13518219792
打開Python，使用import導入numpy和matplotlib.pyplot模塊。輸入函數數據，然后使用plt.show()展示繪制的圖像即可。
創新互聯公司主營銅川網站建設的網絡公司,主營網站建設方案,App定制開發,銅川h5微信小程序定制開發搭建,銅川網站營銷推廣歡迎銅川等地區企業咨詢
輸入以下代碼導入我們用到的函數庫。
import numpy as np
import matplotlib.pyplot as plt
x=np.arange(0,5,0.1);
y=np.sin(x);
plt.plot(x,y)
采用剛才代碼后有可能無法顯示下圖，然后在輸入以下代碼就可以了：
plt.show()
不寫出y=f(x)這樣的表達式，由隱函數的等式直接繪制圖像，以x2+y2+xy=1的圖像為例，使用sympy間接調用matplotlib工具的代碼和該二次曲線圖像如下（注意python里的乘冪符號是**而不是^，還有，python的sympy工具箱的等式不是a==b，而是a-b或者Eq(a,b)，這幾點和matlab的區別很大）
直接在命令提示行的里面運行代碼的效果
from sympy import *;
x,y=symbols('x y');
plotting.plot_implicit(x**2+y**2+x*y-1);
為避免中文顯示出錯，需導入matplotlib.pylab庫
1.2.1 確定數據
1.2.2 創建畫布
1.2.3 添加標題
1.2.4 添加x，y軸名稱
1.2.5 添加x，y軸范圍
1.2.6 添加x，y軸刻度
1.2.7 繪制曲線、圖例, 并保存圖片
保存圖片時，dpi為清晰度，數值越高越清晰。請注意，函數結尾處，必須加plt.show()，不然圖像不顯示。
繪制流程與繪制不含子圖的圖像一致，只需注意一點：創建畫布。
合理調整figsize、dpi，可避免出現第一幅圖橫軸名稱與第二幅圖標題相互遮蓋的現象.
2.2.1 rc參數類型
2.2.2 方法1：使用rcParams設置
2.2.3 方法2：plot內設置
2.2.4 方法3：plot內簡化設置
方法2中，線條形狀，linestyle可簡寫為ls；線條寬度，linewidth可簡寫為lw；線條顏色，color可簡寫為c，等等。
使用sklearn的一系列方法后可以很方便的繪制處ROC曲線，這里簡單實現以下。
主要是利用混淆矩陣中的知識作為繪制的數據（如果不是很懂可以先看看這里的基礎）：
tpr(Ture Positive Rate)：真陽率 圖像的縱坐標
fpr(False Positive Rate)：陽率（偽陽率） 圖像的橫坐標
mean_tpr：累計真陽率求平均值
mean_fpr：累計陽率求平均值
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.metrics import roc_curve, auc
from sklearn.model_selection import StratifiedKFold
iris = datasets.load_iris()
X = iris.data
y = iris.target
X, y = X[y != 2], y[y != 2] # 去掉了label為2，label只能二分，才可以。
n_samples, n_features = X.shape
# 增加噪聲特征
random_state = np.random.RandomState(0)
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]
cv = StratifiedKFold(n_splits=6) #導入該模型，后面將數據劃分6份
classifier = svm.SVC(kernel='linear', probability=True,random_state=random_state) # SVC模型 可以換作AdaBoost模型試試
# 畫平均ROC曲線的兩個參數
mean_tpr = 0.0 # 用來記錄畫平均ROC曲線的信息
mean_fpr = np.linspace(0, 1, 100)
cnt = 0
for i, (train, test) in enumerate(cv.split(X,y)): #利用模型劃分數據集和目標變量 為一一對應的下標
cnt +=1
probas_ = classifier.fit(X[train], y[train]).predict_proba(X[test]) # 訓練模型后預測每條樣本得到兩種結果的概率
fpr, tpr, thresholds = roc_curve(y[test], probas_[:, 1]) # 該函數得到偽正例、真正例、閾值，這里只使用前兩個
mean_tpr += np.interp(mean_fpr, fpr, tpr) # 插值函數 interp(x坐標,每次x增加距離,y坐標) 累計每次循環的總值后面求平均值
mean_tpr[0] = 0.0 # 將第一個真正例=0 以0為起點
roc_auc = auc(fpr, tpr) # 求auc面積
plt.plot(fpr, tpr, lw=1, label='ROC fold {0:.2f} (area = {1:.2f})'.format(i, roc_auc)) # 畫出當前分割數據的ROC曲線
plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck') # 畫對角線
mean_tpr /= cnt # 求數組的平均值
mean_tpr[-1] = 1.0 # 坐標最后一個點為（1,1） 以1為終點
mean_auc = auc(mean_fpr, mean_tpr)
plt.plot(mean_fpr, mean_tpr, 'k--',label='Mean ROC (area = {0:.2f})'.format(mean_auc), lw=2)
plt.xlim([-0.05, 1.05]) # 設置x、y軸的上下限，設置寬一點，以免和邊緣重合，可以更好的觀察圖像的整體
plt.ylim([-0.05, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate') # 可以使用中文，但需要導入一些庫即字體
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()
