了个爬虫爬取了一些数据,并打算用Anaconda一套的工具(pandas, numpy, scipy, matplotlib, jupyter)等进行一些初步的数据挖掘和分析. 在使用matplotlib画图时,横坐标为中文,但是画出的条形图横坐标总是显示&框框&,就去查资料解决.感觉这应该是个比较常见的问题,网上的中文资料也确实很多,但是没有任何一个彻底解决了我遇到的问题.零零碎碎用了快3个小时的时间,才终于搞定.特此分享,希望能帮到有同使用Python进行描述性统计 - jasonfreak - 博客园
1 描述性统计是什么？2 使用NumPy和SciPy进行数值分析　　2.1 基本概念　　2.2 中心位置（均值、中位数、众数）　　2.3 发散程度（极差，方差、标准差、变异系数）　　2.4 偏差程度（z-分数）
　　2.5 相关程度（协方差，相关系数）
　　2.6 回顾3 使用Matplotlib进行图分析　　3.1 基本概念　　3.2 频数分析　　　　3.2.1 定性分析（柱状图、饼形图）　　　　3.2.2 定量分析（直方图、累积曲线）　　3.3 关系分析（散点图）　　3.4 探索分析（箱形图）
　　3.5 回顾4 总结5 参考资料
1 描述性统计是什么？
　　描述性统计是借助图表或者总结性的数值来描述数据的统计手段。数据挖掘工作的数据分析阶段，，一来可以梳理自己的思维，二来可以更好地向他人展示数据分析结果。数值分析的过程中，我们往往要计算出数据的统计特征，用来做科学计算的NumPy和SciPy工具可以满足我们的需求。Matpotlob工具可用来绘制图，满足图分析的需求。
2 使用NumPy和SciPy进行数值分析
2.1 基本概念
　　与Python中原生的List类型不同，：
1 from numpy import array
2 from numpy.random import normal, randint
3 #使用List来创造一组数据
4 data = [1, 2, 3]
5 #使用ndarray来创造一组数据
6 data = array([1, 2, 3])
7 #创造一组服从正态分布的定量数据
8 data = normal(0, 10, size=10)
9 #创造一组服从均匀分布的定性数据
10 data = randint(0, 10, size=10)
2.2 中心位置（均值、中位数、众数）
　　数据的中心位置是我们最容易想到的数据特征。借由中心位置，我们可以知道数据的一个平均情况，如果要对新数据进行预测，那么平均情况是非常直观地选择。数据的中心位置可分为均值（Mean），中位数（Median），众数（Mode）。其中均值和中位数用于定量的数据，众数用于定性的数据。
　　对于定量数据（Data）来说，均值是总和除以总量（N），中位数是数值大小位于中间（奇偶总量处理不同）的值：
　　均值相对中位数来说，包含的信息量更大，但是容易受异常的影响。使用NumPy计算均值与中位数：
1 from numpy import mean, median
3 #计算均值
4 mean(data)
5 #计算中位数
6 median(data)
　　对于定性数据来说，众数是出现次数最多的值，使用SciPy计算众数：
1 from scipy.stats import mode
3 #计算众数
4 mode(data)
2.3 发散程度（极差、方差、标准差、变异系数）
　　对数据的中心位置有所了解以后，一般我们会想要知道数据以中心位置为标准有多发散。如果以中心位置来预测新数据，那么发散程度决定了预测的准确性。数据的发散程度可用极差（PTP）、方差（Variance）、标准差（STD）、变异系数（CV）来衡量，它们的计算方法如下：
　　极差是只考虑了最大值和最小值的发散程度指标，相对来说，方差包含了更多的信息，标准差基于方差但是与原始数据同量级，变异系数基于标准差但是进行了无量纲处理。使用NumPy计算极差、方差、标准差和变异系数：
1 from numpy import mean, ptp, var, std
4 ptp(data)
6 var(data)
8 std(data)
9 #变异系数
10 mean(data) / std(data)
2.4 偏差程度（z-分数）
　　之前提到均值容易受异常值影响，那么如何衡量偏差，偏差到多少算异常是两个必须要解决的问题。定义z-分数（Z-Score）为测量值距均值相差的标准差数目：
　　当标准差不为0且不为较接近于0的数时，z-分数是有意义的，使用NumPy计算z-分数：
1 from numpy import mean, std
3 #计算第一个值的z-分数
4 (data[0]-mean(data)) / std(data)
　　通常来说，z-分数的绝对值大于3将视为异常。
2.5 相关程度
　　有两组数据时，我们关心这两组数据是否相关，相关程度有多少。用协方差（COV）和相关系数（CORRCOEF）来衡量相关程度：
　　协方差的绝对值越大表示相关程度越大，协方差为正值表示正相关，负值为负相关，0为不相关。相关系数是基于协方差但进行了无量纲处理。使用NumPy计算协方差和相关系数：
1 from numpy import array, cov, corrcoef
3 data = array([data1, data2])
5 #计算两组数的协方差
6 #参数bias=1表示结果需要除以N，否则只计算了分子部分
7 #返回结果为矩阵，第i行第j列的数据表示第i组数与第j组数的协方差。对角线为方差
8 cov(data, bias=1)
10 #计算两组数的相关系数
11 #返回结果为矩阵，第i行第j列的数据表示第i组数与第j组数的相关系数。对角线为1
12 corrcoef(data)
创造一组数
numpy.random
创造一组服从正态分布的定量数
numpy.random
创造一组服从均匀分布的定性数
计算中位数
scipy.stats
计算标准差
计算协方差
计算相关系数
3 使用Matplotlib进行图分析
3.1 基本概念
　　使用图分析可以更加直观地展示数据的分布（频数分析）和关系（关系分析）。柱状图和饼形图是对定性数据进行频数分析的常用工具，使用前需将每一类的频数计算出来。直方图和累积曲线是对定量数据进行频数分析的常用工具，直方图对应密度函数而累积曲线对应分布函数。散点图可用来对两组数据的关系进行描述。在没有分析目标时，需要对数据进行探索性的分析，箱形图将帮助我们完成这一任务。
　　在此，我们使用一组容量为10000的男学生身高，体重，成绩数据来讲解如何使用Matplotlib绘制以上图形，创建数据的代码如下：
1 from numpy import array
2 from numpy.random import normal
4 def genData():
heights = []
weights = []
grades = []
for i in range(N):
while True:
#身高服从均值172，标准差为6的正态分布
height = normal(172, 6)
if 0 & height: break
while True:
#体重由身高作为自变量的线性回归模型产生，误差服从标准正态分布
weight = (height - 80) * 0.7 + normal(0, 1)
if 0 & weight: break
while True:
#分数服从均值为70，标准差为15的正态分布
score = normal(70, 15)
if 0 &= score and score &= 100:
grade = 'E' if score & 60 else ('D' if score & 70 else ('C' if score & 80 else ('B' if score & 90 else 'A')))
heights.append(height)
weights.append(weight)
grades.append(grade)
return array(heights), array(weights), array(grades)
30 heights, weights, grades = genData()
3.2 频数分析
3.2.1 定性分析（柱状图、饼形图）
　　柱状图是以柱的高度来指代某种类型的频数，使用Matplotlib对成绩这一定性变量绘制柱状图的代码如下：
1 from matplotlib import pyplot
3 #绘制柱状图
4 def drawBar(grades):
xticks = ['A', 'B', 'C', 'D', 'E']
gradeGroup = {}
#对每一类成绩进行频数统计
for grade in grades:
gradeGroup[grade] = gradeGroup.get(grade, 0) + 1
#创建柱状图
#第一个参数为柱的横坐标
#第二个参数为柱的高度
#参数align为柱的对齐方式，以第一个参数为参考标准
pyplot.bar(range(5), [gradeGroup.get(xtick, 0) for xtick in xticks], align='center')
#设置柱的文字说明
#第一个参数为文字说明的横坐标
#第二个参数为文字说明的内容
pyplot.xticks(range(5), xticks)
#设置横坐标的文字说明
pyplot.xlabel('Grade')
#设置纵坐标的文字说明
pyplot.ylabel('Frequency')
pyplot.title('Grades Of Male Students')
pyplot.show()
30 drawBar(grades)
　　绘制出来的柱状图的效果如下：
　　而饼形图是以扇形的面积来指代某种类型的频率，使用Matplotlib对成绩这一定性变量绘制饼形图的代码如下：
1 from matplotlib import pyplot
3 #绘制饼形图
4 def drawPie(grades):
labels = ['A', 'B', 'C', 'D', 'E']
gradeGroup = {}
for grade in grades:
gradeGroup[grade] = gradeGroup.get(grade, 0) + 1
#创建饼形图
#第一个参数为扇形的面积
#labels参数为扇形的说明文字
#autopct参数为扇形占比的显示格式
pyplot.pie([gradeGroup.get(label, 0) for label in labels], labels=labels, autopct='%1.1f%%')
pyplot.title('Grades Of Male Students')
pyplot.show()
17 drawPie(grades)
　　绘制出来的饼形图效果如下：
3.2.2 定量分析（直方图、累积曲线）
　　直方图类似于柱状图，是用柱的高度来指代频数，不同的是其将定量数据划分为若干连续的区间，在这些连续的区间上绘制柱。使用Matplotlib对身高这一定量变量绘制直方图的代码如下：
1 from matplotlib import pyplot
3 #绘制直方图
4 def drawHist(heights):
#创建直方图
#第一个参数为待绘制的定量数据，不同于定性数据，这里并没有事先进行频数统计
#第二个参数为划分的区间个数
pyplot.hist(heights, 100)
pyplot.xlabel('Heights')
pyplot.ylabel('Frequency')
pyplot.title('Heights Of Male Students')
pyplot.show()
14 drawHist(heights)
　　直方图对应数据的密度函数，由于身高变量是属于服从正态分布的，从绘制出来的直方图上也可以直观地看出来：
　　使用Matplotlib对身高这一定量变量绘制累积曲线的代码如下：
1 from matplotlib import pyplot
3 #绘制累积曲线
4 def drawCumulativeHist(heights):
#创建累积曲线
#第一个参数为待绘制的定量数据
#第二个参数为划分的区间个数
#normed参数为是否无量纲化
#histtype参数为'step'，绘制阶梯状的曲线
#cumulative参数为是否累积
pyplot.hist(heights, 20, normed=True, histtype='step', cumulative=True)
pyplot.xlabel('Heights')
pyplot.ylabel('Frequency')
pyplot.title('Heights Of Male Students')
pyplot.show()
17 drawCumulativeHist(heights)
　　累积曲线对应数据的分布函数，由于身高变量是属于服从正态分布的，从绘制出来的累积曲线图上也可以直观地看出来：
3.3 关系分析（散点图）
　　在散点图中，分别以自变量和因变量作为横纵坐标。当自变量与因变量线性相关时，在散点图中，点近似分布在一条直线上。我们以身高作为自变量，体重作为因变量，讨论身高对体重的影响。使用Matplotlib绘制散点图的代码如下：
from matplotlib import pyplot
#绘制散点图
def drawScatter(heights, weights):
#创建散点图
#第一个参数为点的横坐标
#第二个参数为点的纵坐标
pyplot.scatter(heights, weights)
pyplot.xlabel('Heights')
pyplot.ylabel('Weights')
pyplot.title('Heights & Weights Of Male Students')
pyplot.show()
drawScatter(heights, weights)
　　我们在创建数据时，体重这一变量的确是由身高变量通过线性回归产生，绘制出来的散点图如下：
3.4 探索分析（箱形图）
　　在不明确数据分析的目标时，我们对数据进行一些探索性的分析，通过我们可以知道数据的中心位置，发散程度以及偏差程度。使用Matplotlib绘制关于身高的箱形图的代码如下：
1 from matplotlib import pyplot
3 #绘制箱形图
4 def drawBox(heights):
#创建箱形图
#第一个参数为待绘制的定量数据
#第二个参数为数据的文字说明
pyplot.boxplot([heights], labels=['Heights'])
pyplot.title('Heights Of Male Students')
pyplot.show()
12 drawBox(heights)
　　绘制出来的箱形图中，包含3种信息：
Q2所指的红线为中位数
Q1所指的蓝框下侧为下四分位数，Q3所指的蓝框上侧为上四分位数，Q3-Q1为四分为差。四分位差也是衡量数据的发散程度的指标之一。
上界线和下界线是距离中位数1.5倍四分位差的线，高于上界线或者低于下界线的数据为异常值。
直方图&累积曲线
设置柱的文字说明
横坐标的文字说明
纵坐标的文字说明
　　描述性统计是容易操作，直观简洁的数据分析手段。但是由于简单，对多元变量的关系难以描述。现实生活中，自变量通常是多元的：决定体重不仅有身高，还有饮食习惯，肥胖基因等等因素。通过一些高级的数据处理手段，我们可以对多元变量进行处理，例如特征工程中，可以使用互信息方法来选择多个对因变量有较强相关性的自变量作为特征，还可以使用主成分分析法来消除一些冗余的自变量来降低运算复杂度。
5 参考资料
Trackbacks - 0}