AIPND综合绘图练习：7个实战案例巩固Matplotlib数据可视化技能

AIPND综合绘图练习7个实战案例巩固Matplotlib数据可视化技能【免费下载链接】AIPNDCode and associated files for the AI Programming with Python Nanodegree Program项目地址: https://gitcode.com/gh_mirrors/ai/AIPNDAIPNDAI Programming with Python纳米学位项目为初学者准备了一整套循序渐进的Matplotlib数据可视化实战练习7个精心设计的绘图案例覆盖条形图、直方图、散点图、热力图、小提琴图、分面图等主流图表配合宝可梦与汽车油耗两份真实数据集让你在动手实践中快速掌握 Python 绘图的完整技能栈。这套绘图练习好在哪零基础友好每个 notebook 都从读数据 → 画图 → 对照参考答案三个步骤展开跟着做就能学会。真实数据驱动练习全部基于 pokemon.csv宝可梦属性与 fuel_econ.csv汽车油耗两份趣味数据比干巴巴的示例数据好玩得多。难度螺旋上升从单变量图表条形图、直方图逐步过渡到双变量图表散点图、热力图最后挑战多变量分面图符合学习曲线。参考答案随手可查solutions_univ.py 和 solutions_biv.py 两个脚本里藏着全部练习题的标准答案卡壳时随时偷看。7大实战案例一览案例练习文件核心技能数据集案例一Bar_Chart_Practice.ipynb条形图与相对频率宝可梦案例二Histogram_Practice.ipynb直方图与分箱宝可梦案例三Scales_and_Transformations_Practice.ipynb坐标轴尺度变换宝可梦案例四Scatterplot_Practice.ipynb散点图与透明度汽车油耗案例五案例四配套任务热力图与颜色映射汽车油耗案例六Violin_and_Box_Plot_Practice.ipynb小提琴图与箱线图汽车油耗案例七Categorical_Plot_Practice.ipynb Additional_Plot_Practice.ipynb分类图与分面图汽车油耗案例一条形图实战——统计宝可梦世代数量 打开 Bar_Chart_Practice.ipynb第一关是统计每个世代generation_id引入了多少只宝可梦。用 seaborn 的countplot一行代码就能搞定。进阶任务更有意思把每只宝可梦的一号属性、二号属性融化成一列绘制按频率排序的相对频率条形图。这里藏着一个小陷阱——许多宝可梦有两种属性所以柱子的总和会超过 100%考虑分母时要格外小心。 要点当类别特别多时横向条形图往往比纵向更易读参考 solutions_univ.py 中的bar_chart_solution_2。案例二直方图实战——窥探特殊防御值分布Histogram_Practice.ipynb 让你绘制宝可梦特殊防御special-defense属性的直方图。练习的关键在于分箱bin宽度的调参bin 太小会噪声横生太大则淹没细节。用 numpy 的arange设置 5 为步长的箱边界就能看到一条平滑但右偏的曲线。案例三坐标尺度变换实战——应对偏态分布的秘诀Scales_and_Transformations_Practice.ipynb 是这套练习里最烧脑的一课任务一绘制宝可梦身高分布通过调整坐标轴范围xlim聚焦 6 米以内的主体数据任务二宝可梦体重从 0.1kg 到 999kg 跨度极大线性坐标下根本看不清。此时祭出对数坐标轴plt.xscale(log)配合0.1、0.3、1、3、10…自定义刻度分布形态立刻清晰起来。对数变换是 Matplotlib数据可视化 中处理长尾数据的核心武器强烈建议亲手跑一遍这个案例。案例四散点图实战——城市油耗 vs 高速油耗从 Scatterplot_Practice.ipynb 开始数据集切换为 fuel_econ.csv。任务是用散点图对比城市油耗city与高速油耗highway。上万条数据叠在一起会出现严重的重叠遮挡解决方案是给散点加上透明度参数alpha 1/8让数据密度显影出来。还能顺带发现有趣规律大多数车高速更省油但超过 45 mpg 的混动车反而市区更省这个异常趋势正是数据分析的乐趣所在。案例五热力图实战——引擎排量与CO2排放同一个 notebook 的第二关改用**热力图hist2d**探究引擎排量displ与 CO2 排放的关系。相比散点图热力图用颜色深浅表达单元格内的点数配合viridis_r颜色映射和 colorbar能直观看到排量越大、排放越高的主趋势线以及低排放区被高排量车打破的有趣细节。案例六小提琴图与箱线图实战——车辆类别对比引擎Violin_and_Box_Plot_Practice.ipynb 考察类别变量与数值变量的关系五个车辆级别迷你紧凑、紧凑、中型、大型等的引擎排量分布。这里推荐使用小提琴图——它融合了箱线图的分位数信息与密度曲线的形状信息。别忘了把车辆类别声明为有序分类变量CategoricalDtype否则图上的类别顺序会乱成一团。答案中甚至藏着冷知识紧凑型车的引擎中位数竟比更小的迷你紧凑型还低案例七分类图与分面图实战——制造商油耗全景对比最后两个 notebook 联合起来构成了大结局Categorical_Plot_Practice.ipynb 用聚类条形图对比不同车辆级别推荐汽油 vs 普通汽油的数量差异Additional_Plot_Practice.ipynb 挑战高难度任务筛选出至少 80 辆车的 18 个制造商用FacetGrid 分面图6 列 × 3 行逐个绘制综合油耗直方图再按平均油耗排序输出聚合条形图带标准差误差棒。这一课综合了数据筛选、分组聚合、排序和分面绘制完成它意味着你的 Matplotlib数据可视化 已经达到中级水平。延伸进阶从绘图到机器学习 画图只是数据科学的第一步。AIPND 项目里还有一个著名的图片分类实验intropylab-classifying-images要用 Python 调用 CNN 模型识别 40 张真实动物照片的品种入口脚本是 check_images.py通过命令行参数指定图片目录与模型架构vgg/resnet/alexnet就能对比不同 CNN 模型的分类准确率。学会绘图后再玩这个实验你会发现自己已经能画出模型评估的各类统计图表了。写在最后Matplotlib 是 Python 数据科学生态的地基而 AIPND 的这套绘图练习把枯燥的 API 学习变成了闯关游戏。建议按顺序完成 7 个案例每完成一个就在参考答案中对比思路差异。熟练之后你就能在真实项目中画出专业、清晰、有洞察力的数据图表了。开始你的绘图之旅吧【免费下载链接】AIPNDCode and associated files for the AI Programming with Python Nanodegree Program项目地址: https://gitcode.com/gh_mirrors/ai/AIPND创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考