Python高階資料分析之pandas和matplotlib繪圖

>>> jin = plt.imread("./jin.png")
>>> jin
array([[[0.24313726, 0.24313726, 0.24705882],        
        ...,

        [0.7294118 , 0.7294118 , 0.7294118 ]]], dtype=float32)

>>> jin.shpae
(273, 411, 3)
'''
這是一個三維陣列
第一層代表將圖片分成273行,
第二層代表將圖片的第一層的每一行分為411列,
第三層代表將每一畫素點中的(R,G,B)

注意:有些圖片載入後最內層有4個元素,分別是(R,G,B,A[阿爾法/透明度])

'''

>>> plt.imshow(nd)  #將載入後的多維陣列傳入就可以將圖片渲染出來
'''
有的圖片載入出來之後資料範圍在0-255之間的需要將資料/255之後轉化為0-1之間的就可以和0-1的圖片進行合併操作
'''

plt.imsave('圖片名稱.png',圖片資料,cmap='gray')    #儲存圖片
cmap:將圖片儲存為黑白圖片

# 正弦曲線
x = np.linspace(0,2*np.pi,100)      # 從0 到 2π  取100份
y = np.sin(x)                       # y 為sin(x) 的值
s = Series(data=y,index=x)          # 構建一個Series物件
s.plot()                  # 使用Series的plot()方法

x = np.linspace(0,2*np.pi,100)          # 從0 到 2π  取100份
df = DataFrame(data={'sin':np.sin(x),'cos':np.cos(x)},index=x)   #建立DataFrame物件
df.plot()

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

df = pd.read_csv('./data/AAPL.csv')
df.head()

df['Date']  # 這一列獲取出來是一個Series
type(df['Date'])
df['Date'] = pd.to_datetime(df['Date'])

df.set_index('Date',inplace=True)
'''
inplace:改變原來的變數的值
'''

df['Adj Close'].plot()

'''
data:  生成之後為Y軸的資料
index: 生成之後為X軸的索引
'''
s = Series(data=np.random.randint(0,10,size=5),index=list('abcde'))  #隨機產生5個數
s.plot(kind='bar')

'''
data:  生成之後為Y軸的資料
index: 生成之後為X軸的索引
'''
s = Series(data=np.random.randint(0,10,size=5),index=list('abcde'))  
s.plot(kind='barh')

'''
index: 生成資料X軸的索引
columns: 特徵的名稱
'''
df = DataFrame(np.random.randint(0,10,size=(8,4)),index=list('abcdefgh'),columns=list('ABCD'))
df.plot(kind='bar')

s = Series(np.random.normal(loc=0,scale=5,size=10000))    # normal 正態分佈
s.hist()
#這裡模擬出一組以0為中心,標準差為5的正態分佈資料, 繪製出的直方圖如下

Series(np.random.normal(loc=0,scale=5,size=10000))    
s.plot(kind='kde')

ndarr1 = np.random.normal(loc=-10,scale=5,size=5000)  #第一組資料
ndarr2 = np.random.normal(loc=15,scale=2,size=5000)  第二組資料
ndarr = np.concatenate([ndarr1,ndarr2])   #將兩組資料合為一組
s = Series(ndarr)    #生成Series物件
s.plot(kind='kde')  # 核心 密度 估計 用來展示某個位置出現內容的概率的估計值
s.hist(density=True)  # density表示直方圖也以 密度概率的值來展示  hist用來展示某個位置出現內容的實際頻率
#展示效果如下

'''
s.plot(kind='kde')  展示某個位置的估計值
s.hist(density=True)  表示某個位置出現內容的實際頻率
'''

df = DataFrame(np.random.randint(0,150,size=(20,3)),columns=['python','math','eng'])
df   #模擬一個DataFrame資料，列名為'python','math','eng'

    python  math    eng
0   141     41      55
1   37      76      96
2   61      28      135
。。。
17  124     103     83
18  86      47      44
19  35      85      85

df.plot(kind='scatter',x='python',y='eng')
# kind = 'scatter'  ， 給明標籤columns

np.random.randint(-10,10,1)[0]   # 0-10之間 隨機取一個數
df['php'] = df['python'].map(lambda x: x*0.9+np.random.randint(-10,10,1)[0])
df

    python  math    eng php
0   121     67      15  113.9
1   148     33      149 123.2
。。。
18  79      77      108 74.1
19  105     107     53  102.5