axes

微信公众号：易执 如有问题或建议，请公众号留言 Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要 经过大量的调整就能使你的图变得精致。 注：所有代码均在IPython notebook中实现 barplot(条形图) 条形图表示数值变量与每个矩形高度的中心趋势的估计值，并使用误差线提供关于该估计值附近的不确定性的一些指示。具体用法如下： seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=(function mean), ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None, saturation=0.75, errcolor='.26', errwidth=None, capsize=None, dodge=True, ax=None, **kwargs) 接下来还是通过具体例子学习里面的一些参数的用法： %matplotlib inline import pandas as pd import

第一步： https://matplotlib.org/tutorials/introductory/usage.html#sphx-glr-tutorials-introductory-usage-py 看这个了解大概的matplotlib使用的背景框架：基于函数编程与基于对象编程的区别： Figure, Axes, Axis, Tick，Canvas之间的关系是什么？ Backend主要包含的FigureCanvas 与 Renderer分别可以表现为画布和画笔，而Artist就是实现画笔与画布之间连接的桥梁？ 理解什么是交互式，什么是非交互式，如何将screen置于前段进行显示？ 第二步： https://matplotlib.org/2.0.0/users/artists.html#object-containers 了解各个Artist之间如何实现互相引用，他们的Property有哪些？如何用get与set函数调用查看这些Property。 以及Container Artist主要包含的attributes有哪些？ 对于figure 来说： fig.axes, fig.images; fig.lines, fig.texts, fig,legends 都是在一个list里面，fig.axes是一个包含container的list，其他的都是primitive的list

特征工程是机器学习的第一步，涉及清理现有数据集、提高信噪比和降低维数的所有技术。大多数算法对输入数据有很强的假设，当使用原始数据集时，它们的性能可能会受到负面影响。 另外有些特征之间高度相关，在其中一个特征提供了足够的信息之后，与之相关的其他特征往往无法提供额外的信息。这时我们就需要了解如何减少特征数量或者仅选择最佳特征。 一、scikit-learn数据集 scikit-learn提供了一些用于测试的内置数据集，这些数据集包含在sklearn.datasets中，每个数据集都包含了输入集（特征集）X和标签（目标值）y。比如波士顿房价的数据集（用于回归问题）： from sklearn.datasets import load_boston boston = load_boston() X = boston.data y = boston.target print(‘特征集的shape：’, X.shape) print(‘目标集的shape：’, y.shape) 特征集的shape： (506, 13) 目标集的shape： (506,) 可以看到，这个数据集包含了506个样本、13个特征，以及1个目标值。 假如我们不想使用scikit-learn提供的数据集，那么我们还可以使用scikit-learn提供的工具来手动创建特定的数据集。相关的方法有： make