Рубрики
Без рубрики

Python Matplotlib

Python matplotlib, matplotlib сюжет, matplotlib subplot, установка matplotlib, matplotlib учебник, matplotlib legendlib, matplotlib барной диаграммы, matplotlib круговая диаграмма, матплотлиб примеры, контур, оси, анимация, matplotlib pyston, matplotlib 3

Автор оригинала: Pankaj Kumar.

Библиотека Python Matplotlib помогает нам построить данные на графики в его простейших условиях. Если вы знакомы с помощью построения MatLab, то MATPLOTLIB будет прост в использовании для базового построения.

Python Matplotlib

Чтобы начать понимание того, как Matplotlib помогает нам создавать графики и цифры визуализации для представления данных, нам нужно будет знать некоторые основные термины, которые мы будем много использовать в этом посте. Давайте сначала изучим эти условия.

Python Matplotlib терминология

  • Рисунок это полное окно или страница, натянутая граф.
  • Оси это область, на которую нанесен данные. Это может быть ось X или ось Y и т. Д.
  • Шпимы Есть линии, которые соединяют точки осей.

Установите matplotlib.

Легко установить библиотеку Python Matplotlib с Пип :

pip install matplotlib

Это оно! Теперь мы готовы построить несколько прохладных примеров, используя эту библиотеку этой визуализации данных.

Начало работы с MatPlotlib

В этом разделе мы будем начать с строительства сюжета и начать подавать данные в функции Python Matplotlib.

Матплотлиб линия сюжет

Мы начнем с очень основного примера построения. Мы просто будем использовать два списка Python в качестве источника данных для точек графика. Давайте напишем фрагмент кода для этого:

import matplotlib.pyplot as plt

year = [1950, 1975, 2000, 2018]
population = [2.12, 3.681, 5.312, 6.981]

plt.plot(year, population)
plt.show()

Обратите внимание на последнюю строчку с Показать () функция. Важно называть его в противном случае, сюжет не будет показан на экране. Когда мы запускаем этот код, мы можем видеть следующий рисунок:

...
plt.xlabel('Year')
plt.ylabel('Population')
plt.title('World Population')

Matplotlib рассеивает участок

Над графиком был очень указывает на точки, которые фактически не были переданы в массиве, поскольку он показал линию. Что, если мы только хотим увидеть фактические очки на сюжете? Разброс участок достигает этого:

import matplotlib.pyplot as plt

year = [1950, 1975, 2000, 2018]
population = [2.12, 3.681, 5.312, 6.981]

plt.scatter(year, population)
plt.show()

Когда мы запускаем этот код, мы можем видеть следующий рисунок:

Матплотлиб гистограммы

В этом разделе мы представляем вас к гистограммам. Хотя графики сообщают нам, как наши данные варьируются, гистограмма описывает, как распределены наши данные. Больше значения в диапазоне, выше бар для диапазона.

Мы используем функцию HIST (), чтобы сделать гистограмму. У него есть 2 важных параметра:

  • Список значений на сюжет
  • Количество диапазонов для распространения этих точек в

Давайте продемонстрируем это с помощью фрагмента кода:

import matplotlib.pyplot as plt

values = [0, 1.2, 1.3, 1.9, 4.3, 2.5, 2.7, 4.3, 1.3, 3.9]
plt.hist(values, bins = 4)
plt.show()

Когда мы запускаем этот код, мы можем видеть следующий рисунок: значение по умолчанию для количества мусорных барабанов составляет 10. Количество контейнеров важно установить. Меньшее количество мусорных веществ может скрывать реальность распределения данных, а слишком много мусорных веществ могут быть чрезмерной реальности.

Настройка в участке Matplotlib

Если вы заметите первый строчный график, мы видим, что ось Y не запустилась с 0. Мы можем изменить это:

...
plt.yticks([0, 2, 4, 6, 8, 10])

Когда мы запускаем этот код, мы можем видеть следующий рисунок:

Рисование нескольких кривых в matplotlib

Это совершенно распространено, чтобы нарисовать несколько кривых на одном графике, чтобы сделать сравнение. Давайте попробуем это здесь:

import numpy as np
import matplotlib.pyplot as plt

X = np.linspace(-np.pi, np.pi, 256, endpoint=True)
cos, sin = np.cos(X), np.sin(X)

plt.plot(X, cos)
plt.plot(X, sin)

plt.show()

Когда мы запускаем этот код, мы можем увидеть следующий рисунок: Итак, это было просто вопрос вызова сюжета несколько раз. Чтобы добавить, мы использовали Numpy, чтобы создать нелинейную кривую!

Изменение цвета и добавления легендов в графике MatPlotlib

Как мы видели, кривые выглядят хорошими, но они не все выглядят так, подобные? Что, если мы хотим изменить свой цвет и показать, что представляет каждый цвет? Давайте попробуем рисовать кривые синуса и косинуса вместе:

import numpy as np
import matplotlib.pyplot as plt

X = np.linspace(-np.pi, np.pi, 256, endpoint=True)
cos, sin = np.cos(X), np.sin(X)

plt.plot(X, cos, color='blue', label="cosine")
plt.plot(X, sin, color='red', label="sine")
plt.legend(loc='upper left', frameon=False)

plt.show()

Когда мы запускаем этот код, мы можем увидеть следующий рисунок: если вы заметите, мы на самом деле сделали две вещи на этом рисунке:

  1. Модифицировал цвет для кривых, чтобы облегчить сравнение
  2. Добавлена рамка легенды, которая представляет, какой цвет представляет то, что. Это делает метаданные на графике очень легко читать.

Создание гистограммы в matplotlib

Мы можем создавать привлекательные диаграммы гистограммы с MATPLOTLIB с простой фрагментом кода:

import matplotlib.pyplot as plt; plt.rcdefaults()
import numpy as np
import matplotlib.pyplot as plt
 
names = ('Tom', 'Dick', 'Harry', 'Jill', 'Meredith', 'George')
y_pos = np.arange(len(names))
speed = [8, 7, 12, 4, 3, 2]
 
plt.bar(y_pos, speed, align='center', alpha=0.5)
plt.xticks(y_pos, names)
plt.ylabel('Speed')
plt.title('Person')
 
plt.show()

Когда мы запускаем этот код, мы можем видеть следующий рисунок:

Создание круговой диаграммы в Matplotlib

Мы можем создавать привлекательные круговые диаграммы с MATPLOTLIB с простой фрагментом кода:

import matplotlib.pyplot as plt
 
# Data to plot
names = 'Tom', 'Dick', 'Harry', 'Jill', 'Meredith', 'George'
speed = [8, 7, 12, 4, 3, 2]
colors = ['gold', 'yellowgreen', 'lightcoral', 'lightskyblue', 'red', 'blue']
explode = (0.1, 0, 0, 0, 0, 0)  # explode 1st slice
 
# Plot
plt.pie(speed, explode=explode, labels=names, colors=colors,
        autopct='%1.1f%%', shadow=True, startangle=140)
 
plt.axis('equal')
plt.show()

Когда мы запускаем этот код, мы можем увидеть следующий рисунок: см. Как мы подняли один из ломтиков в круговой диаграмме, чтобы дифференцировать его от остальных!

Создание карт тепла в Matplotlib

Диаграммы крутые, но когда речь идет о визуализации географической информации, ничто не работает лучше, чем карта тепла:

import numpy as np
import numpy.random
import matplotlib.pyplot as plt
 
# Create data
temperature = np.random.randn(4096)
anger = np.random.randn(4096)
 
# Create heatmap
heatmap, xedges, yedges = np.histogram2d(temperature, anger, bins=(64,64))
extent = [xedges[0], xedges[-1], yedges[0], yedges[-1]]
 
# Plot heatmap
plt.clf()
plt.ylabel('Anger')
plt.xlabel('Temp')
plt.imshow(heatmap, extent=extent)
plt.show()

Когда мы запускаем этот код, мы можем видеть следующий рисунок: обратите внимание, что мы создали данные по поводу случайных значений, а выходной рисунок может варьироваться в зависимости от значений.

Это все для Python Matplotlib Trouorial Tutorial.

Ссылка: Веб-сайт