sharex

机器学习实用指南：如何从数据可视化中发现数据规律？ 点击上方“ AI有道 ”，选择“置顶”公众号 重磅干货，第一时间送达 本系列为《Scikit-Learn 和 TensorFlow 机器学习指南》的第四讲。上文请见下面这篇文章： 机器学习实战指南：如何入手第一个机器学习项目？ 目前为止，我们已经对数据有了初步的认识，大体上明白了我们要处理的数据类型。现在，我们将进入更深入的研究。 首先，确保已经划分了测试集并放置一边，我们只会对训练集进行操作。另外，如果训练集很大，可以从中采样一些作为探索集（exploration set），方便进行快速处理。在我们这个例子中，数据集比较小，所以直接在训练集上处理即可。我们还要创建一个训练集的复制副本，这样就不会改动原来的训练集了。 housing = strat_train_set.copy() 1. 地理数据可视化 因为数据集中包含了地理位置信息（经纬度），所以创建所有地区的散点图来可视化数据是个好主意（如下图所示）。 这看起来有点像加州，但是很难看出任何规律。我们设置参数 alpha = 0.1，这样就更容易看出数据点的密度了（如下图所示）。 housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.1) 现在，我们可以很清晰地看出这些密度较大的区域了。 通常来说

前言 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。 作者：爱数据学习社 首先，要知道我们用哪些库来画图? matplotlib python中最基本的作图库就是matplotlib，是一个最基础的Python可视化库，一般都是从matplotlib上手Python数据可视化，然后开始做纵向与横向拓展。 Seaborn 是一个基于matplotlib的高级可视化效果库，针对的点主要是数据挖掘和机器学习中的变量特征选取，seaborn可以用短小的代码去绘制描述更多维度数据的可视化效果图。 其他库还包括 Bokeh（是一个用于做浏览器端交互可视化的库，实现分析师与数据的交互） Mapbox（处理地理数据引擎更强的可视化工具库）等等 本篇文章主要使用matplotlib进行案例分析 确定问题，选择图形 业务可能很复杂，但是经过拆分，我们要找到我们想通过图形表达什么具体问题。分析思维的训练可以学习《麦肯锡方法》和《金字塔原理》中的方法。 这是网上的一张关于图表类型选择的总结。 在python中，我们可以总结为以下四种基本视觉元素来展现图形： 点：scatter plot 二维数据，适用于简单二维关系 线：line plot 二维数据，适用于时间序列 柱状：bar plot 二维数据，适用于类别统计 颜色：heatmap

利用PicGo和ShareX来打造更舒服的笔记体验 就我个人来说，写博客最大的困扰就是文章中的插图。 我起初是自己买服务器，然后自建博客，但无奈那些个的磁盘实在是太小，考虑到以后长期写文和博客迁移等等问题，我选择了使用图床，但是苦于没有合适的图床管理工具，导致我每次都得先把图片上传到阿里云OSS，然后再拿着链接火来写文，一来二去，写作积极性备受打击，太麻烦了。 但是，在多方寻求解决方案后，我终于找到了我自己用着最为顺手的一套组合，那就是PicGo加上ShareX，废话不多说，先简单了解下这两大件是干啥的。 PicGo： 官网地址 一个图床上传管理软件，支持mac、win和linux，同时它支持的图床也非常之多，差不多涵盖了目前常见的所有图床 ShareX： 官网地址 这个软件呢，我就是把它当作一个很牛逼的截图工具来使用，配置好快捷键之后配合PicGo直接上传 另外，软件是支持中文的哦！ 解决了图床问题，那写文不就爽歪歪，我用的编辑器就是简简单单的vscode，配上OneDrive自动上传到云端，简直不要太舒服 来源： 51CTO 作者： wx59ea08c9056e9 链接： https://blog.51cto.com/13418825/2464391