Samouczek Python Matplotlib

W tej lekcji na temat biblioteki Python Matplotlib przyjrzymy się różnym aspektom tej biblioteki wizualizacji danych, których możemy użyć z Pythonem do generowania pięknych i intuicyjnych wykresów, które mogą wizualizować dane w formie, których firma chce od platformy. Aby ukończyć tę lekcję, omówimy następujące sekcje:

• Co to jest Python Matplotlib?
• Rodzaje działek możemy konstruować, takie jak wykres słupkowy, histogram, wykres rozproszenia, wykres obszarowy i wykres PE
• Praca z wieloma działkami
• Niektóre alternatywy dla Pythona Matplotlib

Co to jest Python Matplotlib?

Matplotlib.Pyplot to pakiet wykresu wykresu, którego można użyć do konstruowania 2-wymiarowej grafiki za pomocą języka programowania Python. Ze względu na jego wtyczkę, ten pakiet może być używany w dowolnych aplikacjach GUI, serwerach aplikacji internetowych lub prostych skryptach Python. Niektóre zestaw narzędzi, które rozszerzają funkcjonalność Python Matplotlib, to:

• Mapa bazy to biblioteka mapy, która zapewnia funkcje tworzenia projektów map, wybrzeża i granic politycznych
• Natgrid może być używane do nieregularnych danych siatki w odstępie danych
• Narzędzia Excel można użyć do wymiany danych między MS Excel i Matplotlib
• Cartopy to znacznie złożona biblioteka mapowania, która zapewnia nawet cechy transformacji obrazu oprócz projekcji punktu, linii i wielokąta

Tylko notatką przed rozpoczęciem jest to, że używamy wirtualnego środowiska do tej lekcji, którą wykonaliśmy za pomocą następującego polecenia:

Python -m virtualenv matplotlib
źródło matplotlib/bin/aktywuj

Po aktywności środowiska wirtualnego możemy zainstalować bibliotekę MATPlotlib w wirtualnej Env, aby można było wykonać przykłady:

PIP Instaluj matplotlib

Widzimy coś takiego, kiedy wykonujemy powyższe polecenie:

Możesz również użyć AnaConda, aby uruchomić te przykłady, co jest łatwiejsze. Jeśli chcesz zainstalować go na swoim komputerze, spójrz na lekcję opisującą „Jak zainstalować Anaconda Python na Ubuntu 18.04 lts ”i podziel się swoją opinią. Teraz przejdźmy do różnych rodzajów działek, które można zbudować za pomocą Python Matplotlib.

Rodzaje działek

Tutaj pokazujemy rodzaje działek, które można narysować za pomocą matplotlib Python.

Prosty wykres

Pierwszym przykładem, który zobaczymy, będzie prosty wykres wykresu. Ten przykład jest używany jako demonstracja tego, jak prosta jest skonstruowanie wykresu wraz z prostymi dostosowaniami. Zaczynamy od importu Matplotlib i zdefiniowania współrzędnych x i y, które chcemy wykreślić:

z matplotlib import Pyplot jako PLT
x = [3, 6, 9]
y = [2, 4, 6]

Następnie możemy wykreślić te współrzędne na wykresie i pokazać je:

plt.Wykres (x, y)
plt.pokazywać()

Kiedy to uruchomimy, zobaczymy następujący wykres:

Z zaledwie kilkoma wierszami kodu mogliśmy wykreślić wykres. Dodajmy kilka dostosowań, aby ten wykres był nieco bardziej ekspresyjny:

plt.Tytuł („LH Fout”)
plt.YLabel („Oś y”)
plt.xlabel („osi x”)

Dodaj powyższe wiersze kodu tuż przed wyświetleniem wykresu i wykresu będą teraz mieć etykiety:

Podejmiemy jeszcze jedną próbę dostosowania tego wykresu, aby uczynić go intuicyjnym z następującymi wierszami kodu, zanim pokażemy działkę:

x1 = [3, 6, 9]
Y1 = [2, 4, 6]
x2 = [2, 7, 9]
Y2 = [4, 5, 8]
plt.Tytuł („Informacje”)
plt.YLabel („Oś y”)
plt.xlabel („osi x”)
plt.Wykres (x1, y1, „g”, etykieta = „kwartał 1”, lineWidth = 5)
plt.Wykres (x2, y2, „r”, etykieta = „kwartał 2”, lineWidth = 5)
plt.legenda()
plt.siatka (prawda, kolor = „k”)
plt.pokazywać()

Zobaczymy następujący wykres, kiedy uruchomimy powyższy fragment kodu:

Zwróć uwagę na to, od czego zaczęliśmy i z czym skończyliśmy, bardzo intuicyjny i atrakcyjny wykres, którego możesz użyć w swoich prezentacjach i jest wykonany z czystego kodu Pythona, z pewnością coś, z czego można być dumnym !

Tworzenie wykresu słupkowego

Wykres słupkowy jest szczególnie przydatny, gdy chcemy platować porównanie z określonymi i ograniczonymi miarami. Na przykład porównanie średniej oceny studentów z jednym przedmiotem jest dobrym miejscem do użytku. Skonstruujmy wykres słupkowy dla tego samego użycia tutaj, fragmentem kodu będzie to:

AVG_MARKS = [81, 92, 55, 79]
Fizyka = [68, 77, 62, 74]
plt.bar ([0.25, 1.25, 2.25, 3.25], AVG_MARKS, label = „średnia”, szerokość =.5)
plt.bar([.75, 1.75, 2.75, 3.75], fizyka, label = „Physics”, Color = „R”, szerokość =.5)
plt.legenda()
plt.xlabel („zakres”)
plt.YLabel („Marks”)
plt.Tytuł („Porównanie”)
plt.pokazywać()

Wykres słupkowy utworzony z powyższymi przykładowymi danymi będzie wyglądał jak następujące:

Istnieje tutaj wiele barów, aby ustalić porównanie. Należy pamiętać, że zapewniliśmy szerokość każdego paska jako pierwsze parametry, a pasek jest przesunięty 0.5 wartości z poprzedniego.

Możemy połączyć tę konstrukcję wykresu słupkowego z biblioteką pandas, aby to dostosować, ale omówimy ją inną lekcją na pandy.

Rozkłady z histogramami

Histogramy są często mylone z wykresami słupkowymi. Najbardziej podstawowa różnica polega na ich użyciu. Wykresy słupkowe służą do ustalenia porównań między danymi, podczas gdy histogramy są używane do opisania rozkładu danych.

Na przykład, zastosujmy przykład na oceny studenckie, ale tym razem przyjrzymy się średniej oceny studentów i spojrzymy na ich dystrybucję. Oto fragment kodu, bardzo podobny do poprzedniego przykładu:

pojemniki = [0,10,20,30,40,50,60,70,80,90,100]]
AVG_MARKS = [81, 77, 55, 88, 81, 66, 51, 66, 81, 92, 55, 51]
plt.Hist (avg_marks, pojemniki, histtype = „bar”, rwidth = 0.8)
plt.xlabel („zakres”)
plt.YLabel („Marks”)
plt.Tytuł („Porównanie”)
plt.pokazywać()

Histogram utworzony z powyższymi przykładowymi danymi będzie wyglądał jak następujące:

Oś y pokazuje tutaj, że liczba uczniów ma te same oceny, które zostały dostarczone jak dane dotyczące budowy.

Wykresywanie rozproszenia

Jeśli chodzi o porównanie wielu zmiennych i ustanowienie ich wpływu na siebie, wykres rozproszenia jest dobrym sposobem na przedstawienie tego samego. W tym dane są reprezentowane jako punkty o wartości jednej zmiennej odzwierciedlonej przez oś poziomą, a wartość drugiej zmiennej określa pozycję punktu na osi pionowej.

Spójrzmy na prosty fragment kodu, aby opisać to samo:

x = [1,1.5,2,2.5,3,3.5,3.6]
y = [75,8,85,9,95,10,75]
x1 = [8,8.5,9,9.5,10,10.5,11]
Y1 = [3,35,3.7,4,45,5,52]
plt.Rozproszenie (x, y, etykieta = '10 uczniowie o wysokim punktacji, kolor = „r”)
plt.Rozproszenie (x1, y1, etykieta = '10 Studenci o niskim punktacji ', color =' b ')
plt.xlabel („Marks”)
plt.YLABEL („Liczba studentów”)
plt.Tytuł („Działka rozproszona”)
plt.legenda()
plt.pokazywać()

Wykres rozproszenia utworzony z powyższymi przykładowymi danymi będzie wyglądał jak następujące:

Działki obszarowe

Wykresy obszarowe są wykorzystywane głównie do śledzenia zmian w czasie. Są również określane jako działki w różnych tekstach. Na przykład, jeśli chcemy ustalić reprezentację czasu zainwestowanego przez studenta na każdy temat w ciągu jednego dnia, oto kod, z którym możemy zrobić to samo:

dni = [1,2,3,4,5]
Fizyka = [2,8,6,5,7]
Python = [5,4,6,4,1]
r = [7,9,4,3,1]
matematyka = [8,5,7,8,13]
plt.Wykres ([], [], color = 'm', etykieta = „fizyka”, lineWidth = 5)
plt.Wykres ([], [], color = 'c', etykieta = „Python”, lineWidth = 5)
plt.wykres ([], [], color = 'r', etykieta = 'r', lineWidth = 5)
plt.Wykres ([], [], color = „k”, etykieta = „matematyka”, lineWidth = 5)
plt.Stackplot (dni, fizyka, Python, r, matematyka, kolory = [„g”, „k”, „r”, „b”])
plt.xlabel („x”)
plt.ylabel („y”)
plt.Tytuł („Stack Fout”)
plt.legenda()
plt.pokazywać()

Wykres obszarowy utworzony z powyższymi przykładowymi danymi będzie wyglądał jak następujące:

Powyższe wyniki wyraźnie określa różnicę w czasie spędzonym przez ucznia na każdy temat z wyraźnym sposobem zapewnienia różnicy i rozkładu.

Wykresy kołowe

Kiedy chcemy podzielić całą część na wiele części i opisać ilość, jaką każda część zajmuje, wykres kołowy jest dobrym sposobem na wykonanie tej prezentacji. Służy do pokazania procentu danych w pełnym zestawie danych. Oto podstawowy fragment kodu, aby stworzyć prosty wykres ciast:

etykiety = „Python”, „C ++”, „Ruby”, „Java”
rozmiary = [225, 130, 245, 210]
kolory = [„r”, „b”, „g”, „c”]
eksploduj = (0.1, 0, 0, 0) # eksploduj 1. plasterek
# Działka
plt.Pie (rozmiary, eksploduj = eksploduj, etykiety = etykiety, kolory = kolory,
autopCt = '%1.1f %% ', shadow = true, startangle = 140)
plt.Oś („równa”)
plt.pokazywać()

Wykres kołowy utworzony z powyższymi przykładowymi danymi będzie wyglądał jak następujące:

W powyższych sekcjach przyjrzeliśmy się różnym komponentom graficznym, które możemy skonstruować z biblioteką MATPlotlib, aby reprezentować nasze dane w różnych formach i ustalić różnice w intuicyjnym sposób, jednocześnie będąc statystycznym.

Funkcje i alternatywy dla Matplotlib

Jedną z najlepszych funkcji MATPlotlib jest to, że może on pracować na wielu systemach operacyjnych i graficznych backendach. Obsługuje dziesiątki systemów operacyjnych i graficzne wyjście, na które patrzyliśmy w tej lekcji. Oznacza to, że możemy na to liczyć, jeśli chodzi o dostarczenie wyjścia w sposób potrzebny.

Istnieją różne inne biblioteki, które mogą konkurować z matplotlibem, jak:

1. Seahorn
2. Spiski
3. GGPLOT2

Chociaż wyżej wymienione biblioteki mogą przedstawić kilka zaawansowanych sposobów opisywania i prezentacji danych w sposób graficzny, ale nie ma zaprzeczenia w prostocie i skutecznym charakterze biblioteki Matplotlib.

Wniosek

W tej lekcji przyjrzeliśmy się różnym aspektom tej biblioteki wizualizacji danych, których możemy użyć z Pythonem do generowania pięknych i intuicyjnych wykresów, które mogą wizualizować dane w formie, których firma chce od platformy. Matplotlib jest jedną z najważniejszych biblioteki wizualizacji, jeśli chodzi o inżynierię danych i prezentowanie danych w większości form wizualnych, zdecydowanie umiejętność, którą musimy mieć za pasem.

Udostępnij swoją opinię na temat lekcji na Twitterze z @SBMaggarwal i @linuxhint.