python学习第12周： Python matplotlib_from matplotlib import pyplotlib-CSDN博客

本文链接：https://blog.csdn.net/wuzy38/article/details/80490588

本文通过实例演示了如何使用Matplotlib进行数据可视化，包括折线图、散点图及核密度估计图等基本绘图方法，并介绍了如何利用NumPy生成数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

matplotlib是一个数据可视化工具.

from matplotlib import pyplot

常规绘图方法

Exercise

常规绘图方法

pyplot.plot(X, Y)           # 绘点。 X表示点集的横坐标，Y表示点集的纵坐标
pyplot.show()               # 显示

折线图：

pyplot.plot(X, Y)

散点图：

pyplot.scatter(X, Y)

Exercise

代码：

import matplotlib.pyplot as plt
import numpy
import math
def func(x):
    y1 = numpy.sin(x-2)
    y2 = math.e ** (-x*x)
    return y1**2 * y2

x = numpy.linspace(0, 2， 1000)
y = func(x)
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.title('y = f(x)')
plt.show()

解题思路：

这里最主要是对numpy和matplotlib中的函数的使用。numpy.linspace(0, 2, 1000)生成一个以0为起点，2为终点，间隔相等，共1000个点的列表。plt.plot(x, y)根据x，y中对应的点绘制在图上并且用直线将相邻的点连接起来。

运行结果：

代码：

import matplotlib.pyplot as plt
import numpy
import math
X = numpy.random.normal(size=(20, 10))
z = numpy.random.normal(size = 20)
b = numpy.random.normal(size = 10)
y = numpy.matmul(X, b) + z
b_  = numpy.linalg.lstsq(X, y, None)
b_ = b_[0]
plt.scatter(range(0, 10), b, color = 'red', marker = 'x', label = "real")
plt.scatter(range(0, 10), b_, color = 'blue', marker = '.', label = "estimate")
plt.show()

解题思路：

根据题意这里需要使用最小二乘法来计算b的估计量，numpy.linalg.lstsq函数返回的第一个值就是b的估计量。scatter函数用于描绘散点图marker表示的是节点的形状，此处不知为何，标签无法显示。

运行结果：

11.3

题目

题解

import matplotlib.pyplot as plt
from scipy import stats
import numpy
import math
z = numpy.random.normal(size = 10000)
plt.hist (z , bins=25, normed=1, color='b' )
kde = stats.gaussian_kde(z.T)  # 构造多变量核密度评估函数  
density = kde(z.T)   # 给定一个样本点，计算该样本点的密度  
plt.scatter(z.T, density, marker = '.') 
plt.show()

解题思路

hist函数用于描绘柱状图。stats.gaussian_kde() 用于构造一个多变量核密度评估函数，density = kde(z.T) 根据给定的一个样本点，计算该样本点的密度。

运行结果