from sklearn import datasets
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import time
col_names = ['Sepal width', 'Sepal length', 'Petal with', 'Petal length']
df = pd.DataFrame(datasets.load_iris().data, columns=col_names)
sns.set(font_scale=1.5) # 字型大小
sns.pairplot(df) # 兩兩關系圖
plt.draw() #畫圖
plt.pause(10) #顯示30秒
plt.show(block=False)#顯示30秒關閉
plt.clf()#清除當前 figure 的所有axes，但是不關閉這個 window，所以能繼續復用於其他的 plot

sns.set(font_scale=1.5) #字型大小
print(df.corr())
sns.heatmap(df.corr(), annot = True, vmin=-1, vmax=1) # 熱圖

plt.draw() #畫圖
plt.pause(10) #顯示30秒
plt.show(block=False) #顯示30秒關閉
plt.clf()#清除當前 figure 的所有axes，但是不關閉這個 window，所以能繼續復用於其他的 plot

df_cols = df[['Sepal width', 'Sepal length']]
sns.set(font_scale=1.5)
sns.pairplot(df_cols,height=4) # 兩兩關系圖
plt.draw() #畫圖
plt.pause(10) #顯示30秒
plt.show(block=False) #顯示30秒關閉

x = [6,5,10,8,2]
y = [7,1,9,5,3]
dat = {'X':x,'Y':y}
import pandas as pd
df = pd.DataFrame(dat)
import seaborn as sb
from matplotlib import pyplot as plt
sb.lmplot(x = "X", y = "Y", data = df)
plt.draw() #畫圖
plt.pause(10) #顯示30秒
plt.show(block=False) #顯示30秒關閉

# correlation coefficient 
import numpy as np
import matplotlib.pyplot as plt
length = np.array([4.7,  4.5,  4.9,  4.,  4.6,  4.5,  4.7,  3.3,  4.6,  3.9,  3.5,
                                    4.2,  4.,  4.7,  3.6,  4.4,  4.5,  4.1,  4.5,  3.9,  4.8,  4.,
                                    4.9,  4.7,  4.3,  4.4,  4.8,  5.,  4.5,  3.5,  3.8,  3.7,  3.9,
                                    5.1,  4.5,  4.5,  4.7,  4.4,  4.1,  4.,  4.4,  4.6,  4.,  3.3,
                                    4.2,  4.2,  4.2,  4.3,  3.,  4.1])
width = np.array([1.4,  1.5,  1.5,  1.3,  1.5,  1.3,  1.6,  1.,  1.3,  1.4,  1.,
                                   1.5,  1.,  1.4,  1.3,  1.4,  1.5,  1.,  1.5,  1.1,  1.8,  1.3,
                                   1.5,  1.2,  1.3,  1.4,  1.4,  1.7,  1.5,  1.,  1.1,  1.,  1.2,
                                   1.6,  1.5,  1.6,  1.5,  1.3,  1.3,  1.3,  1.2,  1.4,  1.2,  1.,
                                   1.3,  1.2,  1.3,  1.3,  1.1,  1.3])

print(np.corrcoef(length,width).round(4)) #相關矩陣(Correlation Matrix) round是四捨五入
print(np.polyfit(length,width,1).round(4)) #回歸係數矩陣(round是四捨五入) Y = AX + B
coef = np.polyfit(length,width,1) #回歸係數矩陣
reg_model = np.poly1d(coef) #回歸模型
print (reg_model) # 印出回歸模型
print (reg_model(6).round(1)) # 輸入 length 預測出 width
plt.figure(figsize=(10,6)) # 設定圖大小(吋)
plt.rcParams['font.family'] = 'Microsoft JhengHei' # 字形微軟正黑體
plt.rcParams['font.size'] = 16 #字形大小
plt.scatter(length,width) #分散點圖
plt.plot(length, reg_model(length), color='red', label='Prediction model(預測線)\n'+'y='+str(reg_model).replace('\n','')) # 回歸模型的線
plt.title('Regression chart(回歸分析圖表)') # 設定標頭
plt.xlabel('Length(長)') # 設定X軸文字
plt.ylabel('Width(寬)') # 設定y軸文字
plt.legend() #顯示圖例
plt.grid(True) #顯示格線
plt.show() # show plt 圖
plt.bar(length,width) #長條圖
plt.show() # show plt 圖
plt.pie(length,labels=width, autopct='%1.1f%%') #圓餅圖(資料, 標籤, 百分比標示)
plt.show() # show plt 圖

print(np.corrcoef(length,width).round(4)) #相關矩陣(Correlation Matrix) round是四捨五入
print(np.polyfit(length,width,2).round(4)) #回歸係數矩陣(round是四捨五入) Y = AX + B
coef = np.polyfit(length,width,2) #回歸係數矩陣
reg2_model = np.poly1d(coef) #回歸模型
print (reg2_model) # 印出回歸模型
print (reg2_model(6).round(1)) # 輸入 length 預測出 width
plt.figure(figsize=(10,6)) # 設定圖大小(吋)
plt.rcParams['font.family'] = 'Microsoft JhengHei' # 字形微軟正黑體
plt.rcParams['font.size'] = 16 #字形大小
plt.scatter(length,width) #分散點圖
plt.plot(length, reg2_model(length), color='red', label='Prediction model(二階預測線)') # 回歸模型的線
plt.title('Regression chart(二階回歸分析圖表)') # 設定標頭
plt.xlabel('Length(長)') # 設定X軸文字
plt.ylabel('Width(寬)') # 設定y軸文字
plt.legend() #顯示圖例
plt.grid(True) #顯示格線
plt.show() # show plt 圖
plt.bar(length,width) #長條圖
plt.show() # show plt 圖
plt.pie(length,labels=width, autopct='%1.1f%%') #圓餅圖(資料, 標籤, 百分比標示)
plt.show() # show plt 圖