Demo_Pandas plot

%matplotlib

import matplotlib.pyplot as plt

import pandas as pd

import numpy as np

Plot

# simple plot

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df.plot()

plt.figure();

df['A'].plot()

plt.figure();

df['A'].cumsum().plot()

# subplots 提供了多張圖示出現在一畫面的方式

df.plot(subplots=True, alpha =0.5,figsize=(6, 6))

# kde: density plots

df['A'].plot(kind='kde')

Bar plot

# 看DataFrame橫向： 另外也展示了堆疊的方式(stack)

df = pd.DataFrame(np.random.rand(10, 4), columns=['A', 'B', 'C', 'D'])

df.plot(kind='bar',alpha =0.8)

df.plot(kind='bar', stacked=True)

# 橫向bar堆疊(barh)

df.plot(kind='barh',alpha =0.8, stacked=True)

Histgram plot

# 看DataFrame縱向： A,B,C,D 的高斯分佈

df = pd.DataFrame(np.random.randn(100, 4), columns=['A', 'B', 'C', 'D'])

df.plot(kind='hist',alpha= 0.8)

df.plot(kind='hist',alpha= 0.5, stacked=True,bins= 50)

plt.figure()

df['A'].plot(kind='hist',bins= 10)

# df.diff().hist 提供了多張圖示出現在一畫面的方式

df.diff().hist(color='k', alpha=0.5, bins=30)

# subplots 提供了多張圖示出現在一畫面的方式

df.plot(kind='hist',subplots=True, alpha =0.5,figsize=(6,8),color='k',bins=30)

Area plot

# 都要是正數範圍；stack 可以改為透明

df = pd.DataFrame(np.random.rand(10, 4), columns=['A', 'B', 'C', 'D'])

df.plot(kind='area',alpha=0.5)

df.plot(kind='area', stacked=False)

Scatter plot

# simple scatter plot

df = pd.DataFrame(np.random.rand(50, 6), columns=['A', 'B', 'C', 'D','E','F'])

df.plot(kind='scatter', x='A', y='B')

# a3 為 A,B,C 對應E,F,G散佈圖

a1 = df.plot(kind='scatter', x='A', y='B',color='DarkBlue', label='Group 1')

a2 = df.plot(kind='scatter',x='C',y='D',color='DarkGreen', label='Group 2',ax = a1 )

a3 = df.plot(kind='scatter',x='E',y='F',color='k', label='Group 3',alpha =0.6 ,ax = a2 )

# s為圓點大小;c代表顏色用C的資料點代表顏色強度；colormap沒寫則預設黑色

df.plot(kind='scatter', x='A', y='B',c='C', colormap='OrRd', s=60)

# s為圓點大小，用C資料來改變點大小

df.plot(kind='scatter', x='A', y='B',c='k', s=df['C']*200)

# 六角形

df.plot(kind='hexbin', x='A', y='B', gridsize=15)

                                                                       Other Example(共用)

scatter_matrix: 展示了matrix的比較圖. 

e.g: A資料自己的常態分佈圖或是A,B . A,C . A,D 的散佈圖

from pandas.tools.plotting import scatter_matrix

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

scatter_matrix(df, alpha=0.2, figsize=(6, 6), diagonal='kde')

增加右邊y軸數值

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df.A.plot(c='r')

df.B.plot(secondary_y=True, style='g')

增加右邊y軸數值與標籤

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

ax = df.plot(secondary_y=['A', 'B'])

ax.set_ylabel('CD scale')

ax.right_ax.set_ylabel('AB scale')

針對各資料設定顏色

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

with pd.plot_params.use('x_compat',True):

  df.A.plot(c='k')

  df.B.plot(c='m')

  df.C.plot(c='y')

  df.D.plot(c='grey')

  

提供了多張圖示出現在一畫面的方式

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

df.plot(subplots=True, figsize=(6, 6));

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

# subplot 排列方法 ：layout=(2, 3)->(raw,column)：

df.plot(subplots=True, layout=(2, 3), figsize=(6, 6), sharex=False);

# subplot 排列方法 ：指定哪個raw哪個column放哪個資料：

fig, axes = plt.subplots(nrows=2, ncols=2)

df['A'].plot(ax=axes[0,0],c='k') ; axes[0,0].set_title('A');

df['B'].plot(ax=axes[0,1],c='k',alpha =0.7); axes[0,1].set_title('B');

df['C'].plot(ax=axes[1,0],c='k',alpha= 0.4); axes[1,0].set_title('C');

df['D'].plot(ax=axes[1,1],c='k',alpha= 0.1); axes[1,1].set_title('D');

subplot ,增加cv bias mean等的資訊在table欄位

from pandas.tools.plotting import table

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

fig,ax = plt.subplots(1, 1)

# describe()：會幫忙算出cv bias mean...

# table 用來顯示欄位用的

table(ax, np.round(df.describe(), 2),loc='upper left', colWidths=[0.1, 0.1, 0.1,0.1])

df.plot(ax=ax,figsize=(10, 10))

 colormap

from pandas.tools.plotting import table

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

df.plot(colormap='Greens')

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote

Python Array的二維與三維空間原理，以及畫圖補充

由於之後要做數據分析的學習，所以這兩天開始在看關於array的一些教學，由於python沒有array的這項功能,或是可以說是list就是python的array．

所以在外掛nympy裡就提供了array的這項功能． 因為我matlab也是工作後才第一次碰，所以很多東西都用的不是很熟悉，碰到python後，以為他的矩陣概念是跟matlab一樣，直到看到三維時，導入圖片時發現rgb的排列方式跟我在matlab不同．由於之前看到的既定印象，又看到說matplotlib等很多概念都源自於matlab，所以又卡住了...還好看到youtube一篇老外在講解ㄇarray原理，用圖解方式每個pixel在三維矩陣的意義後才恍然大悟．

以下是我學習到的代源碼以及影片：

#以下兩個test都是在測試矩陣轉圖出來效果

# Test  1 :

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

a.shape

b = np.array([2,2,2])

np.vstack((a,b))

a = np.array([1,1,1])[np.newaxis,:]

b = np.array([2,2,2])[newaxis,:]

np.concatenate((a,b),axis =0)

np.hstack((a,b))

a[np.newaxis,:].shape

a[:,np.newaxis].shape

a = np.array([1,1,1])[:,np.newaxis]

b = np.array([2,2,2])[:,newaxis]

np.vstack((a,b))

np.concatenate((a,b),axis = 0)

 

 

# Test  2:

from skimage import io

import matplotlib

import scipy

img=io.imread('stinkbug.png')

io.imshow(img)

img

img.shape

img[0].shape

plt.show()

 

 

 

 

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

b = np.array([[255,155,255],[0,255,140]])

plt.imshow(b, interpolation ='nearest',cmap ='Blues',origin ='upper')

plt.colorbar()

plt.show()

plt.colormaps()

 

RGB_Pic = np.array([ [[100,0,0],[0,100,0],[0,0,100]],[[0,50,0],[50,0,0],[0,0,50]]     ])

plt.imshow(RGB_Pic,interpolation ='nearest')

xbar = np.arange(0,3,1)

plt.xticks(xbar)

plt.show()

 

 

 

 

t1 = np.random.random(3)

t2 = np.random.random(3)

t3 = np.random.random(3)

t4 = np.random.random(3)

t5 = np.random.random(3)

t6 = np.random.random(3)

t7 = np.random.random(3)

t8 = np.random.random(3)

t9 = np.random.random(3)

 

Pic = np.array([ [t1,t2,t3],[t4,t5,t6],[t7,t8,t9]    ])

plt.imshow(Pic,interpolation ='nearest')

 

xbar = np.arange(0,3,1)

plt.xticks(xbar)

plt.show()

 

 

 

 

 

#這邊主要是學習在圖片上劃入格線的方式，主要是用plt.xticks的方式在座標軸置入線

 

import numpy as np

from pylab import *

import matplotlib.pyplot as plt

import random

 

# Set grid line

major_ticks = np.arange(0, 101, 20)

minor_ticks = np.arange(0, 101, 5)

plt.xticks(major_ticks)

plt.xticks(minor_ticks)

plt.yticks(major_ticks)

plt.yticks(minor_ticks)

plt.grid(which='both')

# or if you want differnet settings for the grids:

plt.grid(which='minor', alpha=0.4)

plt.grid(which='major', alpha=0.4)

 

# Set sin(x) plot

number = 256

x = np.linspace(-np.pi,np.pi,number)

y = np.sin(x)

 

c1 =np.random.random()

c2 =np.random.random()

c3 =np.random.random()

plt.plot(x,y,color =( c1, c2, c3 ), linewidth =2.0, label = 'sin(x)')

legend(loc ='upper left')

plt.xlabel('x', fontsize = 10.0)

plt.ylabel('y',fontsize = 10.0, rotation=0)

 

justrange = np.arange(-4,5,1)

justrange_y = np.arange(-2,3,1)

plt.xticks(justrange)

plt.yticks(justrange_y)

 

plt.show()

出來效果：

以下是針對一維,二維,三維的圖解．
總之概念就是一維就是橫向增加，所以長方形是橫躺著往右延長（此時是一個中括號）
二維就是往下堆疊，一樣是一維的長方形做堆堆（此時是兩個中括號，裡面的是限制一維的長方形，外面的則是限制y方向的堆疊）
三維的話就是三個中括號，最裡面的是每個長方向像素的rgb值，中間的是限制長方向的像素，最外面是限制y方向的像素

如圖， 第一張圖，4就是一維的中括號裡面有四個值
第二張圖，3*4 就是二維的y方向堆疊三層，x方向堆疊四個
第三張圖，3*4*3，第一個3是y方向的三層堆疊,4是長方向有4個像素，第二個3則是說明每個像素的rgb三個訊號值． 所以第三張圖是3*4*3=36個像素

與matlab不樣的是matlab是一個矩陣分層多層代表不同維度，而python則是在一個矩陣裡直接放入rgb的資訊在裡面．這也就是我一開始卡住困惑的地方． 

網址連結： 

Image Recognition and Python part 2

Image Recognition and Python part 3

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote