### Matplotlib入门练习题 #### 导入必要的库 为了开始这些练习，首先需要导入 `matplotlib` 和其他常用的科学计算库。 ```python import matplotlib.pyplot as plt import numpy as np ``` #### 基本绘图操作 创建并显示简单的线形图来熟悉基础的绘制方法[^1]。 ```python x = np.linspace(0, 2 * np.pi, 400) y = np.sin(x) plt.figure() plt.plot(x, y, label="sine wave") plt.xlabel('angle [rad]') plt.ylabel('sin(x)') plt.title("Simple Sine Wave") # 设置图表标题 "简单正弦波" plt.legend() # 显示图例 plt.show() ``` #### 添加图表细节 学习如何自定义图形属性，比如添加网格、调整坐标轴范围以及设置更复杂的标签和标题[^2]。 ```python fig, ax = plt.subplots() ax.set_xlim([0, 2]) ax.set_ylim([-2, 2]) ax.grid(True) ax.axhline(y=0, color='k') ax.axvline(x=np.pi / 2., ymin=-1, ymax=1, color='r', linestyle='--') t = np.arange(0.0, 2.0, 0.01) s = 1 + np.sin(2*np.pi*t) ax.plot(t, s) ax.annotate('local max', xy=(np.pi/2, 1), xytext=(3, 1.5), arrowprops=dict(facecolor='black', shrink=0.05)) ax.set_xlabel('time (s)') ax.set_ylabel('voltage (mV)') ax.set_title(r"$\alpha_i > \beta_i$", fontsize=20) plt.show() ``` #### 数据拟合与可视化 通过给定的数据集执行最小二乘法回归分析，并将真实参数和估计得到的最佳拟合直线展示在同一张图上[^3]。 ```python from sklearn.linear_model import LinearRegression # 创建数据矩阵X及其对应的响应向量y n_samples, n_features = 20, 10 X = np.random.randn(n_samples, n_features) true_betas = np.array(range(n_features)) + 1. noise = np.random.randn(n_samples) * .5 y = np.dot(X, true_betas) + noise model = LinearRegression().fit(X, y) estimated_betas = model.coef_ plt.bar(np.arange(len(true_betas)), true_betas, alpha=.5, label='True betas') plt.bar(np.arange(len(estimated_betas)), estimated_betas, alpha=.5, label='Estimated betas') plt.xticks([]) plt.ylabel('Parameter value') plt.title('Comparison between True and Estimated Parameters') plt.legend() plt.show() ```