PythonPython 标准库
63 matplotlib库
Matplotlib是Python中广泛使用的绘图库，用于创建高质量的静态、动态和交互式可视化。下面是一个简单的代码示例，用于生成一个简单的折线图。
import matplotlib.pyplot as plt
# 数据
x = [1, 2, 3, 4, 5]
y = [3, 7, 1, 9, 2]
# 绘制折线图
plt.plot(x, y)
# 添加标题和标签
plt.title("Line Chart Example")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
# 显示图形
plt.show()
这段代码将创建一个折线图，显示x轴和y轴上的数据。Matplotlib的pyplot子库用于绘制图形，并可以使用许多不同的方法和属性来自定义绘图。
这是一个更复杂的案例，它绘制了不同城市的气温走势：
import matplotlib.pyplot as plt
# 数据
cities = ['New York', 'London', 'Paris', 'Tokyo', 'Beijing']
temps = [[18, 22, 25, 20, 16], [12, 15, 18, 16, 11], [16, 18, 20, 17, 14], [20, 21, 22, 19, 18], [22, 24, 26, 21, 19]]
# 绘制折线图
for i in range(len(cities)):
plt.plot(range(1,6), temps[i], label=cities[i])
# 添加标题和标签
plt.title("Temperature Trends in Different Cities")
plt.xlabel("Days")
plt.ylabel("Temperature (°C)")
# 添加图例
plt.legend()
# 显示图形
plt.show()
这段代码使用了循环来绘制五个城市的气温走势，每个城市都用不同的颜色表示。还添加了图例以帮助区分不同的城市，并添加了标题和标签来更好地解释图形。
64 seaborn库
Seaborn是一个Python数据可视化库，它基于matplotlib，提供了更高级的图形界面和可视化方法。Seaborn包含了多种图形界面，包括分类图、热图、时间序列图等等。以下是一个使用Seaborn绘制散点图的示例代码和案例。
代码：
import seaborn as sns
import matplotlib.pyplot as plt
# 加载Seaborn内置数据集
tips = sns.load_dataset("tips")
# 绘制散点图
sns.scatterplot(x="total_bill", y="tip", data=tips)
# 显示图形
plt.show()
案例：
假设我们有一份关于餐厅账单的数据集，其中包含了账单金额和小费金额等信息。我们可以使用Seaborn绘制一个散点图来查看账单金额和小费金额之间的关系。
首先，我们使用Seaborn内置的tips数据集，该数据集包含了顾客账单金额、小费金额等信息。代码如下：
import seaborn as sns
import matplotlib.pyplot as plt
# 加载Seaborn内置数据集
tips = sns.load_dataset("tips")
接下来，我们使用scatterplot函数绘制散点图，其中x参数表示账单金额，y参数表示小费金额。代码如下：
# 绘制散点图
sns.scatterplot(x="total_bill", y="tip", data=tips)
最后，使用show函数显示图形。完整代码如下：
import seaborn as sns
import matplotlib.pyplot as plt
# 加载Seaborn内置数据集
tips = sns.load_dataset("tips")
# 绘制散点图
sns.scatterplot(x="total_bill", y="tip", data=tips)
# 显示图形
plt.show()
65 scikit-learn库
Scikit-learn是一个流行的Python机器学习库，提供了多种分类、回归、聚类和降维算法等功能。以下是一个简单的使用Scikit-learn库的代码和案例：
代码示例：
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
# 加载Iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 训练决策树分类器
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)
# 在测试集上测试模型准确性
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("模型在测试集上的准确性：", accuracy)
案例：使用Scikit-learn库进行数字图像分类
以下是一个使用Scikit-learn库进行数字图像分类的示例，该示例使用手写数字数据集（MNIST）：
from sklearn.datasets import fetch_openml
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 加载MNIST数据集
mnist = fetch_openml('mnist_784')
X = mnist.data
y = mnist.target.astype('int')
# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 训练多层感知机分类器
clf = MLPClassifier(hidden_layer_sizes=(50,), max_iter=10, alpha=1e-4,
solver='sgd', verbose=10, random_state=42,
learning_rate_init=.1)
clf.fit(X_train, y_train)
# 在测试集上测试模型准确性
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("模型在测试集上的准确性：", accuracy)
该示例使用多层感知机分类器来对手写数字图像进行分类。训练集和测试集之间的数据比率为 80:20，模型在测试集上的准确性为 0.9665。
本文是结合ChatGPT的答案总结的知识点，有不足之处请大佬们给出反馈。
