matplotlib

文总结了在数据分析和可视化中最有用的 50 个 Matplotlib 图表。这些图表列表允许您使用 python 的 matplotlib 和 seaborn 库选择要显示的可视化对象。 这些图表根据可视化目标的 7 个不同情景进行分组。 例如，如果要想象两个变量之间的关系，请查看“关联”部分下的图表。或者，如果您想要显示值如何随时间变化，请查看“变化”部分，依此类推。 有效图表的重要特征： 在不歪曲事实的情况下传达正确和必要的信息。 设计简单，您不必太费力就能理解它。 从审美角度支持信息而不是掩盖信息。 信息没有超负荷。 01 关联（Correlation） 关联图表用于可视化 2 个或更多变量之间的关系。也就是说， 一个变量如何相对于另一个变化。 1. 散点图（Scatter plot） 散点图是用于研究两个变量之间关系的经典的和基本的图表。如果数据中有多个组，则可能需要以不同颜色可视化每个组。您可以使用 plt.scatterplot() 方便地执行此操作。 2. 带边界的气泡图（Bubble plot with Encircling） 有时，您希望在边界内显示一组点以强调其重要性。在这个例子中，你从数据框中获取记录，并用 encircle() 来使边界显示出来。 3. 带线性回归最佳拟合线的散点图（Scatter plot with linear regression

在Python3下用使用OpenCV比在C,C++里开发不止快捷一点点, 原型开发的时候蛮有用. 这里用的OpenCV 加载图片, 用的imshow画图 # -*- coding: utf-8 -*- import cv2 # from matplotlib import pyplot as plt from pylab import * # 添加中文字体支持 from matplotlib.font_manager import FontProperties font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc",size = 14) # 载入图像 im = cv2.imread('window.png') # 显示原始图像 fig = plt.figure() subplot(121) plt.gray() im2 = cv2.cvtColor(im, cv2.COLOR_BGR2RGB) # OpenCV采用BGR排列顺序,需要转换一下. imshow(im2) title(u'彩色图', fontproperties= font) axis('off') # 显示灰度化图像 # 颜色空间转换 gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY) plt.subplot(122)