如何将 matplotlib 图上的 X-ticks 和 Y-ticks 转换为 python 中的元组列表？答案

【问题标题】：How do I turn the X-ticks and Y-ticks on a matplotlib plot into a tuppled list in python?如何将 matplotlib 图上的 X-ticks 和 Y-ticks 转换为 python 中的元组列表？
【发布时间】：2022-11-11 05:45:31
【问题描述】：

我想将 xticks（特征名称）和 yticks（特征值）转换为 python 中的元组列表，以便我最终可以将这些对导出到 csv。我该怎么做？这是下图的代码。提前致谢。

from sklearn import svm
import matplotlib.pyplot as plt
def feature_plot(classifier, feature_names, top_features=25):
 coef = classifier.coef_.ravel()
 top_positive_coefficients = np.argsort(coef)[-top_features:]
 #top_negative_coefficients = np.argsort(coef)[:top_features]
 #top_coefficients = np.hstack([top_negative_coefficients, top_positive_coefficients])
 plt.figure(figsize=(18, 7))
 colors = ['green' if c < 0 else 'blue' for c in coef[top_positive_coefficients]]
 plt.bar(np.arange(top_features), coef[top_positive_coefficients], color=colors)
 feature_names = np.array(feature_names)
 plt.xticks(np.arange(top_features), feature_names[top_positive_coefficients], rotation=45, ha='right')
 plt.show()

#print(pandasdfx.drop(columns=['target_label'], axis = 1).columns.values)

trainedsvm = svm.LinearSVC(C=0.001, max_iter=10000, dual=False).fit(Xx_train2, yx_train)
feature_plot(trainedsvm, pandasdfx.drop(columns=['target_label'], axis = 1).columns.values)

【问题讨论】：

x=np.arange(top_features)、y=coef[top_positive_coefficients]、names=feature_names[top_positive_coefficients] 还不够吗？您希望 xticks 和 yticks 提供哪些额外信息？举例说明您拥有和期望的最终结果。
这会填充图表上的刻度 - 我正在尝试获取配对的 x 刻度和 y 刻度的列表，以便我可以将其导出到 CSV

标签： python matplotlib svm

【解决方案1】：

 classifier = svm.LinearSVC(C=0.01, max_iter=10000, dual=False).fit(Xx_train2, yx_train)
feature_names=pandasdfx.drop(columns=['target_label', axis = 1).columns.values
def feature_plot(classifier, feature_names, top_features=25):
 coef = classifier.coef_.ravel()
 top_positive_coefficients = np.argsort(coef)[-top_features:]
 return np.array((feature_names[top_positive_coefficients], coef[top_positive_coefficients])).T

var=feature_plot(classifier, feature_names, top_features=25)
print(var)

【讨论】：