plt.plot设置字体类别

可以使用plt.rcParams来设置字体类别，具体步骤如下：

import matplotlib.pyplot as plt

# 设置字体为SimHei显示中文
plt.rcParams['font.sans-serif'] = ['SimHei']

# 绘制图形
plt.plot([1, 2, 3, 4], [1, 4, 9, 16])

# 显示图形
plt.show()

在上述代码中，我们使用plt.rcParams['font.sans-serif'] = ['SimHei']将字体设置为SimHei，从而实现了中文显示。如果需要设置其他字体，只需要将SimHei替换为其他字体即可。

相关问题

import numpy as np from sklearn.cluster import MiniBatchKMeans from sklearn.datasets import load_iris from sklearn import preprocessing import matplotlib.pyplot as plt from pylab import mpl from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score from scipy.spatial.distance import cdist # 设置显示中文字体 mpl.rcParams["font.sans-serif"] = ["SimHei"] # 设置正常显示符号 mpl.rcParams["axes.unicode_minus"] = False np.random.seed(5) iris = load_iris() X = iris.data y = iris.target min_max_scaler = preprocessing.MinMaxScaler() X_minmax = min_max_scaler.fit_transform(X) batch_size = 15 num_cluster = 3 clf = MiniBatchKMeans(n_clusters=num_cluster, batch_size=batch_size, init='random') clf.fit(X_minmax) centers = clf.cluster_centers_ pre_clu = clf.labels_ vmarker = {0: '^', 1: 's', 2: 'D', } mValue = [vmarker[i] for i in pre_clu] for _marker, _x, _y in zip(mValue, X_minmax[:, 1], X_minmax[:, 2]): plt.scatter(_x, _y, marker=_marker,c='grey') plt.scatter(centers[:, 1], centers[:, 2], marker='*',s=200,c='black') plt.show() #手肘法则最佳k值 def sse_k(): K = range(1, 10) sse_result = [] for k in K: kmeans = KMeans(n_clusters=k) kmeans.fit(iris.data) sse_result.append(sum(np.min(cdist(iris.data, kmeans.cluster_centers_, 'euclidean'), axis=1)) / iris.data.shape[0]) plt.plot(K, sse_result, 'gx-') plt.xlabel('k') plt.ylabel(u'平均畸变程度') plt.title(u'肘部法则确定最佳的K值') plt.show() # 轮廓系统法最佳k值 def sc_k(): K = range(2, 10) score = [] for k in K: kmeans = KMeans(n_clusters=k) kmeans.fit(iris.data) score.append(silhouette_score(iris.data, kmeans.labels_, metric='euclidean')) plt.plot(K, score, 'r*-') plt.xlabel('k') plt.ylabel(u'轮廓系数') plt.title(u'轮廓系数确定最佳的K值') plt.show() sse_k() sc_k()

这段代码实现了对 iris 数据集进行聚类分析的功能。具体来说，它使用了 MiniBatchKMeans 算法对 iris 数据进行聚类，并使用了肘部法则和轮廓系数法来确定最佳的聚类数量 k。

首先，代码将 iris 数据集导入，然后进行了归一化处理。接着，使用 MiniBatchKMeans 算法对归一化后的数据进行聚类，得到聚类中心和每个数据点所属的聚类类别。最后，使用 matplotlib 绘制聚类散点图，其中每个数据点的颜色、形状表示它所属的聚类类别，聚类中心用星号标出。

在绘制完聚类散点图之后，代码使用肘部法则和轮廓系数法来确定最佳的聚类数量 k。具体来说，肘部法则使用 SSE（Sum of Squared Error）来度量聚类的有效性，它的基本思想是随着聚类数量 k 的增加，SSE 会逐渐减小，但当 k 增加到一定程度时，SSE 的下降速度会明显放缓，这个拐点就是肘部，对应的 k 值就是最佳的聚类数量。轮廓系数法则使用轮廓系数来度量聚类的有效性，它的基本思想是聚类效果越好，同一聚类类别内部的数据点越紧密，不同聚类类别之间的数据点越分散，因此轮廓系数的取值范围在 [-1, 1] 之间，越接近 1 表示聚类效果越好，对应的 k 值就是最佳的聚类数量。肘部法则和轮廓系数法都是常用的聚类分析方法。

总之，这段代码实现了对 iris 数据集进行聚类分析的功能，并使用了肘部法则和轮廓系数法来确定最佳的聚类数量 k。

#加载情感分析模块 from snownlp import SnowNLP #from snownlp import sentiment import pandas as pd import matplotlib.pyplot as plt #读取文本数据 df=pd.read_excel('京东华为评论.xlsx') #提取所有数据 df1=df.iloc[:,0] print('将提取的数据打印出来：\n',df1) # 遍历每条评论进行预测 values=[SnowNLP(i).sentiments for i in df1] #输出积极的概率，大于0.5积极的，小于0.5消极的 #myval保存预测值 myval=[] good=0 bad=0 for i in values: if (i>=0.5): myval.append("正面") good=good+1 else: myval.append("负面") bad=bad+1 df['预测值']=values df['评价类别']=myval #将结果输出到Excel df.to_excel('京东华为评论.xlsx') rate=good/(good+bad) print('好评率','%.f%%' % (rate * 100)) #格式化为百分比 #作图 y=values plt.rc('font', family='SimHei', size=10) plt.plot(y, marker='o', mec='r', mfc='w',label=u'评价分值') plt.xlabel('用户') plt.ylabel('评价分值') # 让图例生效 plt.legend() #添加标题 plt.title('评论情感分析',family='SimHei',size=14,color='blue') plt.show()

这段代码是使用 SnowNLP 库进行情感分析，读取了一个 Excel 文件中的评论数据，然后遍历每条评论进行情感分析得到积极的概率，将预测结果保存到 Excel 文件中，并计算出好评率。最后使用 matplotlib 库作图，展示评价分值的分布情况。

具体步骤如下：

1. 导入所需的库，包括 SnowNLP、pandas 和 matplotlib。

2. 使用 pandas 库读取 Excel 文件中的评论数据。

3. 提取评论数据中的文本内容，遍历每条评论进行情感分析，得到积极的概率。

4. 根据预测结果，将评论分为正面和负面两类，并将预测结果和评论类型保存到 Excel 文件中。

5. 计算好评率。

6. 使用 matplotlib 库作图，展示评价分值的分布情况。

注意事项：

1. 代码中使用了中文字符，需要注意编码格式是否正确。

2. 代码中使用了 SnowNLP 库进行情感分析，需要先安装该库，可以使用 pip install snownlp 命令进行安装。

3. 代码中读取 Excel 文件的路径需要根据实际情况进行修改。

4. 代码中作图时使用了中文字符，需要使用支持中文的字体。