plt画图numpy.array

要使用numpy中的数组来绘制图表，需要先导入matplotlib库。然后可以使用matplotlib库中的pyplot子库来生成图表。

以下是一个简单的例子：

import numpy as np
import matplotlib.pyplot as plt

# 创建一个numpy数组
x = np.arange(0, 10, 0.1)
y = np.sin(x)

# 绘制sin(x)的图表
plt.plot(x, y)
plt.show()

这个例子中，我们首先使用`numpy.arange()`函数创建了一个从0到10的数组，步长为0.1。然后使用`numpy.sin()`函数计算了这个数组中每个元素的正弦值，结果保存在变量y中。最后使用`pyplot.plot()`函数绘制了x和y的图表，并使用`pyplot.show()`函数显示出来。

你可以根据需要修改上述代码，例如修改x和y的取值范围、修改图表颜色等等。

相关问题

以下报错该如何解决：'numpy.ndarray' object has no attribute 'boxplot'

这个报错是因为你在一个 Numpy 的 array 上调用了 boxplot 方法，但是 Numpy 并没有该方法，只有 Matplotlib 才有。解决方法是引入 Matplotlib 库，然后使用 Matplotlib 提供的 boxplot 方法来画图。具体代码可以参考以下示例：

import numpy as np
import matplotlib.pyplot as plt

# 生成一组随机数据
data = np.random.randn(100, 5)

# 绘制箱线图
plt.boxplot(data)

# 显示图形
plt.show()

注意：以上示例代码仅供参考，具体实现需根据实际情况进行调整。

import numpy as np import matplotlib.pyplot as plt from sklearn import linear_model import pandas as pd from sklearn import preprocessing def data_input(): data=pd.read_excel('22AI1.xlsx') data=data.dropna(axis=0) data = data.reset_index(drop=True) X=data.身高 Y=data.体重 X=np.array(X).reshape(-1,1) Y=np.array(Y).reshape(-1,1) return X,Y X,Y=data_input()[0],data_input()[1] clf=linear_model.LinearRegression() clf.fit(X,Y) X2=np.array([[160],[165],[170]]) Y2=clf.predict(X2) res=clf.predict(np.array(190).reshape(-1,1))[0] print('预测身高190的学生体重为:{:.2f}'.format(res[0])) # 画图部分 plt.plot(X,Y,'ks') plt.plot(X2,Y2,'g-') plt.show()我的代码如上,请再次给出解决办法

根据您提供的代码，您想要预测身高为190的学生体重，并且画出身高和体重之间的回归线。

您的代码中已经使用了sklearn库的线性回归模型来拟合身高和体重之间的关系，并且使用predict()方法来预测身高为190的学生体重。但是，在预测身高为190的学生体重之前，您需要对身高数据进行标准化处理，以提高模型的准确性。

以下是修改后的代码，其中使用了sklearn库中的preprocessing模块来进行身高数据的标准化处理：

import numpy as np 
import matplotlib.pyplot as plt 
from sklearn import linear_model 
import pandas as pd 
from sklearn import preprocessing 

def data_input():
    data=pd.read_excel('22AI1.xlsx')
    data=data.dropna(axis=0)
    data = data.reset_index(drop=True)
    X=data.身高
    Y=data.体重
    X=np.array(X).reshape(-1,1)
    Y=np.array(Y).reshape(-1,1)
    return X, Y

# 标准化身高数据
X = preprocessing.scale(data_input()[0])

Y=data_input()[1]
clf=linear_model.LinearRegression()
clf.fit(X,Y)

# 标准化待预测的身高数据
X2 = preprocessing.scale(np.array([[160],[165],[170],[190]]))

Y2=clf.predict(X2)

res=Y2[-1][0]  # 取出预测结果中身高为190的学生体重
print('预测身高190的学生体重为:{:.2f}'.format(res))

# 画图部分
plt.plot(X,Y,'ks')
plt.plot(X2,Y2,'g-')
plt.show()

在这个修改后的代码中，我们首先使用了preprocessing.scale()方法对原始的身高数据进行了标准化处理，使其具有相同的尺度。然后，我们将标准化后的身高数据用于训练线性回归模型，并使用predict()方法来预测身高为190的学生体重。最后，我们从预测结果中取出身高为190的学生体重，并使用format()方法将结果打印出来。

在画图部分，我们将标准化后的身高数据和原始的体重数据用于绘制散点图，将标准化后的身高数据和预测结果用于绘制回归线。