在使用openpyxl时，坐标轴的调整就难住了小编。经过一番资料搜索，不光解决了这个问题还找到了对数缩放的方法，接下来就让我们一起看看吧~

坐标轴最小和最大值

为了在图表上显示特定区域，可以手动设置坐标轴的最小值和最大值。from openpyxl import Workbook

from openpyxl.chart import (

ScatterChart,

Reference,

Series,

)

wb = Workbook()

ws = wb.active

ws.append(['X', '1/X'])

for x in range(-10, 11):

if x:

ws.append([x, 1.0 / x])

chart1 = ScatterChart()

chart1.title = "Full Axes"

chart1.x_axis.title = 'x'

chart1.y_axis.title = '1/x'

chart1.legend = None

chart2 = ScatterChart()

chart2.title = "Clipped Axes"

chart2.x_axis.title = 'x'

chart2.y_axis.title = '1/x'

chart2.legend = None

chart2.x_axis.scaling.min = 0

chart2.y_axis.scaling.min = 0

chart2.x_axis.scaling.max = 11

chart2.y_axis.scaling.max = 1.5

x = Reference(ws, min_col=1, min_row=2, max_row=22)

y = Reference(ws, min_col=2, min_row=2, max_row=22)

s = Series(y, xvalues=x)

chart1.append(s)

chart2.append(s)

ws.add_chart(chart1, "C1")

ws.add_chart(chart2, "C15")

wb.save("minmax.xlsx")

在某些情况下，如上面代码所示，设置坐标轴范围实际上等同于显示数据的子范围。对于大型数据集，使用Excel或者Open/Libre Office来绘制散点图(可能还有其他)时，选择数据子集方式要比设置坐标轴范围的速度更快。

对数缩放

x轴和y轴都可以对数缩放。对数的基可以设置为任何有效的浮点。如果x轴按对数缩放，则将丢弃区域中的负值。from openpyxl import Workbook

from openpyxl.chart import (

ScatterChart,

Reference,

Series,

)

import math

wb = Workbook()

ws = wb.active

ws.append(['X', 'Gaussian'])

for i, x in enumerate(range(-10, 11)):

ws.append([x, "=EXP(-(($A${row}/6)^2))".format(row = i + 2)])

chart1 = ScatterChart()

chart1.title = "No Scaling"

chart1.x_axis.title = 'x'

chart1.y_axis.title = 'y'

chart1.legend = None

chart2 = ScatterChart()

chart2.title = "X Log Scale"

chart2.x_axis.title = 'x (log10)'

chart2.y_axis.title = 'y'

chart2.legend = None

chart2.x_axis.scaling.logBase = 10

chart3 = ScatterChart()

chart3.title = "Y Log Scale"

chart3.x_axis.title = 'x'

chart3.y_axis.title = 'y (log10)'

chart3.legend = None

chart3.y_axis.scaling.logBase = 10

chart4 = ScatterChart()

chart4.title = "Both Log Scale"

chart4.x_axis.title = 'x (log10)'

chart4.y_axis.title = 'y (log10)'

chart4.legend = None

chart4.x_axis.scaling.logBase = 10

chart4.y_axis.scaling.logBase = 10

chart5 = ScatterChart()

chart5.title = "Log Scale Base e"

chart5.x_axis.title = 'x (ln)'

chart5.y_axis.title = 'y (ln)'

chart5.legend = None

chart5.x_axis.scaling.logBase = math.e

chart5.y_axis.scaling.logBase = math.e

x = Reference(ws, min_col=1, min_row=2, max_row=22)

y = Reference(ws, min_col=2, min_row=2, max_row=22)

s = Series(y, xvalues=x)

chart1.append(s)

chart2.append(s)

chart3.append(s)

chart4.append(s)

chart5.append(s)

ws.add_chart(chart1, "C1")

ws.add_chart(chart2, "I1")

ws.add_chart(chart3, "C15")

ws.add_chart(chart4, "I15")

ws.add_chart(chart5, "F30")

wb.save("log.xlsx")

这将生成五个类似的图表：

五张图使用了相同的数据。其中，第一个图未缩放，第二和三张图分别缩放了X和Y轴，第四张图XY轴均进行了缩放，对数基数设置为10；最后的图表XY轴均进行了缩放，但对数的底设置为e。

轴线方向

坐标轴可以正常显示，也可以反向显示。

轴方向由orientation属性控制，minMax表示正向，maxMin表示反向。from openpyxl import Workbook

from openpyxl.chart import (

ScatterChart,

Reference,

Series,

)

wb = Workbook()

ws = wb.active

ws["A1"] = "Archimedean Spiral"

ws.append(["T", "X", "Y"])

for i, t in enumerate(range(100)):

ws.append([t / 16.0, "=$A${row}*COS($A${row})".format(row = i + 3),

"=$A${row}*SIN($A${row})".format(row = i + 3)])

chart1 = ScatterChart()

chart1.title = "Default Orientation"

chart1.x_axis.title = 'x'

chart1.y_axis.title = 'y'

chart1.legend = None

chart2 = ScatterChart()

chart2.title = "Flip X"

chart2.x_axis.title = 'x'

chart2.y_axis.title = 'y'

chart2.legend = None

chart2.x_axis.scaling.orientation = "maxMin"

chart2.y_axis.scaling.orientation = "minMax"

chart3 = ScatterChart()

chart3.title = "Flip Y"

chart3.x_axis.title = 'x'

chart3.y_axis.title = 'y'

chart3.legend = None

chart3.x_axis.scaling.orientation = "minMax"

chart3.y_axis.scaling.orientation = "maxMin"

chart4 = ScatterChart()

chart4.title = "Flip Both"

chart4.x_axis.title = 'x'

chart4.y_axis.title = 'y'

chart4.legend = None

chart4.x_axis.scaling.orientation = "maxMin"

chart4.y_axis.scaling.orientation = "maxMin"

x = Reference(ws, min_col=2, min_row=2, max_row=102)

y = Reference(ws, min_col=3, min_row=2, max_row=102)

s = Series(y, xvalues=x)

chart1.append(s)

chart2.append(s)

chart3.append(s)

chart4.append(s)

ws.add_chart(chart1, "D1")

ws.add_chart(chart2, "J1")

ws.add_chart(chart3, "D15")

ws.add_chart(chart4, "J15")

wb.save("orientation.xlsx")

这将生成四个图表，其中每个可能的方向组合的轴如下所示：

小伙伴们可以根据自己的需求，生成不同的图表~如需了解更多python实用知识，点击进入PyThon学习网教学中心。

机器学习中的数据转换-Python Scikit-Learn实现方法

我们在建模之前，需要做数据准备。数据准备的过程主要包括3个步骤：数据选择

数据预处理

数据转换

本文会告诉你两种方法，即如何使用Python的Scikit-Learn库进行简单的数据转换。

一、数据缩放

你的预处理数据集中可能包含各种各样、不同比例的特征字段，比如美元、千克、价格，有的特征列数值范围在100以内，有的却达到几百万，差异很大。

很多机器学习模型不希望有这样大的差异，如果数据集各个属性之间的数值差异越小，则模型表现的会越好。这里不一概而论，具体原因小伙伴们自行探索下。

方法1：数据归一化

数据归一化是指将原始数据缩放到0和1之间。

对于依赖于值的大小的模型，这种对输入属性的缩放很管用。比如在K近邻模型的距离测量和回归系数的准备。

接下来用大名鼎鼎的鸢尾花数据集演示数据归一化的例子。

# 对鸢尾花数据集进行数据归一化处理.

from sklearn.datasets import load_iris

from sklearn import preprocessing

# 加载数据

iris = load_iris()

print(iris.data.shape)

# 分离原始数据集，分为自变量和因变量

X = iris.data

y = iris.target

# 归一化处理

normalized_X = preprocessing.normalize(X)

更多关于归一化处理，详见API

方法2：数据标准化

数据标准化是指：数据集中，每个特征列的数值减去其平均值，再除以其标准差，得到均值为0，标准差为1的服从标准正态分布的数据。

诸如高斯过程等依赖于特征分布的模型，对特征进行标准化是非常有用的。

依然用鸢尾花的例子。

# 对鸢尾花数据集进行数据标准化处理.

from sklearn.datasets import load_iris

from sklearn import preprocessing

# 加载数据

iris = load_iris()

print(iris.data.shape)

# 分离原始数据集，分为自变量和因变量

X = iris.data

y = iris.target

# 标准化处理

standardized_X = preprocessing.scale(X)

更多关于归一化处理，详见API

二、说明

很难知道数据缩放是否会有利于模型的效果，大概率上是有用的，但不排除出现产生负效果。

中肯的建议是，先建立一个数据缩放后的副本，使用你的算法模型测试对比缩放前后的效果。

这可以让你快速知道，你的模型中缩放带来的好处或弊端。你也可以试用不同的缩放方法，进行对比。

三、总结

数据缩放是一种非常重要的数据转换方法。本文介绍了归一化和标准化两种方法，均用Python Scikit-Learn库提供的方法实现。简单好用，快试试吧！