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:
- Модифицировал цвет для кривых, чтобы облегчить сравнение
- 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