Python画图示例（1） 一维数据集绘图

Python画图示例（2） 二维数据集绘图

Python画图示例（3） 其他绘图样式,散点图,直方图等

Python画图示例（4） 3D绘图

目录

 

1、用 Numpy ndarray 作为数据传入 ply

2.操纵坐标轴和增加网格及标签的函数

3.plt.xlim 和 plt.ylim 设置每个坐标轴的最小值和最大值

4. 添加标题和标签 plt.title, plt.xlabe, plt.ylabel 离散点, 线

 

1、用 Numpy ndarray 作为数据传入 ply

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

np.random.seed(1000)
y = np.random.standard_normal(10)
x = range(len(y))

plt.plot(y)
plt.show()



2.操纵坐标轴和增加网格及标签的函数

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

np.random.seed(1000)
y = np.random.standard_normal(10)
plt.plot(y.cumsum())
plt.grid(True) ##增加格点
plt.axis('tight') # 坐标轴适应数据量 axis 设置坐标轴
plt.show()



3.plt.xlim 和 plt.ylim 设置每个坐标轴的最小值和最大值

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

np.random.seed(1000)
y = np.random.standard_normal(20)
plt.plot(y.cumsum())
plt.grid(True) ##增加格点
plt.xlim(-1,20)
plt.ylim(np.min(y.cumsum())- 1, np.max(y.cumsum()) + 1)

plt.show()



4. 添加标题和标签 plt.title, plt.xlabe, plt.ylabel 离散点, 线



 

 

 

 

KL散度

KL 散度是一种衡量两个概率分布的匹配程度的指标，两个分布差异越大，KL散度越大。

定义：



其中 p(x) 是真实分布，q(x)是目标分布（建模目标分布），如果两个分布完全匹配，那么



 

 第一组：数据集为采集100个人的年龄，为以下表格所示，我们使用KL散度去研究最符合的分布类型。

age
			
0
			
1
			
2
			
3
			
4
			
5
			
6
			
7
			
8
			
9
			
10
			
总数
		
count
			
3
			
6
			
7
			
11
			
13
			
18
			
15
			
11
			
7
			
5
			
4
			
100
		
尝试1：使用均匀分布建立模型

可视化为：黄色的为建立的目标均匀分布模型，与蓝色真实分布的对比。



 

尝试2：使用高斯分布建立模型

可视化为：（红色虚线是相同与拟合的一条正态分布曲线，蓝色条形图为概率密度）：



计算分析 ：

如何判断真实分布更接近均匀分布还是高斯分布，用肉眼看是很不准确的，用KL散度来衡量真实分布去匹配目标分布所损失的信息量。所以能够将模型量化去比较从而判断出接近哪种分布。

1、计算与均匀分布的KL散度：

import numpy as np
import math
count=np.array([3,6,7,11,13,18,15,11,7,5,4])
count_rate=count/100
balance_rate=1/11
sum=0
for i in range(11):
    sum+=count_rate[i]*math.log(count_rate[i]/balance_rate)
print(sum)

计算结果为：0.12899493763053263

 

2、计算与高斯分布的KL散度：


def gaosi(x):
    mu=5.03
    sigma=2.4349743325135895
    t1=1/(sigma*math.sqrt(2*math.pi))
    t2=((x-mu)**2)/(2*sigma*sigma)
    return math.exp(-1*t2)*t1

count=np.array([3,6,7,11,13,18,15,11,7,5,4])
count_rate=count/100

sum=0
for i in range(11):
    sum+=count_rate[i]*math.log(count_rate[i]/gaosi(i))
print(sum)

计算结果为：0.03997441345364968

 

结论：

在只考虑均匀分布模型与高斯分布模型的情况下，用本身去拟合目标模型时，匹配高斯分布所损失的信息量最少，计算发现该数据集的分布更符合高斯分布。

Python画图示例（1） 一维数据集绘图

Python画图示例（2） 二维数据集绘图

Python画图示例（3） 其他绘图样式,散点图,直方图等

Python画图示例（4） 3D绘图

目录

1.两个数据集绘图

2.添加图例 plt.legend(loc = 0)

3.使用2个 Y轴(左右)fig, ax1 = plt.subplots() ax2 = ax1.twinx()

4.使用两个子图(上下,左右)plt.subplot(211)

5.左右子图

1.两个数据集绘图

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

np.random.seed(2000)
y = np.random.standard_normal((10, 2))
plt.figure(figsize=(7,5))
plt.plot(y, lw = 1.5)
plt.plot(y, 'ro')
plt.grid(True)
plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.title('A simple plot')
plt.show()



2.添加图例 plt.legend(loc = 0)

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

np.random.seed(2000)
y = np.random.standard_normal((10, 2))
plt.figure(figsize=(7,5))
plt.plot(y[:,0], lw = 1.5,label = '1st')
plt.plot(y[:,1], lw = 1.5, label = '2st')
plt.plot(y, 'ro')
plt.grid(True)
plt.legend(loc = 0) #图例位置自动
plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.title('A simple plot')
plt.show()



3.使用2个 Y轴(左右)fig, ax1 = plt.subplots() ax2 = ax1.twinx()

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

np.random.seed(2000)
y = np.random.standard_normal((10, 2))

fig, ax1 = plt.subplots() # 关键代码1 plt first data set using first (left) axis

plt.plot(y[:,0], lw = 1.5,label = '1st')

plt.plot(y[:,0], 'ro')
plt.grid(True)
plt.legend(loc = 0) #图例位置自动
plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.title('A simple plot')

ax2 = ax1.twinx()  #关键代码2  plt second data set using second(right) axis
plt.plot(y[:,1],'g', lw = 1.5, label = '2nd')
plt.plot(y[:,1], 'ro')
plt.legend(loc = 0)
plt.ylabel('value 2nd')
plt.show()



4.使用两个子图(上下,左右)plt.subplot(211)

通过使用 plt.subplots 函数,可以直接访问底层绘图对象,例如可以用它生成和第一个子图共享 x 轴的第二个子图.

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

np.random.seed(2000)
y = np.random.standard_normal((10, 2))

plt.figure(figsize=(7,5))
plt.subplot(211)  #两行一列,第一个图
plt.plot(y[:,0], lw = 1.5,label = '1st')
plt.plot(y[:,0], 'ro')
plt.grid(True)
plt.legend(loc = 0) #图例位置自动
plt.axis('tight')
plt.ylabel('value')
plt.title('A simple plot')


plt.subplot(212) #两行一列.第二个图
plt.plot(y[:,1],'g', lw = 1.5, label = '2nd')
plt.plot(y[:,1], 'ro')
plt.grid(True)
plt.legend(loc = 0)
plt.xlabel('index')
plt.ylabel('value 2nd')
plt.axis('tight')
plt.show()



5.左右子图

有时候,选择两个不同的图标类型来可视化数据可能是必要的或者是理想的.利用子图方法:

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

np.random.seed(2000)
y = np.random.standard_normal((10, 2))

plt.figure(figsize=(10,5))
plt.subplot(121)  #两行一列,第一个图
plt.plot(y[:,0], lw = 1.5,label = '1st')
plt.plot(y[:,0], 'ro')
plt.grid(True)
plt.legend(loc = 0) #图例位置自动
plt.axis('tight')
plt.xlabel('index')
plt.ylabel('value')
plt.title('1st Data Set')

plt.subplot(122)
plt.bar(np.arange(len(y)), y[:,1],width=0.5, color='g',label = '2nc')
plt.grid(True)
plt.legend(loc=0)
plt.axis('tight')
plt.xlabel('index')
plt.title('2nd Data Set')
plt.show()



 

 

 

 
三维点云数据，三维深度学习
 
 
1.ShapeNet
 

 ShapeNet是一个丰富标注的大规模点云数据集，其中包含了55中常见的物品类别和513000个三维模型。
 
2.ShapeNetSem
 
这是一个小的数据库，包含了270类的12000个物体。
 
 
3.ModelNet
 

 ModelNet总共有662中目标分类，127915个CAD，以及十类标记过方向朝向的数据。
 其中包含了三个子集：
 
ModelNet10为十个标记朝向的子集数据；
ModelNet40为40个类别的三维模型；
Aligned40：40类标记的三维模型。
 
 
4.PASCAL3D+
 
其中包含了12中刚体分类，每一类超过了3000个实例。并且包含了对应的imageNet中每一类的图像。
 
 
4-0. ABC dataset
 
大型三维仿真数据集，[paper]
 
 
4-1.佐治亚理工大型几何模型数据集
 

 
 
4-2.斯坦福大学计算机图形学实验室三维数据集
 三维扫描数据集
 以及另一个雕塑数据
 
 
 
5.斯坦福计算机视觉和几何实验室数据集
 

 这一实验室提供了多个三维数据集，包括：
 
ObjectNet3D:100类, 90127张图像, 其中有201888个物体和44147 个3D 形状；
城市街景三维数据库
Stanford 2D-3D-Semantics Dataset (2D-3D-S):大型建筑物内部平面语义图–3D图数据集，包含了RGB图，二维语义、深度和三维网格语义以及表面法向量。
 此外还包含了无人机监控、多视角tracking、街景等数据库。
 
5.SUN3D
 
普林斯顿的数据集，大场景重建。主要用于SFM方法。
 
 
6.普林斯度视觉和机器人实验室数据集
 
这一实验室提供17个三维视觉的数据集，除了上面提到的ShapeNet和SUN3D外，还有：
 
SUN RGB-D数据集，包含了室内场景分类、语义分割、房间布置和物体朝向等标注，其中有 10,000 张RGB-D 图像, 标注包含 146,617 2D 个多边形和 58,657 3D 个框。
 
SUN GC数据集包含了45k个手工创造的三维室内场景，包含了深度信息和每个物体的语义标签。
 
此外还有Matterport3D室内rgbd数据集、机器人抓取三维数据集等。
 
 
7-1.Pix3D
 
从单张RGB图像的3D形状建模数据库
 
 
7-2.3D MNIST
 
 
相关数据集
 
 
车辆相关数据集
 包括KITTI数据,洛桑理工多视角车辆和康奈尔nyc3d数据集。
 
 
3维标注工具LabelMe
 一个基于matlab的工具箱，可以标注图像中真实数据的三维坐标。
 
 
大型建筑物标注数据集
 semantic3d
 
 
航空数据
 美国, 英国
 
 
 
补充一个更全的总结：
 Github
 Tutorial
 

 icon from easyicon.net
 
 
ref
 1.more data:https://blog.csdn.net/wi162yyxq/article/details/69501350
 2.http://www.pointclouds.org/news/2013/01/07/point-cloud-data-sets/
                

                
                
        **