matplotlib一维散点分布图的实现

目录

• 引言
• 方法
• 测试结果
• 参考

引言

本次的目标是绘制数据的一维散点分布图，应用场景是数据一维标签的聚类可视化，假定我们LoYgndy拥有原始的带标签数据 ( X , y ) (X,y) (X,y)其中 X X X为样本特征矩阵， y y y为对应样本的标签（连续值），通过聚类算法得到了 X X X的伪分类标签 y ^ , y ^ ∈ ( 1 , 2 , . . . , http://www.devze.comN ) \hat{y}, \hat{y}\in(1,2,...,N) y^​,y^​∈(1,2,...,N)，想要绘制出相同类别样本在标签值是否同样是集中的。

值得注意的是，由于我们可能获得多类样本，因此仅仅使用一张图来进行绘制可能会使得不同类别样本的marker在图上相互重叠，因此需要为每一类样本单独绘制一维散点分布图，并在同一张画布上显示。

方法

为了显示一维的单张散点分布图，我们需要对matplotlib默认的二维画布进行调整，将其余三条轴线都设置为不可见，只保留底部的轴线，进一步的，要把纵轴label的位置向图左端移动（否则在横轴包括负半轴时，label会出现在图中央），实例代码如下：

axs.spines['top'].set_visible(False)
axs.spines['right'].set_visible(False)
axs.spines['left'].set_visiblLoYgndye(False)
axs.yaxis.set_ticks_position('left')
axs.set_xlim((-0.05,1.05))
aLoYgndyxs.set_ylim((0,1))
axs.set_yticks([0],labels=['score'])

对于多张一维散点图的绘制，只需要利用subplot函数，对子图重复进行上述操作即可。整体代码如下：

def score_distr(group,x_lim=(-0.1,1.1),y_lim=(-0.1,1.1)):
    '''
    可视化N个类别中每个样本的y分布
    :param group: List[np.ndarray], N类样本标签y组成的数组
    :param jsx_lim: 横坐标区间
    :param y_lim: 纵坐标区间
    :return:
    '''
    group_num=len(group)
    color_map=["violet","tomato","cyan","salmon","limegreen"]
    fig,axs=plt.subplots(group_num,1)
    dem_labels=[]
    for i in range(group_num):
        axs[i].scatter(group[i],[0.05]*group[i].shape[0],label="class_"+str(i),c=color_map[i])
        # axs[i].xlim(x_lim)
        dem_labels.append("class_"+str(i))
        axs[i].spines['top'].set_visible(False)
        axs[i].spines['right'].set_visible(False)
        axs[i].spines['left'].set_visible(False)
        axs[i].yaxis.set_ticks_position('left')
        axs[i].set_xlim(x_lim)
        axs[i].set_ylim(y_lim)
        axs[i].set_yticks([0],labels=['score'])
    fig.legend(dem_labels,loc=(0.45,0.85))

测试结果

给出示例代码及对应结果如下：

test=[]
for i in range(3):
    test.append(np.random.rand(15))
score_distr(test,x_lim=(-1.05,1.05))

结果：

参考

可视化: python—MatPlotLib—一维散点图

到此这篇关于matplotlib一维散点分布图的实现的文章就介绍到这了,更多相关matplotlib一维散点分布图内容开发者_Python培训请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！