Рубрики
Без рубрики

Учебник Python Dengly

Учебное пособие на Python, Учебное пособие, УСТАНОВКА УСТАНОВКИ LIBELE LIBELY, ПЕРТЬГИ ПРОСТОЯЩАЯ ЛИНТА ГРАФИАЛЬНОЙ ПРИМЕР, ПЕРТЬБИРОВАННЫЙ График, Участок сюжета, Участок сюжета, Участок CONTROUR, ПЕРТЬБЫЕ ТАММИНЫ, ЧТОБЫЙ СТРАНИЦЫ, ЧЕРТЕЖНЫЙ ОВЛ.

Автор оригинала: Pankaj Kumar.

Чутливо ( Plot.ly Как его URL идет), это техническая вычислительная компания, базирующаяся в Монреале. Он известен для разработки и предоставления онлайн-аналитики, статистики и инструментов для физических лиц или компаний. Он также развивает/предоставляет научные библиотеки графиков для Arduino, Julia, Matlab, Perl, Python, R и отдыха.

Библиотека Python Dengly

Библиотека графиков Pitty’s Python делает интерактивные графики в Интернете и позволяет нам сохранить их в автономном режиме.

Почему сюжет

Утюги получили несколько удивительных функций, которые делают его лучше, чем другие библиотеки графиков:

  • Это интерактивно по умолчанию
  • Диаграммы не сохраняются как изображения, но сериализуются как JSON, что делает их открытыми для чтения с R, MATLAB, Julia и другими.
  • Экспорт вектор для печати/публикации
  • Легко манипулировать/встраивать в Интернете

Начиная

Нам нужен PiP (Установщик пакета Python), чтобы работать с заговорным, нам также нужно будет создать учетную запись с заговорной, если мы хотим использовать онлайн-объекты. Для этого урока мы будем придерживаться только оффлайн использования.

Монтаж

Чтобы установить заговор, откройте окно терминала и запустите следующую команду:

sudo pip install plotly

Это может занять несколько минут, чтобы собрать зависимости и загрузить их:

Использование сюжета

Чтобы использовать загарно в любом из сценариев Python, нам нужно будет импортировать заговор, как:

import plotly

Еще несколько шагов, и вы готовы использовать сюжету. Для использования в Интернете вам нужно настроить учетные данные. Это можно сделать как:

plotly.tools.set_credentials_file(username='YourUsernameHere', api_key='YourAPIkeyHere')

Для автономного использования нам нужно назвать сюжетом, как следующее для использования в автономном режиме:

plotly.offline.plot()

Тестовая установка

Прежде чем мы сможем начать использовать Pertly, давайте проверим его установку с помощью простого сценария:

import plotly
print(plotly.__version__)

Давайте посмотрим на вывод этой программы: как и ожидалось, это возвращает последнюю версию заговорной версии.

Сделать простой график

Начнем с простой программы «Hello, World» с помощью примерного кода-фрагмента:

import plotly
from plotly.graph_objs import Scatter, Layout

plotly.offline.plot({
    "data": [Scatter(x=[1, 2, 3, 4], y=[4, 3, 2, 1])],
    "layout": Layout(title="hello world")
})

Давайте посмотрим на вывод этой программы: в качестве видимости CLELY этот график сохраняется в виде HTML-файла в том же каталоге, что и скрипт.

Основные диаграммы

Чтобы начать визуализирующие данные, мы начнем с базовых диаграмм, использующих Purthly, а затем перейти к более сложным примерам, которые показывают повторное задание.

Разброс

Мы создадим базовую диаграмму, основанную на некоторых случайных данных, использующих Numpy. Если Numpy не установлен на вашем компьютере, установите его, используя эту команду:

pip install numpy

Вот образец программы, чтобы показать график разброса:

import plotly
import plotly.graph_objs as go

# Create random data with numpy
import numpy as np

N = 1000
random_x = np.random.randn(N)
random_y = np.random.randn(N)

# Create a trace
trace = go.Scatter(
    x = random_x,
    y = random_y,
    mode = 'markers'
)
data = [trace]

# Plot and embed in ipython notebook!
plotly.offline.plot(data, filename='basic-scatter')

Давайте посмотрим на вывод этой программы: в этом скрипте мы также предоставили имя для файла HTML.

Линия и график разброса

Мы можем создать некоторые более сложные/информативные участки, такие как линейный график, аналогичный, как указано выше:

import plotly
import plotly.graph_objs as go

# Create random data with numpy
import numpy as np

N = 100
random_x = np.linspace(0, 1, N)
random_y0 = np.random.randn(N)+5
random_y1 = np.random.randn(N)
random_y2 = np.random.randn(N)-5

# Create traces
trace0 = go.Scatter(
    x = random_x,
    y = random_y0,
    mode = 'markers',
    name = 'markers'
)

trace1 = go.Scatter(
    x = random_x,
    y = random_y1,
    mode = 'lines+markers',
    name = 'lines+markers'
)

trace2 = go.Scatter(
    x = random_x,
    y = random_y2,
    mode = 'lines',
    name = 'lines'
)

data = [trace0, trace1, trace2]
plotly.offline.plot(data, filename='scatter-mode')

Давайте посмотрим на вывод для этой программы: это не так. Этот график гораздо более информативна, чем сейчас выглядит прямо сейчас. Переместите указатель мыши на любой из нанесенной точки, и вы увидите больше информации о том точке:

Коробочные участки

Коробка сюжеты вполне информативны и полезны, особенно когда у вас слишком много, чтобы показать из очень мало данных. Давайте попробуем и создать один:

import random
import plotly
from numpy import *

N = 30.     # Number of boxes

# generate an array of rainbow colors by fixing the saturation and lightness of the HSL representation of colour
# and marching around the hue.
c = ['hsl('+str(h)+',50%'+',50%)' for h in linspace(0, 360, N)]

# Each box is represented by a dict that contains the data, the type,
# and the colour.
# Use list comprehension to describe N boxes, each with a different colour and
# with different randomly generated data:
data = [{
    'y': 3.5*sin(pi * i/N) + i/N+(1.5+0.5*cos(pi*i/N))*random.rand(10),
    'type':'box',
    'marker':{'color': c[i]}
    } for i in range(int(N))]

# format the layout
layout = {'xaxis': {'showgrid':False,'zeroline':False, 'tickangle':60,'showticklabels':False},
          'yaxis': {'zeroline':False,'gridcolor':'white'},
          'paper_bgcolor': 'rgb(233,233,233)',
          'plot_bgcolor': 'rgb(233,233,233)',
          }

plotly.offline.plot(data)

Давайте посмотрим на вывод этой программы: Опять же, мы переместили точку мыши на одну из точек, чтобы узнать больше информации о этой точке.

Контурные участки

Контурные участки являются одним из наиболее часто используемых научных участков:

from plotly import tools
import plotly
import plotly.graph_objs as go

trace0 = go.Contour(
    z=[[2, 4, 7, 12, 13, 14, 15, 16],
       [3, 1, 6, 11, 12, 13, 16, 17],
       [4, 2, 7, 7, 11, 14, 17, 18],
       [5, 3, 8, 8, 13, 15, 18, 19],
       [7, 4, 10, 9, 16, 18, 20, 19],
       [9, 10, 5, 27, 23, 21, 21, 21],
       [11, 14, 17, 26, 25, 24, 23, 22]],
    line=dict(smoothing=0),
)

trace1 = go.Contour(
    z=[[2, 4, 7, 12, 13, 14, 15, 16],
       [3, 1, 6, 11, 12, 13, 16, 17],
       [4, 2, 7, 7, 11, 14, 17, 18],
       [5, 3, 8, 8, 13, 15, 18, 19],
       [7, 4, 10, 9, 16, 18, 20, 19],
       [9, 10, 5, 27, 23, 21, 21, 21],
       [11, 14, 17, 26, 25, 24, 23, 22]],
    line=dict(smoothing=0.85),
)

data = tools.make_subplots(rows=1, cols=2,
                          subplot_titles=('Without Smoothing', 'With Smoothing'))

data.append_trace(trace0, 1, 1)
data.append_trace(trace1, 1, 2)

plotly.offline.plot(data)

Давайте посмотрим на вывод для этой программы: эти сюжеты используются много, пока показывая данные о нагреве нагрева.

Финансовые диаграммы

Финансовые диаграммы являются MyCG более сложными для чтения, но легко сделать с заговоркой. См. См. Некоторые типы диаграмм TAHT могут быть сделаны с загарно.

Сюжет временной серии

Начнем с часовой серии. Мы будем использовать пример данных по самой странно, который обслужил репозиторий GitHub. Вот образец программы:

import plotly
import plotly.graph_objs as go
import pandas as pd

df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/finance-charts-apple.csv")

data = [go.Scatter(
          x=df.Date,
          y=df['AAPL.Close'])]

plotly.offline.plot(data)

Давайте посмотрим на вывод этой программы: Если Пандас Не устанавливается на вашу машину, установите его, используя эту команду:

pip install pandas

CHLC Chart.

Диаграммы OHLC также являются отличным способом объяснения данных, связанных с временными сериями для неравномерного распространения. Давайте посмотрим на фрагмент кода:

import plotly
import plotly.graph_objs as go
from datetime import datetime

open_data = [33.0, 33.3, 33.5, 33.0, 34.1]
high_data = [33.1, 33.3, 33.6, 33.2, 34.8]
low_data = [32.7, 32.7, 32.8, 32.6, 32.8]
close_data = [33.0, 32.9, 33.3, 33.1, 33.1]

dates = [datetime(year=2013, month=10, day=10),
         datetime(year=2013, month=11, day=10),
         datetime(year=2013, month=12, day=10),
         datetime(year=2014, month=1, day=10),
         datetime(year=2014, month=2, day=10)]

trace = go.Ohlc(x=dates,
                open=open_data,
                high=high_data,
                low=low_data,
                close=close_data)
data = [trace]

plotly.offline.plot(data, filename='ohlc_datetime')

Давайте посмотрим на вывод этой программы:

Заключение

В этом уроке мы изучали еще одну превосходную библиотеку Python, которая используется для визуализации и вне форума.

Читать дальше Машинные учебные сообщения здесь.