matplotlib多个数据展示在一个图

要在一个图上展示多个数据，可以使用matplotlib中的subplot()函数，该函数可以将画布分成多个子图，每个子图可以展示一个数据。

下面是一个示例代码，展示如何在一个图上展示两个数据：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建画布并分成两个子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))

# 在子图1中展示数据1
ax1.plot(x, y1)
ax1.set_title('Sine Function')

# 在子图2中展示数据2
ax2.plot(x, y2)
ax2.set_title('Cosine Function')

# 设置整个画布的标题
fig.suptitle('Two Functions')

# 显示图像
plt.show()

该代码将画布分成两个子图，分别展示了sin(x)和cos(x)函数的图像。需要注意的是，subplot()函数的第一个参数表示子图的行数，第二个参数表示子图的列数，第三个参数表示子图的编号（从左到右、从上到下依次编号）。本示例中，我们将画布分成了1行2列的子图，指定了两个子图的编号，分别为1和2。

最后需要使用plt.show()函数显示图像。

相关问题

如何在Python中使用matplotlib库进行数据可视化，并以决策树为例讲解其在数据展示中的应用？

在机器学习领域，数据可视化是一个不可或缺的环节，它能够帮助我们直观地理解数据特征和模型的输出。Python中的matplotlib库是数据可视化的利器，它能够绘制多种图表，以便于数据分析师探索和展示数据。

参考资源链接：[Python与机器学习实战：从数据处理到预测实例](https://wenku.csdn.net/doc/3veopvt4w0?spm=1055.2569.3001.10343)

使用matplotlib进行数据可视化涉及多个步骤，首先需要导入库，然后创建图表和坐标轴，接下来是数据点的添加，最后是对图表进行修饰以提高可读性。以下是一个简单的例子，展示如何使用matplotlib绘制决策树，并在决策树图中展示数据分布。

假设我们已经训练了一个决策树模型，并希望可视化其结构和某些节点的数据分割。我们可以使用`matplotlib.pyplot`中的函数来完成这个任务。首先，我们需要定义一个函数来递归地绘制树的每个分支和节点。然后，我们使用决策树模型的结构数据来调用这个函数，将树的每个部分绘制到图表上。

    import matplotlib.pyplot as plt

    def plot_tree(dt, node_text, feature_names, class_names, filled=True):
        # 获取当前节点的文本描述
        text = node_text(dt)
        # 在图上绘制一个矩形框
        plt.text(dt.feature, dt.threshold, text, va=

参考资源链接：[Python与机器学习实战：从数据处理到预测实例](https://wenku.csdn.net/doc/3veopvt4w0?spm=1055.2569.3001.10343)

matplotlib数据集

根据提供的引用内容，可以看出这是关于matplotlib绘制箱线图的例子。箱线图是一种用于展示数据分布情况的图表，它可以显示出数据的中位数、四分位数、异常值等信息。在matplotlib中，可以使用plot()函数绘制箱线图，其中kind参数指定绘制的图表类型为box，subplots参数指定是否将每个特征的箱线图分别绘制在不同的子图中，layout参数指定子图的布局方式，sharex和sharey参数指定是否共享x轴和y轴刻度。

以下是一个绘制简单箱线图的例子：

import pandas as pd
import matplotlib.pyplot as plt

# 读取数据集
data = pd.read_csv('data.csv')

# 绘制箱线图
data.plot(kind='box')
plt.show()

如果要比较不同算法的表现，可以使用boxplot()函数绘制多个箱线图，并将它们放在同一个图表中。以下是一个绘制多个箱线图的例子：

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
data1 = np.random.normal(100, 10, 200)
data2 = np.random.normal(90, 20, 200)
data3 = np.random.normal(80, 30, 200)
data4 = np.random.normal(70, 40, 200)
data = [data1, data2, data3, data4]

# 绘制箱线图
fig = plt.figure()
fig.suptitle('Algorithm Comparison')
ax = fig.add_subplot(111)
ax.boxplot(data)
ax.set_xticklabels(['data1', 'data2', 'data3', 'data4'])
plt.show()