python3绘图常用数据分析图形（热力图，雷达图，箱线图，平行坐标，3D图，混淆矩阵，饼状图）

刺骨的言语ヽ痛彻心扉 2022-04-08 10:56 776阅读 0赞

# 1.matplotlib.pyplot简介 #

> matplotlib.pyplot是一个有命令风格的函数集合，它**看起来和MATLAB很相似**。每一个pyplot函数都使一副图像做出些许改变，例如创建一幅图，在图中创建一个绘图区域，在绘图区域中添加一条线等等。在matplotlib.pyplot中，各种状态通过函数调用保存起来，以便于可以随时跟踪像当前图像和绘图区域这样的东西。**绘图函数是直接作用于当前axes**（matplotlib中的专有名词，图形中组成部分，不是数学中的坐标系。）

# 2.热力图 #

> **查看数据表中多个特征两两的相似度**。

## 2.1 函数接口 ##

> import seaborn as sns
> 
> **seaborn.heatmap(data, vmin=None, vmax=None,cmap=None, center=None, robust=False, annot=None, fmt=’.2g’, annot\_kws=None,linewidths=0, linecolor=’white’, cbar=True, cbar\_kws=None, cbar\_ax=None,square=False, xticklabels=’auto’, yticklabels=’auto’, mask=None, ax=None,\*\*kwargs)**

### 2.1.1 输入数据 ###

> **data**: 矩阵数据集，可以是numpy的数组（array），也可以是pandas的DataFrame。如果是DataFrame，则df的index(行标)/column(列标)信息会分别对应到heatmap的columns和rows，即pt.index是热力图的行标，pt.columns是热力图的列标

## 2.1.2 热力图矩阵块颜色设置 ##

> **vmin\\vmax**: 热力图的颜色取值最大和最小范围，默认是根据data数据表里的取值确定
> 
> **cmap**: 从数字到色彩空间的映射，取值是matplotlib包里的colormap名称或颜色对象，或者表示颜色的列表；改参数默认值：根据center参数设定
> 
> **center**: 数据表取值有差异时，设置热力图的色彩中心对齐值；通过设置center值，可以调整生成的图像颜色的整体深浅；设置center数据时，如果有数据溢出，则手动设置的vmax、vmin会自动改变
> 
> **robust**: 默认取值False；如果是False，且没设定vmin和vmax的值，热力图的颜色映射范围根据具有鲁棒性的分位数设定，而不是用极值设定

### 2.1.3 矩阵块注释参数 ###

> **annot**: 矩阵块是(True)否(False)写入数据。如果是矩阵，在热力图每个方格写入该矩阵对应位置数据
> 
> **fmt**: 字符串格式代码，矩阵上标识数字的数据格式，比如保留小数点后几位数字
> 
> **annot\_kws**: 默认取值False；如果是True，设置热力图矩阵上数字的大小颜色字体，matplotlib包text类下的字体设置

### 2.1.4 矩阵块间隔与间隔线 ###

> **linewidths**:定义热力图里“表示两两特征关系的矩阵小块”之间的间隔大小（块之间的间隔）
> 
> **linecolor**:切分热力图上每个矩阵小块的线的颜色，默认值是’white’（切分矩阵块的线的颜色）

### 2.1.5 侧边颜色刻度条设置 ###

> **cbar**: True.矩阵侧边绘制颜色刻度条
> 
> **cbar\_kws**: 侧边颜色刻度条字号，字体，颜色等的设置
> 
> **cbar\_ax**: 侧边颜色条位置设置

### 2.1.6 其他设置 ###

> **square**: 设置热力图矩阵小块形状，默认值是False
> 
> **xticklabels, yticklabels**: xticklabels控制每列标签名的输出；yticklabels控制每行标签名的输出。默认值是auto。如果是True，则以DataFrame的列名作为标签名。如果是False，则不添加行标签名。如果是列表，则标签名改为列表中给的内容。如果是整数K，则在图上每隔K个标签进行一次标注。 如果是auto，则自动选择标签的标注间距，将标签名不重叠的部分(或全部)输出
> 
> **mask**: 控制某个矩阵块是否显示出来。默认值是None。如果是布尔型的DataFrame，则将DataFrame里True的位置用白色覆盖掉
> 
> **ax**: 设置作图的坐标轴，一般画多个子图时需要修改不同的子图的该值  
> **\*\*kwargs**:All other keyword arguments are passed to ax.pcolormesh

## 2.2 实战代码（特征筛选） ##

import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    import seaborn as sns
    
    
    
    # ====热力图
    data = pd.read_csv("data/all_data_standard.csv", encoding="utf-8")
    data.drop_duplicates()
    data.columns = [i for i in range(data.shape[1])]
    
    # 计算两两属性之间的皮尔森相关系数
    corrmat = data.corr()
    f, ax = plt.subplots(figsize=(12, 9))
    
    # 返回按“列”降序排列的前n行
    k = 16
    cols = corrmat.nlargest(k, data.columns[15]).index
    
    # 返回皮尔逊积矩相关系数
    cm = np.corrcoef(data[cols].values.T)
    sns.set(font_scale=1.25)
    hm = sns.heatmap(cm, cbar=True, annot=True, square=True, fmt=".2f", annot_kws={"size": 10}, yticklabels=cols.values, xticklabels=cols.values)
    
    plt.ylabel("features", fontsize=15)
    plt.xlabel("features", fontsize=15)
    plt.title("Thermal map", fontsize=15)
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70][]

# 3.雷达图（聚类特征描述） #

## 3.1 雷达图说明 ##

> 1.雷达图作用是把信息在多个轴上进行评估，从而知道哪个轴数据表现优秀
> 
> 2.还可用于对聚类后结果的特征描述。

## 3.2 函数接口 ##

> 正常的plot图像不作过多解释，直接上代码

### 3.3 雷达图方法一 ###

import pandas as pd
    import numpy as np
    import seaborn as sns
    From sklearn.cluster import KMeans
    
    
    # ==========绘制聚类结果雷达图
    df_features = pd.read_csv("real_data.csv", encoding="utf-8")
    
    # 构建聚类模型
    estimater = KMeans(n_clusters=3)
    estimater = estimater.fit(X=data)
    
    # 统计样本属性个数
    N = len(estimater.cluster_centers_[0])
    
    # 将360度N等分，注意：要首位相接
    angles = np.linspace(0, 2*np.pi, N, endpoint=False)
    angles = np.concatenate((angles, [angles[0]]))
    
    # 画布上构建子图
    fig = plt.figure(figsize=(7, 7))
    ax = fig.add_subplot(111, polar=True)
    Sam = ["r", "g", "b"]
    
    # 待显示的图例标签
    lab = []
    
    # 遍历所有聚类中心
    for i in range(len(estimater.cluster_centers_)):
        values = estimater.cluster_centers_[i]
        features = data.columns
        values = np.concatenate((values, [values[0]]))
        ax.plot(angles, values, Sam[i], linewidth=2)
    
        # 颜色填充
        # ax.fill(angles, values, alpha=0.25)
    
        # 摆放特征名称
        ax.set_thetagrids(angles*180/np.pi, features)
    
        # 显示轴网络
        ax.grid(True)
        lab.append("customer"+str(i))
    plt.title("title")
    
    # 显示图例
    plt.legend(lab)
    plt.show()

### 3.4 雷达图方法二 ###

> **pygal**
> 
> 一个python svg图形绘图库。免费的第三方库，可自由进行修改，但没有任何保证。内部提供的是一些绘图的接口（条形图，堆积条形图，点状图，漏斗图，箱型图，仪表图，实心仪表，直方图，水平条形图，水平堆积条形图，线性图，水平线图，堆积线图，水平堆积线图，饼图，水平金字塔图，垂直金字塔图，雷达图，日期横坐标xy图，DateTime横坐标xy图，时间横坐标xy图，TimeDelta横坐标xy图，树状图，XY线图，），可直接进行绘图，相对于pyplot要简便一些。

import matplotlib.pyplot as plt
    import pandas as pd
    import pygal as pg
    
    
    centers = [[55.46, 0.82, 30.06],
               [10.33, 0.88, 30.18],
               [10.71, 0.75, 29.84]]
    df_features = pd.DataFrame(centers)
    df_features.columns = ["a", "b", "c"]
    df_features.index = ["aa", "bb", "cc"]
    
    # 构建雷达图对象
    radar_chart = pg.Radar()
    
    # 设置雷达图标题
    radar_chart._title = "Rader graph"
    
    # 设置雷达图x轴标签
    radar_chart.x_labels = df_features.index
    
    # 在图中添加对象
    radar_chart.add("customer1", centers[0])
    radar_chart.add("customer2", centers[1])
    radar_chart.add("customer3", centers[2])
    
    # 将图写入文件（可浏览器打开）
    radar_chart.render_to_file('bar_chart.svg')

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 1][]

# 4.箱线图 #

> [https://www.jianshu.com/p/b2f70f867a4a][https_www.jianshu.com_p_b2f70f867a4a]

## 4.1 箱线图简介 ##

> 箱线图是一种用作显示一组数据分散情况的统计图。常用于品质管理。主要用于反应原始数据的分布特征，还可进行多组数据分布特征的比较。从箱线图中可找出**最大值**、**最小值**、**中位数**、**下四分位数(25%)**、**上四分位数(75%)**、**异常值**。
> 
> ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 2][]
> 
> 注意：区间\[Q1-1.5△Q, Q3+1.5△Q\]之外的数据值被认为是异常值，应当被忽略。

## 4.2 第一种实现方式 ##

> 通过matplotlib.pyplot实现
> 
> **plt.boxplot**(**x**, **whis=None**, **labels=None**)
> 
> 参数：
> 
> **x**: 输入数据。数组(array)或容器的序列(a sequence of vectors)
> 
> **whis**: 浮点型，序列、字符串（默认为1.5）。调整的是判断异常值式(Q3-Q1)所占的权重
> 
> **labels**: 序列(sequence)。并且，长度必须与数据集的维度相同。
> 
> ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 3][]

import matplotlib.pyplot as plt
    import pandas as pd
    
    
    array = dataFile.iloc[:, 10:15].values
    
    plt.rcParams["axes.unicode_minus"] = False
    plt.rcParams["font.sans-serif"] = "SimHei"
    
    plt.boxplot(x=array, labels=["one", "two", "three", "four", "five"], whis=1.5)
    plt.xlabel("Attribute")
    plt.ylabel("Score")
    plt.show()

## 4.3 第二种实现方式 ##

> pandas自带的画图工具(图片感觉不美观)
> 
> **DataFrame.boxplot**(grouped, subplots=True, **column=None**, **fontsize=None**, **rot=0**, **grid=True**, ax=None, **figsize=None**, layout=None, \*\*kwds)
> 
> plt.show()
> 
> 参数：
> 
> **column**: 待绘制箱线图的属性列。列名(字符串)、列表、容器。
> 
> **fontsize**: 图中文字大小。整形(int)或字符型(str)
> 
> **rot**: xlabels倾斜的角度。整形(int: 正负均可)、浮点型(float)、字符串(str)
> 
> **grid**: 是否显示图片中的网格。默认为True
> 
> **figsize**: 图片大小。元组 -> (长，宽)
> 
> ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 4][]

import pandas as pd
    import matplotlib.pyplot as plt
    
    
    dataFile = pd.read_csv("dataTest.csv", header=None, prefix="V")
    dataFile = dataFile.iloc[:, 10:15]
    dataFile.boxplot(column="V10", fontsize="22", rot=45)
    plt.show()

## 4.4 第三种方式实现 ##

> from pylab import \*
> 
> boxplot(**x**, **whis=None**, **labels=None**)
> 
> 参数：
> 
> **x**: 绘制箱线图的属性列数据。array
> 
> **whis**: 判断异常值时的权重 \[Q1-whis \* △Q, Q3+whis \* △Q\]
> 
> **labels**: xlabels的名称。列表，长度应当与绘图数据的属性个数相同
> 
> show()
> 
> ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 5][]

from pylab import *
    import matplotlib.pyplot as plt
    import pandas as pd
    
    
    dataFile = pd.read_csv("dataTest.csv", header=None, prefix="V")
    dataFile = dataFile.iloc[:, 10:15]
    
    boxplot(dataFile.values, whis=0.5, labels=["V10", "V11", "V12", "V13", "V14"])
    show()

# 5. 平行坐标 #

> 平行坐标是一种比较常见的可视化方法，**用于对高纬集合和多元数据的可视化**。平行坐标为了表示在高纬空间中的一个点集，在N条平行的线的背景下（一般这N条线都竖直且等距），一个在高纬空间的点被表示为一条拐点在N条平行坐标轴的折线，在第K个坐标轴的位置就表示这个点在第K纬的值，平行坐标是信息可视化的一种重要技术。
> 
> ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 6][]

import matplotlib.pyplot as plt
    import pandas as pd
    import numpy as np
    
    
    df_features = pd.read_csv("dataTest.csv", encoding="utf-8", header=None, prefix="V")
    
    summary = df_features.describe()
    minRings = -1
    maxRings = 99
    nrows = 10
    
    for i in range(nrows):
        dataRow = df_features.iloc[i, 1:10]
        labelColor = (df_features.iloc[i, 10] - minRings)/(maxRings - minRings)
        # dataRow.plot(colors=plt.cm.RdY1Bu(labelColor), alpha=0.5)
        dataRow.plot(alpha=0.5)
    
    plt.xlabel("Attribute")
    plt.ylabel("Score")
    plt.show()

# 6.3D表面图 #

## 6.1 所需第三方库 ##

> from mpl\_toolkits.mplot3d import **Axes3D**
> 
> mplot3d模块中的Axes3D绘图类
> 
> from matplotlib.**ticker** import **LinearLocator**, **FormatStrFormatter**
> 
> ticker模块主要提供“刻度的划分”和“刻度值的格式化”
> 
> matplotlib包中ticker模块中LinearLocator类（刻度划分）和FormatStrFormatter类（使用“%”来格式化轴刻度值）from matplotlib import **cm**
> 
> matplot内置的色彩映射模块

## 6.2 重点函数 ##

> ①ax = **Axes3D**(**fig**)：将matplotlib.figure.Figure对象转换成rect=\[left, bottom, width, height\]的3D对象
> 
> ②np.**meshgrid**(**\*xi**, **indexing**, **sparse**, **copy**, **\*\*kwargs**)：将坐标向量转换成坐标矩阵
> 
> 【参数】
> 
> **\*xi**：表示网格坐标的一维数组
> 
> **indexing**：设置输出索引的形式。（笛卡尔("xy")和矩阵("ij")）
> 
> **sparse**: 默认为False.若为True,则为节省内存返回稀疏网格
> 
> **copy**: 默认为True.若为False, 则为节省内存返回原始数组。(sparse=False, copy=False很有可能返回非连续数组)
> 
> 【调整结果展示】![20181229101456415.png][]
> 
> ①x1：向下拓展
> 
> ![20181229101352624.png][]
> 
> ②x2:向右拓展
> 
> ![20181229101427925.png][]
> 
> ③组合成(x1, x2)坐标，并将其定位；
> 
> ④将(x1, x2)带入f中求解出对应的Z轴数值
> 
> ③Axes3d.**plot\_surface**(x, y, z, rcount, ccount, rstride, cstride, color, cmap, facecolors, norm, vmin, vmax, shade, \*kwargs): 创建表面图
> 
> 【参数】
> 
> **x, y, z**: 二维数组
> 
> **rcount, ccount**: 每个方向上的最大样本数。默认为50
> 
> **rstride, cstride**: 同rcount 和 ccount的作用都是为了精简坐标轴不同方向的样本数量，因此不能同时设置。默认为10.
> 
> **color**: 表面贴片的颜色surface patches
> 
> **cmap**: 表面贴片的颜色映射 Colormap
> 
> **facecolors**: 每个小块的颜色（list形式）
> 
> **norm, vmin, vmax**: 颜色映射标准化,标准化的下限和上限
> 
> **shade**: 是否给表面的颜色打上阴影
> 
> **linewidth**: 线条的宽度
> 
> **antialiased**： 是否平滑(True or False)

# ==========python绘制3D表面图（3维图）
    # class Axes3D: 3D绘图类
    # module ticker： 提供 ”刻度的定位“ 及 ”刻度的格式化“
    # class LinearLocator: 刻度划分
    # class FormatStrFormatter: 使用“%”来格式化轴刻度值
    # module cm: 内置的色彩映射模块
    from mpl_toolkits.mplot3d import Axes3D
    import matplotlib.pyplot as plt
    from matplotlib.ticker import LinearLocator, FormatStrFormatter
    import numpy as np
    from matplotlib import cm
    
    
    fig = plt.figure(figsize=(10, 8))
    
    # 将matplotlib.figure.Figure对象转换成rect=[left, bottom, width, height]的3D对象
    ax = Axes3D(fig=fig)
    
    X = np.arange(-5, 5, step=0.1)
    Y = np.arange(-5, 5, step=0.1)
    
    # np.meshgrid: 坐标向量转变为坐标矩阵
    X, Y = np.meshgrid(X, Y, indexing="xy", sparse=True, )
    R = np.sqrt(X**2 + Y**2)
    Z = np.cos(R)
    
    # ax.plot_surface: 创建表面图
    # ax.set_zlim: 设置3D图中z轴的数值
    # ax.zaxis: 初始化3D轴
    # LinearLocator(numticks=10): 将z轴刻度划分为10部分
    # FormatStrFormatter("%.2f")：z轴刻度值表里路两位小数
    surf = ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap("rainbow"), linewidth=0, antialiased=False)
    ax.set_zlim(-1.01, 1.01)
    ax.xaxis.set_major_locator(LinearLocator(numticks=10))
    ax.xaxis.set_major_formatter(FormatStrFormatter("%.1f"))
    ax.yaxis.set_major_locator(LinearLocator(numticks=10))
    ax.yaxis.set_major_formatter(FormatStrFormatter("%.1f"))
    ax.zaxis.set_major_locator(LinearLocator(numticks=10))
    ax.zaxis.set_major_formatter(FormatStrFormatter("%.1f"))
    
    # fig.colorbar: 创建颜色栏
    # shrink: 颜色条长度的收缩比
    # aspect: 颜色条宽度
    fig.colorbar(surf, aspect=5, shrink=0.5)
    plt.show()

# 7.绘制混淆矩阵 #

> 混淆矩阵是机器学习当中一中评价模型分类效果的方法，通过决策矩阵就可计算出单分类的准确率（accuracy）、查全率、查准率、召回率（recall\_score）和F1-score等。

from sklearn.metrics import confusion_matrix    # 生成混淆矩阵函数
    import matplotlib.pyplot as plt    # 绘图库
    import numpy as np
    import tensorflow as tf
    
    
    def plot_confusion_matrix(cm, labels_name, title):
        # 归一化
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
        # 在特定的窗口上显示图像
        plt.imshow(cm, interpolation='nearest')
        plt.title(title)
        
        # 标度条
        plt.colorbar()
    
        num_local = np.array(range(len(labels_name)))
        # 设定x轴标签
        # rotation:为标签的旋转角度   
        plt.xticks(num_local, labels_name, rotation=90)
        plt.yticks(num_local, labels_name)  
        plt.ylabel('True label')    
        plt.xlabel('Predicted label')
    
        plt.show()
    
    
    # 此处混淆矩阵为模型实际生成值，因此，此处只给出模型的计算结果
    pred_y = session.run(tf.argmax(y_, 1), feed_dict={X: test_x})
    cm = confusion_matrix(np.argmax(test_y, 1), pred_y,)
    print(cm)
    # [[100   1   0   1   6   0   0]
    #  [  2 111   3   0   2   1  24]
    #  [  0   2  68   5   4   3   2]
    #  [  2   0   1 120   7  26   0]
    #  [  2   5   3   2 120  11  14]
    #  [  2   0   2  12   8 115   1]
    #  [  2  25   0   1  14   4 302]]
    
    # 调用绘制混淆矩阵的函数
    plot_confusion_matrix(cm, labels_name, "HAR Confusion Matrix")

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2thbmU3Y3Nkbg_size_16_color_FFFFFF_t_70][]

#  8.饼状图 #

import matplotlib.pyplot as plt
    import numpy as np
    
    
    plt.rcParams["font.sans-serif"] = ["SimHei"]
    plt.rcParams["axes.unicode_minus"] = False
    
    labels = ["鸭子", "狗子", "牛子", "猪子"]
    values = [15, 30, 45, 10]
    explode = (0, 0.1, 0, 0)
    
    plt.figure(figsize=(6, 3))
    plt.pie(x=values, explode=explode, labels=labels, autopct="%1.1f")
    
    # 获取或设置轴属性的便捷方法
    # equal: 保持图形的形状，不会随着x或者y的拉伸而拉伸
    plt.axis("equal")
    
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 7][]

# 9.3D散点图 #

# ! /usr/bin/env python
    # coding:utf-8
    # python interpreter:3.6.2
    # author: admin_maxin
    import matplotlib.pyplot as plt
    import pandas as pd
    import numpy as np
    from sklearn.cluster import KMeans
    from sklearn import preprocessing
    from mpl_toolkits.mplot3d import Axes3D
    from matplotlib import cm
    plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置显示字体
    plt.rcParams["axes.unicode_minus"] = False  # 设置正常显示符号
    
    data = pd.read_csv("data1.csv", encoding="utf-8", header=0, index_col=0)
    X = data
    # X = preprocessing.minmax_scale(X)
    # X = pd.DataFrame(X)
    
    # 构造聚类模型
    estimator = KMeans(n_clusters=3)
    estimator.fit(X)
    label_pred = estimator.labels_
    
    # 绘制k-means结果
    x0 = X[label_pred == 0]
    x1 = X[label_pred == 1]
    x2 = X[label_pred == 2]
    # x3 = X[label_pred == 3]
    
    # 绘制三维散点图
    fig = plt.figure()
    # ax = fig.add_subplot(111, projection='3d')
    ax = Axes3D(fig)
    
    # x，y,s要求是list等的array_list类型的数据
    ax.scatter(list(x0.iloc[:, 0]), list(x0.iloc[:, 1]), list(x0.iloc[:, 2]), c="red", marker='o', label='label0')
    ax.scatter(list(x1.iloc[:, 0]), list(x1.iloc[:, 1]), list(x1.iloc[:, 2]), c="green", marker='*', label='label1')
    ax.scatter(list(x2.iloc[:, 0]), list(x2.iloc[:, 1]), list(x2.iloc[:, 2]), c="blue", marker='+', label='label2')
    # ax.scatter(list(x3.iloc[:, 0]), list(x3.iloc[:, 1]), list(x3.iloc[:, 2]), c="pink", marker='x', label='label3')
    
    ax.set_xlabel('属性个数')
    ax.set_ylabel('标签个数')
    ax.set_zlabel('样本量')
    
    data["label"] = "0"
    for i in range(data.shape[0]):
        data.iloc[i, 3] = list(estimator.labels_)[i]
    data.to_csv("mydata.csv", sep=",", header=True, index=True, encoding="utf-8")
    
    plt.legend()
    plt.show()

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70]: /images/20220406/0a3208cb8e484ba09f1313b1544ad3d7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 1]: /images/20220406/f42bb9c87de6422fbd1d422c235e03fa.png
[https_www.jianshu.com_p_b2f70f867a4a]: https://www.jianshu.com/p/b2f70f867a4a
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 2]: /images/20220406/8688daaed626496fb2ef13a54f1d4a94.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 3]: /images/20220406/c9bf132be0b04386b4f5c2156221cc76.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 4]: /images/20220406/4bc4b6da88cf4f648a5fe48d5b898787.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 5]: /images/20220406/22601a0d38ea436eae2467f4401ede0a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 6]: /images/20220406/6d2f36ea038a4c4c918e5f7e2fcbdbdd.png
[20181229101456415.png]: /images/20220406/4296ccb4d4464be68383d0cb71c007fb.png
[20181229101352624.png]: /images/20220406/2c08ef4d70324e2ebda19006fe3cfdf3.png
[20181229101427925.png]: /images/20220406/2ef179cd500242daa835f19e9cef9414.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2thbmU3Y3Nkbg_size_16_color_FFFFFF_t_70]: /images/20220406/7ab58d689b21499da1b36288c4833f9a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 7]: /images/20220406/5c0a16a3e0cf4bd7a7e1a6a6b89a1aba.png