详解pandas绘制矩阵散点图(scatter_matrix)的方法

使用散点图矩阵图，可以两两发现特征之间的联系

pd.plotting.scatter_matrix(frame, alpha=0.5, c,figsize=None, ax=None, diagonal='hist', marker='.', density_kwds=None,hist_kwds=None, range_padding=0.05, **kwds)

1、frame，pandas dataframe对象
2、alpha， 图像透明度，一般取(0,1]
3、figsize，以英寸为单位的图像大小，一般以元组 (width, height) 形式设置
4、ax，可选一般为none
5、diagonal，必须且只能在{‘hist', ‘kde'}中选择1个，'hist'表示直方图(Histogram plot),'kde'表示核密度估计(Kernel Density Estimation)；该参数是scatter_matrix函数的关键参数
6、marker，Matplotlib可用的标记类型，如'.'，','，'o'等
7、density_kwds，(other plotting keyword arguments，可选)，与kde相关的字典参数
8、hist_kwds，与hist相关的字典参数
9、range_padding，(float, 可选)，图像在x轴、y轴原点附近的留白(padding)，该值越大，留白距离越大，图像远离坐标原点
10、kwds，与scatter_matrix函数本身相关的字典参数
11、c，颜色

效果如下图

 

以 sklearn的iris样本为数据集

import matplotlib.pyplot as plt
from scipy import sparse
import numpy as np
import matplotlib as mt
import pandas as pd
from IPython.display import display
from sklearn.datasets import load_iris
import sklearn as sk
from sklearn.model_selection import train_test_split

iris=load_iris()
#print(iris)
X_train,X_test,y_train,y_test = train_test_split(iris['data'],iris['target'],random_state=0)
iris_dataframe = pd.DataFrame(X_train,columns=iris.feature_names)
grr = pd.plotting.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker='o',hist_kwds={'bins':20},s=60,alpha=.8)
plt.show()

到此这篇关于详解pandas绘制矩阵散点图(scatter_matrix)的方法的文章就介绍到这了,更多相关pandas scatter_matrix矩阵散点图内容请搜索三水点靠木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三水点靠木！