file = "iris.csv"
import pandas as pd # 数据读取类库
# header指定文件是否有表头
df = pd.read_csv(file, header = None)
# 显示文件前十行
df,head(10)
import matplotlib.pyplot as plt
import numpy as np
# 得到数据前一百行的第五列
y = df.loc[0:100, 4].values
print(y)
# 将字符串转化为数字
y = np.where(y == 'Iris-setosa', -1, 1)
# 抽取数据第0列和第2列
x = df,iloc[0:100, [0, 2]].values
# scatter散列点绘图
plt.scatter(x[:50, 0], x[:50, 1], color='red', marker='o', label='setosa')
plt.scatter(x[50:100, 0], x[50:100, 1], color='blue', marker='x', label='versicolor')
plt.xlabel('花瓣长度')
plt.ylabel('花茎长度')
plt.legend(loc='upper left')
plt.show()

numpy的库 调用里面的函数 where（）

panda数据分析库
df = pd.read_csv(file , header = None)
df.head(10) 读取10行
df.loc[0:100 , 4].values 读取0到100行的第四列数据
iloc主要使用数字来索引数据，而不能使用字符型的标签来索引数据
而loc则刚好相反，只能使用字符型标签来索引数据，不能使用数字
来索引数据

plt.scatter绘制散点图
plt.scatter(X[:50 , 0] , X[:50 , 1] , color='red' , marker='o')
前50列数据，x轴为0列，y轴为1列数据,画出的点为红圈

file=""
import pandas as pd
import matplotlib.pyplot  as plt
import numpy as np
df=pd.read_cvs(flie,header=none)//文件第一行即数据第一行

y=df.loc[0:100,4].values//读取数据，将0-100行数据的第四列，作为输出y（vector）
y=np.where(y=="",1,-1)//将输出字符串转化成数字
x=df.loc[0:100,[0,2]].values//第0列和第2列作为输入抽取出来

plt.scatter(x[:50,0],x[:50,1],color='red',marker='o',label="xxx")
plt.scatter(x[50:100,0],x[50:100,1],color='blue',marker='x',label="yyy")
plt.xlabel('lll')
plt.ylabel('mmm')
plt.legend(loc='upper left')//设置图例属性
plt.show()

数据解析和可视化

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

df = pd.read_csv(file, header=None)
y = df.loc[0:100, 4].values
y = np.where(y == 'Iris-setosa', -1, 1)
X = df.iloc[0:100, [0, 2]].values
plt.scatter(X[:50, 0], X[:50, 1], color='red', marker='o', label='setosa')
plt.scatter(X[50:100, 0], X[50:100, 1], color='blue', marker='x', label='versicolor')
plt.xlabel('花瓣长度')
plt.ylabel('花茎长度')
plt.legend(loc='upper left')
plt.show()

数据分类（将预测的数据输入到神经网络中，以图形方式绘制）

from matplotlib.colors import ListedColormap
def plot_decision_regions(X, y, classifier, resolution=0.02):
    marker = ('s', 'x', 'o', 'v')
    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
    cmap = ListedColormap(colors[:len(np.unique(y))])
    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max()
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max()
    #将x1、x2最大最小值通过arange函数得到的向量，扩展成两个二维矩阵
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))
    #预测
    Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T) #ravel还原成单维向量
    #绘制
    Z= Z.reshape(xx1.shape) #将Z转换成与xx1一样的二维数组
    plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap) #在两组分类结果中间画分割线-->必须线性可分
    plt.xlim(xx1.min(), xx1.max())
    plt.ylim(xx2.min(), xx2.max())
    for idx, cl in enumerate(np.unique(y)):
        plt.scatter(x=X[y==cl, 0], y=X[y==cl, 1], alpha=0.8, c=cmap(idx), marker=markers[idx], label=cl)