python做知識圖譜繪制

A. 用python對txt數據進行繪圖

• ## 繪制該文件中的數據

• ## 需要引入pylab庫，裡面用到的函數和MATLAB里的非常類似

• def plotData(X, y):

• length = len(y)

• pylab.figure(1)

• pylab.plot(X, y, 'rx')

• pylab.xlabel('Population of City in 10,000s')

• pylab.ylabel('Profit in $10,000s')

• pylab.show()#讓繪制的圖像在屏幕上顯示出來

B. Python如何畫cos和sin的圖啊

• 在python自帶編輯器IDLE中，新建腳本如作圖.py

  導入需要的模塊

  import numpy as np

  import scipy as sp

  import pylab as pl

• 2

  輸入代碼

  x=np.linspace(0,4*np.pi,100)

  pl.plot(x,pl.sin(x))

  pl.show()

• 3

  執行代碼，按F5，可直接顯示圖片

• 4

  幾點說明：

  1. 方法linspace（0,4*np.pi,100）表示從0開始，到4*pi結束，生成100個點

  2. 方法plot為畫圖函數，相當於plot（x，y），x為橫坐標，y為縱坐標

  3.show（）為展示出來

• 希望採納！！
  

C. 怎麼用python繪圖

你可以使用numpy和matplotlab這兩個庫來實現的你功能。

你的圖可以參考：

http://matplotlib.org/examples/pylab_examples/histogram_percent_demo.html

importmatplotlib
fromnumpy.randomimportrandn
importmatplotlib.pyplotasplt
frommatplotlib.tickerimportFuncFormatter

defto_percent(y,position):
#Ignorethepassedinposition.
#ticklocations.
s=str(100*y)

#
ifmatplotlib.rcParams['text.usetex']==True:
returns+r'$\%$'
else:
returns+'%'

x=randn(5000)

#Makeanormedhistogram.It'llbemultipliedby100later.
plt.hist(x,bins=50,normed=True)

#_percent.Thismultipliesallthe
#defaultlabelsby100,makingthemallpercentages
formatter=FuncFormatter(to_percent)

#Settheformatter
plt.gca().yaxis.set_major_formatter(formatter)

plt.show()

最主要的就是x軸和y軸的處理，我按照對數算了一下你提供的數據，好像和這個圖效果不一樣。

如果解決了您的問題請採納！
如果未解決請繼續追問

D. python 繪制圖表matplotlib

一般的, 根據當前的月份獲取天數, 遍歷一下字典, 增加缺失的鍵值對即可.

E. 怎麼用Python繪制能量譜

numpy主要是用於數值計算，包括sin、cos、exp等，同時提供N維數據對象；pandas提供了數據結構和數據分析工具；scipy 則是基於numpy，提供了一個在python中做科學計算的工具集，也就是說它是更上一個層次的庫；我理解大概是這樣，歡迎指正！

F. Python如何實現知識圖譜

那就分享一張吧

G. 知識圖譜可以用python構建嗎

知識圖譜可以用python構建嗎？

答案當然是可以的！！！

那麼如何使用python構建

什麼是知識圖譜

從Google搜索，到聊天機器人、金融風控、物聯網場景、智能醫療、自適應教育、推薦系統，無一不跟知識圖譜相關。它在技術領域的熱度也在逐年上升。
互聯網的終極形態是萬物的互聯，而搜索的終極目標是對萬物的直接搜索。傳統搜索引擎依靠網頁之間的超鏈接實現網頁的搜索，而語義搜索是直接對事物進行搜索，如人物、機構、地點等。這些事物可能來自文本、圖片、視頻、音頻、IoT設備等各種信息資源。而知識圖譜和語義技術提供了關於這些事物的分類、屬性和關系的描述，使得搜索引擎可以直接對事物進行索引和搜索。
知識圖譜是由Google公司在2012年提出來的一個新的概念。從學術的角度，我們可以對知識圖譜給一個這樣的定義：「知識圖譜本質上是語義網路（Semantic Network）的知識庫」。但這有點抽象，所以換個角度，從實際應用的角度出發其實可以簡單地把知識圖譜理解成多關系圖（Multi-relational Graph）。
那什麼叫多關系圖呢？ 學過數據結構的都應該知道什麼是圖（Graph）。圖是由節點（Vertex）和邊（Edge）來構成，但這些圖通常只包含一種類型的節點和邊。但相反，多關系圖一般包含多種類型的節點和多種類型的邊。
本項目利用pandas將excel中數據抽取，以三元組形式載入到neo4j資料庫中構建相關知識圖譜。

運行環境

基於Neo4j能夠很容易構建知識圖譜，除了用neo4j自帶的cypher，也支持Python包py2neo創建節點和關系從而構建知識圖譜。本項目是基於發票信息，將發票數據中結構化數據抽象成三元組，分別創建節點和關系從而構建成知識圖譜。
具體包依賴可以參考文件requirements.txt

neo4j-driver==1.6.2numpy==1.15.3pandas==0.23.4parso==0.3.1pickleshare==0.7.5pluggy==0.8.0prompt-toolkit==1.0.15py==1.7.0py2neo==3Pygments==2.2.0pytest==3.9.3python-dateutil==2.7.5wcwidth==0.1.7wincertstore==0.2xlrd==1.1.0

將所需依賴安裝到pyton中：pip install -r requirements.txt

Pandas抽取excel數據

python中pandas非常適用於數據分析與處理，可以將excel文件轉換成dataframe格式，這種格式類似於Spark中的Dataframe結構，可以用類sql的形式對數據進行處理。
Excel數據結構如下

通過函數data_extraction和函數relation_extrantion分別抽取構建知識圖譜所需要的節點數據以及聯系數據，構建三元組。
數據提取主要採用pandas將excel數據轉換成dataframe類型
invoice_neo4j.py

建立知識圖譜所需節點和關系數據

DataToNeo4jClass.py

具體代碼請移步到GitHub上下載

詳細內容請到github下載，項目名neo4j-python-pandas-py2neo-v3

更多Python知識，請關註：Python自學網！！

H. 如何用python繪制各種圖形

1.環境

系統：windows10

python版本：python3.6.1

使用的庫：matplotlib，numpy

2.numpy庫產生隨機數幾種方法

import numpy as np
numpy.random

rand(d0,d1,...,dn)

In [2]: x=np.random.rand(2,5)

In [3]: x
Out[3]:
array([[ 0.84286554, 0.50007593, 0.66500549, 0.97387807, 0.03993009],
[ 0.46391661, 0.50717355, 0.21527461, 0.92692517, 0.2567891 ]])

randn(d0,d1,...,dn)查詢結果為標准正態分布

In [4]: x=np.random.randn(2,5)

In [5]: x
Out[5]:
array([[-0.77195196, 0.26651203, -0.35045793, -0.0210377 , 0.89749635],
[-0.20229338, 1.44852833, -0.10858996, -1.65034606, -0.39793635]])

randint(low,high,size)

生成low到high之間（半開區間 [low, high)），size個數據

In [6]: x=np.random.randint(1,8,4)

In [7]: x
Out[7]: array([4, 4, 2, 7])

random_integers(low,high,size)

生成low到high之間（閉區間 [low, high)），size個數據

In [10]: x=np.random.random_integers(2,10,5)

In [11]: x
Out[11]: array([7, 4, 5, 4, 2])

3.散點圖

x x軸
y y軸
s 圓點面積
c 顏色
marker 圓點形狀
alpha 圓點透明度#其他圖也類似這種配置
N=50# height=np.random.randint(150,180,20)# weight=np.random.randint(80,150,20)
x=np.random.randn(N)
y=np.random.randn(N)
plt.scatter(x,y,s=50,c='r',marker='o',alpha=0.5)
plt.show()

8.箱型圖

import matplotlib.pyplot as pltimport numpy as npdata=np.random.normal(loc=0,scale=1,size=1000)#sym 點的形狀，whis虛線的長度plt.boxplot(data,sym="o",whis=1.5)plt.show()
#sym 點的形狀，whis虛線的長度

I. 如何用Python繪制Circos圖

用Python實現Circos圖的繪制在線繪制的Circos有一定局限性，如對數據的要求、個性化的局限和處理速度等的問題，但如果你是一個Pythoneer或者喜歡用更加Pythonic的方式來個性化地繪制Circos圖，那麼今天就跟隨我一起用代碼實現這一目標吧！

安裝Circos包

首先，登錄Python的包索引網站PythonPackageIndex（PyPI，正確讀音是：PiePeeAi），找到Circos包的下載頁：

https://pypi.python.org/pypi/Circos/1.3.5

該包/模塊的作者是我的好友EricMa。你可以選擇下載wheeler文件，然後本地安裝。也可以在shell下直接通過pip進行安裝：

pipinstallcircos

注意，所支持的Python版本必須是3.x，對2不支持。

選擇數據

當安裝了circos包後，我們就可以直接應用這個包來寫代碼了。為了演示方便，我需要應用一些數據。作為內科醫師，就讓我來展示一下老本行：處理葯物與肝酶細胞色素P450的相互關系的可視化。由於是為了拋磚引玉，所以繪制出的Circos圖相對簡單。

我們先從美國FDA官網下載不同細胞色素相關的各種口服葯物表。共202種常用的口服葯物，涵蓋內科學、腫瘤學、神經科和心理學等學科。數據文件如下：

可以看到這個數據的結構：是按肝細胞色素酶進行分類，共分8個列。這8個細胞色素酶分別是：CYP1A2,CYP2B6,CYP2C8,CYP2C9,CYP2C19,CYP2D6,CYP2E1和CYP3A4。我們將要建立各個口服葯與這些肝酶之間關系的Circos圖，從而了解通過相同肝酶代謝或轉化的葯物之間是否存在相互作用。

導入各個模塊和讀入數據

導入各個模塊：

fromcircosimportCircosPlot

importxlrd

importpandasaspd

importnumpyasnp

讀入文件：

filename='.\MedicationInteraction.xlsx'

book=xlrd.open_workbook(filename)

print('Fileloaded!')

提取數據：

nrows=book.sheet_by_name('Sheet1').nrows

header=book.sheet_by_name('Sheet1').row_values(0)

data=[book.sheet_by_name('Sheet1').row_values(i)foriinrange(1,nrows)]

df=pd.DataFrame(data,columns=header)

df[df=='']=np.nan

讀取後，葯物和酶的數據為pandas的DataFrame數據結構，細胞色素P450酶的名字為columns的名字。我們可以檢查一下數據：

修數據，尤其是處理NA數據

df_dict={}

foriinrange(len(df.columns)):

df_dict[df.icol(i).name]=list(df.icol(i).dropna())

節點和連線

創建節點（nodes）數據，在我這個例子里就是各個葯物和肝酶：

nodes=[]

forkeyindf_dict.keys():

nodes.extend(df_dict[key])

nodes=list(nodes)

headers=list(df.columns)

enzymes=['0']*5

forheaderinheaders:

enzymes.append(header)

enzymes.extend(['0']*5)

nodes.extend(enzymes)

創建連線（edges）數據，我們應用tuple（元組）這個數據結構來表示葯物與特定肝酶之間的關系：

edges_origin=[]

forkeyindf_dict.keys():

forvalueindf_dict[key]:

edges_origin.append((key,value))

繪圖

繪制Circos圖：

c=CircosPlot(nodes,edges_origin,radius=10,

nodecolor="blue",

edgecolor="red",

)

c.draw()

得到了下面這張所有葯物與肝酶之間的圖：

左上方是8個肝臟細胞色素P450酶（CYP1A2、CYP2B6、CYP2C8、CYP2C9、CYP2C19、CYP2D6、CYP2E1和CYP3A4）。其它點即為202種口服葯物。每種葯物都與參與代謝和轉化它的P450酶相連。與相同酶連接的不同葯物，理論上應該都存在相互作用，但具體如何還要看與酶的作用機理。

個性化繪圖

如果我們打算分別可視化出不同肝酶的關系圖形，我們只需改變連線信息，即edges信息：

edges=[]

‍forvalueindf_dict['CYP2B6']:

edges.append(('CYP2B6',value))

c=CircosPlot(nodes,edges,radius=10,

nodecolor="orange",

edgecolor="orange",

)

c.draw()

從而我們得到了各種肝酶所代謝和轉化葯物的圖形

用PS將它們合並：

相同肝酶所代謝和轉化的葯物用相同顏色的edges表示。

顯示特定葯物

最後，我們可以挑選其中一些感興趣的葯物來進行觀察，例如，我從這202個葯物中指定幾個我感興趣的葯物：

propafenone（心律平）,acetaminophen（對乙醯氨基酚）,paclitaxel（紫杉醇）,ibuprofen（布洛芬）,losartan（洛沙坦）,omeprazole（奧美拉唑）,carvediolo（卡維地洛）,codeine（可待因）,theophylline（茶鹼）,quinidine（奎尼丁）,verapamil（異搏定）,lovastatin（洛伐他汀）,nitrendipine（尼群地平）

然後重新建立edges：

medications=['propafenone','acetaminophen','paclitaxel','ibuprofen','losartan','omeprazole','carvedilol','codeine','theophylline','quinidine','verapamil','lovastatin','nitrendipine']

edges_candidate=set()

formedicationinmedications:

foredgeinedges_origin:

ifmedication==edge[1]:

edges_candidate.add(edge)

edges_candidate=list(edges_candidate)

然後再繪圖：

c=CircosPlot(nodes,edges_candidate,radius=10,

nodecolor="black",

edgecolor="black",

)

c.draw()

從而得到這張圖。

J. 如何用Python繪制學術報告圖表

當數據較多時，容易出現excel"翻白眼"的現象；
需要使用subplot功能或批量處理時，使用MATLAB或Python更為方便；
excel處理的圖在美觀程度上較論文圖表標准有一定的距離。