01 散点图

横坐标：面积大小
总坐标：总人口
图例：暂时看不出是什么总而言之看起来是类型，一种类型一个颜色

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

# 定义数据
x1 = np.random.randn(10)
x2 = x1 + x1**2 - 10
# 确定画布 - 当只有一张图时不需要此步骤
plt.figure(figsize = (8, 4))
# 绘图
plt.scatter(x1, x2 # 横坐标，纵坐标
            , s = 50 # 数据点尺寸大小
            , c = 'r' # 数据点颜色
            , label = 'Positive')
# 装饰图形
plt.legend() # 显示图例
plt.show() # 显示图形

# 增加标签列y
x = np.random.randn(10, 2) # 10行2列的数据集
y = np.array([0, 0, 1, 1, 0, 1, 0, 1, 0, 0])
plt.figure(figsize = (8, 4))
plt.scatter(x[:, 0], x[:, 1]
            , s = 50
            , c = y # 分类可视化
            , label = ['Zero', 'One'] # 无法显示理想的结果
           #, label = ['Zero', 'Zero', 'One', 'One', 'Zero', 'One', 'Zero', 'One', 'Zero', 'Zero'] 也无法显示理想的结果
           )
plt.legend()

<matplotlib.legend.Legend at 0x10fc64c2710>

x[:, 0]

array([ 1.31449649, -2.09365277, -0.90142206, -0.80960202,  0.46194326,
       -0.79169922,  0.74378866,  0.63288047, -0.51673112,  0.22944999])

x[:, 1]

array([ 0.1774639 ,  0.41847597, -0.00806844, -1.84772107, -0.56667279,
        1.38507805, -1.20056857,  0.65070988, -0.45736285, -0.35242212])

y

array([0, 0, 1, 1, 0, 1, 0, 1, 0, 0])

【核心知识点】可视化分类标签时的图例

如果我们希望显示多种颜色的散点图，并且这个颜色是我们的标签y所代表的分类，那我们无法让散点图显示分别代表不同颜色的图例

colors = ['red', 'black'] # 建立颜色列表
labels = ['Zero', 'One'] # 建立标签的类型列表
for i in range(x.shape[1]):
    plt.scatter(x[y == i, 0], # 布尔索引取值
                x[y == i, 1],
                c = colors[i],
                label = labels[i])
# 两次作图都在同一张画布上
# 在标签中存在几种类别，我们就要循环几次，一次画一个颜色的点
plt.legend()

<matplotlib.legend.Legend at 0x10fc6537da0>

for i in ([y == 1, 0]):
    print(i)

[False False  True  True False  True False  True False False]
0

复杂图像绘制

需要找到三种元素：

1. 绘图用数据x1和x2
2. 标签的列表
3. 标签对应的颜色

1. 开始认识绘图所需要的数据

# 导入数据
midwest = pd.read_csv("midwest_filter.csv")

# 探索数据

midwest.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 332 entries, 0 to 331
Data columns (total 29 columns):
PID                     332 non-null int64
county                  332 non-null object
state                   332 non-null object
area                    332 non-null float64
poptotal                332 non-null int64
popdensity              332 non-null float64
popwhite                332 non-null int64
popblack                332 non-null int64
popamerindian           332 non-null int64
popasian                332 non-null int64
popother                332 non-null int64
percwhite               332 non-null float64
percblack               332 non-null float64
percamerindan           332 non-null float64
percasian               332 non-null float64
percother               332 non-null float64
popadults               332 non-null int64
perchsd                 332 non-null float64
percollege              332 non-null float64
percprof                332 non-null float64
poppovertyknown         332 non-null int64
percpovertyknown        332 non-null float64
percbelowpoverty        332 non-null float64
percchildbelowpovert    332 non-null float64
percadultpoverty        332 non-null float64
percelderlypoverty      332 non-null float64
inmetro                 332 non-null int64
category                332 non-null object
dot_size                332 non-null float64
dtypes: float64(16), int64(10), object(3)
memory usage: 75.3+ KB

midwest.head()

5 rows × 29 columns

midwest.columns

Index(['PID', 'county', 'state', 'area', 'poptotal', 'popdensity', 'popwhite',
       'popblack', 'popamerindian', 'popasian', 'popother', 'percwhite',
       'percblack', 'percamerindan', 'percasian', 'percother', 'popadults',
       'perchsd', 'percollege', 'percprof', 'poppovertyknown',
       'percpovertyknown', 'percbelowpoverty', 'percchildbelowpovert',
       'percadultpoverty', 'percelderlypoverty', 'inmetro', 'category',
       'dot_size'],
      dtype='object')

2. 准备标签的列表和颜色

标签

# 提取标签中的类别
# set(midwest['category'])
categories = np.unique(midwest['category'])
categories # 这就是我们要使用的标签的类别

array(['AAR', 'AAU', 'AHR', 'ALR', 'ALU', 'HAR', 'HAU', 'HHR', 'HLR',
       'HLU', 'LAR', 'LAU', 'LHR', 'LHU'], dtype=object)

len(categories)

14

颜色

接下来要创造和标签的类别一样多的颜色

如果只有三四个类别，或许还可以自己写

然而面对十几个，或者二十个分类，我们需要让Matplotlib来自动生成颜色

plt.cm.tab10()

colormap cm.光带名()，将光带作为函数调用

用于创建颜色的十号光谱，在matplotlib中，有众多光谱选择：https://matplotlib.org/tutorials/colors/colormaps.html

在plt.cm.tab10()中输入任意浮点数，来提取出一种颜色

光谱tab10中总共只有十种颜色，如果输入的浮点数比较接近，会返回类似的颜色

这种颜色会以元祖的形式返回，表示为四个浮点数组成的RGBA色彩空间或者三个浮点数组成的RGB色彩空间中的随机色彩

color1 = plt.cm.tab10(5.2)
x1 = np.random.randn(10)
x2 = x1 + x1**2 - 10
plt.scatter(x1, x2, s = 50, c = color1)

'c' argument looks like a single numeric RGB or RGBA sequence, which should be avoided as value-mapping will have precedence in case its length matches with 'x' & 'y'.  Please use a 2-D array with a single row if you really want to specify the same RGB or RGBA value for all points.
<matplotlib.collections.PathCollection at 0x10fc6678da0>

‘c’参数看起来像一个单一的RGB或RGBA数字序列，应避免使用它，因为如果其长度与’x’和’y’匹配，则值映射将具有优先级。如果您确实要为所有点指定相同的RGB或RGBA值，请使用二维数组与一行。

color1 # 一维元组

(0.09019607843137255, 0.7450980392156863, 0.8117647058823529, 1.0)

np.array(color1) # 一维数组，此时对象不分行列；升维前的准备

array([0.09019608, 0.74509804, 0.81176471, 1.        ])

np.array(color1).reshape(1, -1) # reshape():改变数组结构，此处用来增维，输入(1, -1)是让行上的维度为1，(-1, 1)是让列上的维度为1
# 一行四列

array([[0.09019608, 0.74509804, 0.81176471, 1.        ]])

np.array(color1).reshape(-1, 1)
# 一列四行

array([[0.09019608],
       [0.74509804],
       [0.81176471],
       [1.        ]])

color1 = plt.cm.tab10(5.2)
x1 = np.random.randn(10)
x2 = x1 + x1**2 - 10
plt.scatter(x1, x2, s = 50, c = np.array(color1).reshape(1, -1))

<matplotlib.collections.PathCollection at 0x10fc66ea780>

3. 生成图像

midwest.head()

5 rows × 29 columns

方法一

plt.figure(figsize = (16, 10))
# 循环次数 = 标签数 = 颜色数 = 需要生成的小数的个数
for i in range(len(categories)):
    plt.scatter(midwest.loc[midwest['category'] == categories[i], 'area'], 
                midwest.loc[midwest['category'] == categories[i], 'poptotal'], 
                s = 20,
                c = np.array(plt.cm.tab10(i / len(categories))).reshape(1, -1),
                label = categories[i])
plt.legend()

<matplotlib.legend.Legend at 0x10fc670ce10>

方法二

# 列表推导式生成颜色列表，然后用索引将颜色依次取出
colors = [plt.cm.tab10(i/float(len(categories) - 1)) for i in range(len(categories))]
'''
等同于：
colors = []
for i in range(len(categories)):
    colors.append(plt.cm.tab10(i/float(len(categories) - 1)))
'''
plt.figure(figsize = (16, 10))
for i in range(len(categories)):
    plt.scatter(midwest.loc[midwest['category'] == categories[i], 'area'], 
                midwest.loc[midwest['category'] == categories[i], 'poptotal'], 
                s = 20,
                c = np.array(colors[i]).reshape(1, -1),
                label = categories[i])
plt.legend()

<matplotlib.legend.Legend at 0x10fc6b5df98>

colors # 一个列表，包含14个元组

[(0.12156862745098039, 0.4666666666666667, 0.7058823529411765, 1.0),
 (0.12156862745098039, 0.4666666666666667, 0.7058823529411765, 1.0),
 (1.0, 0.4980392156862745, 0.054901960784313725, 1.0),
 (0.17254901960784313, 0.6274509803921569, 0.17254901960784313, 1.0),
 (0.8392156862745098, 0.15294117647058825, 0.1568627450980392, 1.0),
 (0.8392156862745098, 0.15294117647058825, 0.1568627450980392, 1.0),
 (0.5803921568627451, 0.403921568627451, 0.7411764705882353, 1.0),
 (0.5490196078431373, 0.33725490196078434, 0.29411764705882354, 1.0),
 (0.8901960784313725, 0.4666666666666667, 0.7607843137254902, 1.0),
 (0.8901960784313725, 0.4666666666666667, 0.7607843137254902, 1.0),
 (0.4980392156862745, 0.4980392156862745, 0.4980392156862745, 1.0),
 (0.7372549019607844, 0.7411764705882353, 0.13333333333333333, 1.0),
 (0.09019607843137255, 0.7450980392156863, 0.8117647058823529, 1.0),
 (0.09019607843137255, 0.7450980392156863, 0.8117647058823529, 1.0)]

参考

# 预设图像的各种属性
large = 22; med = 16; small = 12
params = {'legend.fontsize': med, # 图例的字体大小
          'figure.figsize': (16, 10), # 图像的画布大小
          'axes.labelsize': med, # 标签的字体大小
          'axes.titlesize': med, # 子图上的标题字体大小
          'xtick.labelsize': med, # x轴上的标尺的字体大小
          'ytick.labelsize': med, # y轴上的标尺的字体大小
          'figure.titlesize': large} # 整个画布的标题字体大小
plt.rcParams.update(params) # 设定各种默认风格
plt.style.use('seaborn-whitegrid') # 设定整体风格
sns.set_style("white") # 设定整体背景风格
# Prepare Data 
# Create as many colors as there are unique midwest['category']
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]
# Draw Plot for Each Category
plt.figure(figsize=(16, 10) # 绘图尺寸
           , dpi= 80        # 图像分辨率
           , facecolor='w'  # 图像的背景颜色，设置为白色，默认也是白色
           , edgecolor='k'  # 图像的边框颜色，设置为黑色，默认也是黑色
          )
for i, category in enumerate(categories):
    plt.scatter('area', 'poptotal', 
                data=midwest.loc[midwest.category==category, :], 
                s=20, c=np.array(colors[i]).reshape(1, -1), label=str(category))
# Decorations
# plt.gca() 获取当前子图；若当前没有子图，则创建子图
plt.gca().set(xlim=(0.0, 0.12), ylim=(0, 90000), # 控制横纵坐标的范围
              xlabel='Area', ylabel='Population')
plt.xticks(fontsize=12); plt.yticks(fontsize=12)
plt.title("Scatterplot of Midwest Area vs Population", fontsize=22)
plt.legend(fontsize=12, loc =0)
plt.show()

探索数据

异常值

midwest[midwest['area'] > 0.1]

1 rows × 29 columns

标签含义探索

midwest['category'].value_counts()

AAR    186
LAR     30
LHR     27
AAU     21
AHR     16
ALU     14
ALR     11
HLU     10
HAR      6
HAU      3
LAU      3
LHU      2
HLR      2
HHR      1
Name: category, dtype: int64

midwest['c1'] = midwest['category'].apply(lambda x : x[0])
midwest['c2'] = midwest['category'].apply(lambda x : x[1])
midwest['c3'] = midwest['category'].apply(lambda x : x[2])
midwest.head()

5 rows × 32 columns

猜测

midwest['c1'].value_counts() # Averaage/High/Low

A    248
L     62
H     22
Name: c1, dtype: int64

midwest['c2'].value_counts() # Averaage/High/Low

A    249
H     46
L     37
Name: c2, dtype: int64

midwest['c3'].value_counts() # Rural/Urban

R    279
U     53
Name: c3, dtype: int64

机器学习检验猜测：逻辑回归探索数据集

数据预处理

from sklearn.preprocessing import OrdinalEncoder as OE
data = midwest.copy()
data.iloc[:, -3:].head()

data.iloc[:, -3:] = OE().fit_transform(data.iloc[:, -3:])
data.iloc[:, -3:].head()
# Low = 2
# Average = 0
# High = 1
# Rural = 0
# Urban = 1

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 332 entries, 0 to 331
Data columns (total 32 columns):
PID                     332 non-null int64
county                  332 non-null object
state                   332 non-null object
area                    332 non-null float64
poptotal                332 non-null int64
popdensity              332 non-null float64
popwhite                332 non-null int64
popblack                332 non-null int64
popamerindian           332 non-null int64
popasian                332 non-null int64
popother                332 non-null int64
percwhite               332 non-null float64
percblack               332 non-null float64
percamerindan           332 non-null float64
percasian               332 non-null float64
percother               332 non-null float64
popadults               332 non-null int64
perchsd                 332 non-null float64
percollege              332 non-null float64
percprof                332 non-null float64
poppovertyknown         332 non-null int64
percpovertyknown        332 non-null float64
percbelowpoverty        332 non-null float64
percchildbelowpovert    332 non-null float64
percadultpoverty        332 non-null float64
percelderlypoverty      332 non-null float64
inmetro                 332 non-null int64
category                332 non-null object
dot_size                332 non-null float64
c1                      332 non-null float64
c2                      332 non-null float64
c3                      332 non-null float64
dtypes: float64(19), int64(10), object(3)
memory usage: 83.1+ KB

data.columns = ["城市ID","郡","州","面积","总人口","人口密度","白人人口","非裔人口","美洲印第安人人口","亚洲人口","其他人种人口"
                   ,"白人所占比例","非裔所占比例","美洲印第安人所占比例","亚洲人所占比例","其他人种比例"
                   ,"成年人口","具有高中文凭的比率","大学文凭比例","有工作的人群比例"
                   ,"已知贫困人口","已知贫困人口的比例","贫困线以下的人的比例","贫困线以下的儿童所占比例","贫困的成年人所占的比例","贫困的老年人所占的比例"
                   ,"是否拥有地铁","标签","点的尺寸","c1","c2","c3"]

# 去掉所有类型为'Object'的列
data = data.loc[:, data.dtypes.values != 'O']
data.head()

5 rows × 29 columns

# 将所有整数类型的列转换为浮点数类型
for i in range(data.loc[:, data.dtypes.values == 'int64'].shape[1]):
               data.loc[i, data.dtypes.values == 'int64'] = data.loc[i, data.dtypes.values == 'int64'].apply(lambda x : float(x))

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 332 entries, 0 to 331
Data columns (total 29 columns):
城市ID            332 non-null float64
面积              332 non-null float64
总人口             332 non-null float64
人口密度            332 non-null float64
白人人口            332 non-null float64
非裔人口            332 non-null float64
美洲印第安人人口        332 non-null float64
亚洲人口            332 non-null float64
其他人种人口          332 non-null float64
白人所占比例          332 non-null float64
非裔所占比例          332 non-null float64
美洲印第安人所占比例      332 non-null float64
亚洲人所占比例         332 non-null float64
其他人种比例          332 non-null float64
成年人口            332 non-null float64
具有高中文凭的比率       332 non-null float64
大学文凭比例          332 non-null float64
有工作的人群比例        332 non-null float64
已知贫困人口          332 non-null float64
已知贫困人口的比例       332 non-null float64
贫困线以下的人的比例      332 non-null float64
贫困线以下的儿童所占比例    332 non-null float64
贫困的成年人所占的比例     332 non-null float64
贫困的老年人所占的比例     332 non-null float64
是否拥有地铁          332 non-null float64
点的尺寸            332 non-null float64
c1              332 non-null float64
c2              332 non-null float64
c3              332 non-null float64
dtypes: float64(29)
memory usage: 75.3 KB

构建训练集和测试集

1. 筛选列作为特征矩阵
2. 其他列作为目标向量
3. 分训练集和测试集
4. 数据标准化（线性模型的核心需求）

X = data.iloc[:, 1:-3]
X.head()

5 rows × 25 columns

Y = data.iloc[:, -3:]
Y.head()

from sklearn.model_selection import train_test_split as TTS
Xtrain, Xtest, Ytrain, Ytest = TTS(X, Y, test_size = 0.3, random_state = 420)

Xtrain.head()

5 rows × 25 columns

for i in [Xtrain, Xtest, Ytrain, Ytest]:
    i.index = range(i.shape[0])
    # Xtrain = Xtrain.reset_index().drop(index) 无法改变原数据
Xtrain.head()

5 rows × 25 columns

Xtrain.iloc[:, [*range(23), -1]].head()

5 rows × 24 columns

# 标准化数据集
from sklearn.preprocessing import StandardScaler
ss = StandardScaler() # 实例化
ss = ss.fit(Xtrain.iloc[:, [*range(23), -1]]) # 以训练集为标准的均值和方差
Xtrain_ = Xtrain.copy()
Xtest_ = Xtest.copy()
Xtrain_.iloc[:, [*range(23), -1]] = ss.transform(Xtrain.iloc[:, [*range(23), -1]])
Xtest_.iloc[:, [*range(23), -1]] = ss.transform(Xtest.iloc[:, [*range(23), -1]])

Xtrain_.head()

5 rows × 25 columns

from sklearn.linear_model import LogisticRegression as logiR
import pandas as pd
for i in range(3): # c1,c2,c3分别建模
    # 实例化：
    logi = logiR(solver = 'newton-cg' # 本例用牛顿法结果更准确
                 , max_iter = 100**20 # 使用牛顿法所需要的迭代次数
                 , multi_class = 'multinomial' # 由于c1和c2是三分类（L/A/H）
                )
    # 开始建模：
    logi.fit(Xtrain_, Ytrain.iloc[:, i].ravel())
    print(Y.columns[i])
    print('\tTrain:{}'.format(logi.score(Xtrain_, Ytrain.iloc[:, i].ravel()))) # 模型的学习能力，以准确率衡量
    print('\tTest:{}'.format(logi.score(Xtest_, Ytest.iloc[:, i].ravel()))) # 模型的泛化能力
    coeff = pd.DataFrame(logi.coef_).T
    if i != 2:
        coeff['mean'] = abs(coeff).mean(axis = 1)
        coeff['name'] = Xtrain.columns
        coeff.columns = ['Average', 'High', 'Low', 'mean', 'name']
        coeff = coeff.sort_values(by = 'mean', ascending = False).head()
    else:
        coeff['name'] = Xtrain.columns
        coeff.columns = ['coef', 'name']
        coeff = coeff.sort_values(by = 'coef', ascending = False).head()
    print(coeff)
    print('\t')

c1
    Train:0.9956896551724138
    Test:0.97
     Average      High       Low      mean         name
14  1.274035  2.189743 -3.463778  2.309186    具有高中文凭的比率
15 -0.656186  1.390281 -0.734095  0.926854       大学文凭比例
16 -0.363926  0.899042 -0.535116  0.599361     有工作的人群比例
21  0.180958 -0.662631  0.481673  0.441754  贫困的成年人所占的比例
19  0.231073 -0.534413  0.303341  0.356275   贫困线以下的人的比例
c2
    Train:0.978448275862069
    Test:0.97
     Average      High       Low      mean          name
20  0.248239  1.652407 -1.900646  1.267097  贫困线以下的儿童所占比例
21 -0.249106  1.694901 -1.445795  1.129934   贫困的成年人所占的比例
19  0.054842  1.639717 -1.694559  1.129706    贫困线以下的人的比例
22 -0.105854  0.797378 -0.691524  0.531585   贫困的老年人所占的比例
12 -0.552268  0.258467  0.293801  0.368178        其他人种比例
c3
    Train:1.0
    Test:1.0
        coef    name
23  2.981752  是否拥有地铁
3   0.104570    白人人口
17  0.104304  已知贫困人口
1   0.096218     总人口
8   0.072634  白人所占比例

mpy.flatten() 与 numpy.ravel()的区别

1. 要实现的功能是一致的（将多维数组降位一维）
2. 于返回拷贝（copy）还是返回视图（view）
   1. py.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects）原始矩阵
   2. py.ravel()返回的是视图，会影响原始矩阵

# 实际上不用.ravel()降维也可以。以 i = 0 为例：
from sklearn.linear_model import LogisticRegression as logiR
import pandas as pd
# 实例化：
logi = logiR(solver = 'newton-cg' # 本例用牛顿法结果更准确
             , max_iter = 100 ** 20 # 使用牛顿法所需要的迭代次数
             , multi_class = 'multinomial' # 由于本例是三分类（A/H/L）
            ) 
# 开始建模：
logi.fit(Xtrain_, Ytrain.iloc[:, 0])
print(Y.columns[0])
print('\tTrain:{}'.format(logi.score(Xtrain_, Ytrain.iloc[:, 0]))) # 模型的学习能力
print('\tTest:{}'.format(logi.score(Xtest_, Ytest.iloc[:, 0]))) # 模型的泛化能力
print(logi.coef_.shape) # 25个特征；三分类（L/A/H）一对一：L vs A, L vs H, A vs H

c1
    Train:0.9956896551724138
    Test:0.97
(3, 25)

解读

midwest['category'].value_counts()

AAR    186
LAR     30
LHR     27
AAU     21
AHR     16
ALU     14
ALR     11
HLU     10
HAR      6
HAU      3
LAU      3
LHU      2
HLR      2
HHR      1
Name: category, dtype: int64

plt.figure(figsize = (8, 6))
plt.scatter(data['具有高中文凭的比率'], data['贫困线以下的儿童所占比例'])

<matplotlib.collections.PathCollection at 0x10fc7943dd8>

plt.figure(figsize = (8, 6))
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]
for i, category in enumerate(categories):
    plt.scatter('area', 'poptotal', 
                data=midwest.loc[midwest.category==category, :], 
                s=20, c=np.array(colors[i]).reshape(1, -1), 
                label=str(category))
plt.legend(fontsize = 12)

<matplotlib.legend.Legend at 0x10fc8aca9e8>

1. 中西部大部分地区教育情况和贫困情况处于平均水平
2. 蓝绿色的数据点代表教育水平低和贫困水平高，主要分布在图的左下且较为集中，人少地方也小，符合预期
   1. 有蓝绿色的数据点位于图的右上，人多且穷，需要重点观察，可以提取出来深入研究
   2. 假设LH的乡村多于LH的城市
3. 浅粉色的数据点代表教育水平高和贫困水平低，在图上的分布显示地狭人稠
   1. 假设HL的城市多余HL的乡村
4. 异常点：教育水平高，贫困水平也高（读书无用）；教育水平低，贫困水平也低（读书更没用了）
   1. 图例上只有HHR，没有HHU
   2. 图例上没有LLU和LLR

由于只取了十种颜色（tab10），所以省略了一些信息，需要更多的颜色显示图例，才能看出城市（U）和乡村（R）的区别

plt.figure(figsize = (10, 8))
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]
for i, category in enumerate(categories):
    plt.scatter('area', 'poptotal', 
                data=midwest.loc[midwest.category==category, :], 
                s=20, c=np.array(colors[i]).reshape(1, -1), 
                label=str(category))
plt.scatter('area', 'poptotal', 
            data=midwest.loc[midwest.category == 'LHU', :], 
            s = 150,
            facecolors = 'None', # 点的填充颜色，None代表透明
            edgecolors = 'red',  # 点的边框颜色
            label = 'Selected Urban')
plt.scatter('area', 'poptotal', 
            data=midwest.loc[midwest.category == 'LHR', :], 
            s = 150,
            facecolors = 'None', # 点的填充颜色，None代表透明
            edgecolors = 'y',  # 点的边框颜色
            label = 'Selected Rural')
plt.legend(fontsize = 12)

<matplotlib.legend.Legend at 0x10fca1ebd30>

教育水平低且贫困水平高的地区，多数是乡村；核心问题是乡村

plt.figure(figsize = (10, 8))
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]
for i, category in enumerate(categories):
    plt.scatter('area', 'poptotal', 
                data=midwest.loc[midwest.category==category, :], 
                s=20, c=np.array(colors[i]).reshape(1, -1), 
                label=str(category))
plt.scatter('area', 'poptotal', 
            data=midwest.loc[midwest.category == 'HLU', :], 
            s = 150,
            facecolors = 'None', # 点的填充颜色，None代表透明
            edgecolors = 'red',  # 点的边框颜色
            label = 'Selected Urban')
plt.scatter('area', 'poptotal', 
            data=midwest.loc[midwest.category == 'HLR', :], 
            s = 150,
            facecolors = 'None', # 点的填充颜色，None代表透明
            edgecolors = 'y',  # 点的边框颜色
            label = 'Selected Rural')
plt.legend(fontsize = 12)

<matplotlib.legend.Legend at 0x10fca296438>

plt.figure(figsize = (10, 8))
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]
for i, category in enumerate(categories):
    plt.scatter('area', 'poptotal', 
                data=midwest.loc[midwest.category==category, :], 
                s=20, c=np.array(colors[i]).reshape(1, -1), 
                label=str(category))
plt.scatter('area', 'poptotal', 
            data=midwest.loc[midwest.category == 'HHR', :], 
            s = 150,
            facecolors = 'None', # 点的填充颜色，None代表透明
            edgecolors = 'red',  # 点的边框颜色
            label = 'Selected Urban')
plt.legend(fontsize = 12)

<matplotlib.legend.Legend at 0x10fca31b668>

只有一个点教育水平高，贫困水平也高

midwest[midwest['category'] == 'HHR']

1 rows × 32 columns