- Kaj je Python Matplotlib?
- Vrste ploskov, ki jih lahko sestavimo, kot so stolpčni grafikon, histogram, razpršeni ploskovni načrt, površinski načrt in grafikon Pe
- Delo z več ploskvami
- Nekaj alternativ za Python Matplotlib
Kaj je Python Matplotlib?
Matplotlib.pyplot je paket za risanje grafov, ki ga lahko uporabimo za izdelavo dvodimenzionalne grafike z uporabo programskega jezika Python. Ta paket se lahko zaradi svoje vtičljivosti uporablja v vseh aplikacijah GUI, strežnikih spletnih aplikacij ali preprostih skriptih Python. Nekaj orodij, ki razširjajo funkcionalnost Python Matplotlib, je:
- Osnovna karta je knjižnica za načrtovanje zemljevidov, ki ponuja funkcije za ustvarjanje projektov zemljevidov, obale in politične meje
- Natgrid se lahko uporablja za mreženje nepravilnih podatkov v razporejene podatke
- Excel orodja se lahko uporablja za izmenjavo podatkov med MS Excel in Matplotlib
- Kartopija je precej zapletena knjižnica za preslikavo, ki poleg projekcij točk, črt in mnogokotnikov ponuja celo funkcije preoblikovanja slik
Samo opozorilo pred začetkom je, da za to lekcijo uporabljamo navidezno okolje, ki smo ga naredili z naslednjim ukazom:
python -m virtualenv matplotlibizvor matplotlib / bin / activate
Ko je navidezno okolje aktivno, lahko v navidezno env namestimo knjižnico matplotlib, tako da lahko izvajamo primere, ki jih ustvarimo naslednji:
pip namestite matplotlibNekaj takega vidimo, ko izvršimo zgornji ukaz:
Anakondo lahko uporabite tudi za zagon teh primerov, kar je lažje. Če ga želite namestiti na svoj računalnik, si oglejte lekcijo, ki opisuje »Kako namestiti Anaconda Python na Ubuntu 18.04 LTS «in delite svoje povratne informacije. Zdaj pa pojdimo naprej na različne vrste ploskov, ki jih je mogoče zgraditi s Python Matplotlib.
Vrste parcel
Tu prikazujemo vrste ploskov, ki jih lahko narišemo s Python Matplotlib.
Preprost graf
Prvi primer, ki ga bomo videli, bo preprost graf. Ta primer je uporabljen kot prikaz, kako enostavno je zgraditi grafični diagram skupaj s preprostimi prilagoditvami, ki so priložene. Začnemo z uvozom matplotlib in določitvijo koordinat x in y, ki jih želimo narisati:
iz matplotlib import pyplot kot pltx = [3, 6, 9]
y = [2, 4, 6]
Po tem lahko te koordinate narišemo na graf in jih prikažemo:
plt.ploskev (x, y)plt.pokaži ()
Ko to zaženemo, bomo videli naslednji graf:
Z le nekaj vrsticami kode smo lahko izrisali graf. Dodamo nekaj prilagoditev, da bo ta graf nekoliko bolj izrazit:
plt.ylabel ('os Y')
plt.xlabel ('os X')
Dodajte zgornje vrstice kode tik preden prikažete ploskev in graf bo imel oznake:
Pred prikazom ploskve bomo še enkrat poskusili prilagoditi ta graf, da bo intuitiven z naslednjimi vrsticami kode:
x1 = [3, 6, 9]y1 = [2, 4, 6]
x2 = [2, 7, 9]
y2 = [4, 5, 8]
plt.naslov ('Info')
plt.ylabel ('os Y')
plt.xlabel ('os X')
plt.ploskev (x1, y1, 'g', label = 'Quarter 1', linewidth = 5)
plt.ploskev (x2, y2, 'r', label = 'Quarter 2', linewidth = 5)
plt.legenda ()
plt.mreža (True, color = 'k')
plt.pokaži ()
Ko zaženemo zgornji delček kode, bomo videli naslednjo ploskev:
Upoštevajte, s čim smo začeli in s čim smo končali, zelo intuitiven in privlačen graf, ki ga lahko uporabite v svojih predstavitvah, narejen pa je s čisto kodo Pythona, zagotovo nekaj, na kar je treba biti ponosen !
Izdelava stolpčnega grafa
Črtkasti graf je še posebej koristen, če želimo primerjati platformo s posebnimi in omejenimi merili. Primer primerjanja povprečnih ocen študentov z enim samim predmetom je dober primer. Zgradimo palični graf za isti primer uporabe tukaj, delček kode za to bo:
povprečne_oznake = [81, 92, 55, 79]fizika = [68, 77, 62, 74]
plt.vrstica ([0.25, 1.25, 2.25, 3.25], avg_marks, label = "Povprečje", širina =.5)
plt.bar([.75, 1.75, 2.75, 3.75], fizika, oznaka = "Fizika", barva = 'r', širina =.5)
plt.legenda ()
plt.xlabel ('Obseg')
plt.ylabel ('Oznake')
plt.naslov ('Primerjava')
plt.pokaži ()
Črtkasti graf, ustvarjen z zgornjimi vzorčnimi podatki, bo videti takole:
Za primerjavo je tukaj prisotnih več vrstic. Prosimo, upoštevajte, da smo kot prve parametre navedli širino vsake vrstice in vrstica je premaknjena za 0.5 vrednosti iz prejšnje.
To konstrukcijo črtnih grafov lahko kombiniramo s knjižnico Pandas, da jo bolj prilagodimo, vendar jo bomo obravnavali v drugi lekciji o Pandah.
Porazdelitve s histogrami
Histograme pogosto zamenjujejo s črtnimi kartami. Najosnovnejša razlika je v njihovem primeru uporabe. Palični grafikoni se uporabljajo za primerjavo podatkov, medtem ko se histogrami uporabljajo za opis distribucije podatkov.
Na primer, znova uporabimo primer za ocene študentov, tokrat pa si bomo ogledali le povprečne ocene študentov in njihovo porazdelitev. Tu je delček kode, zelo podoben prejšnjemu primeru:
koši = [0,10,20,30,40,50,60,70,80,90,100]povprečne_oznake = [81, 77, 55, 88, 81, 66, 51, 66, 81, 92, 55, 51]
plt.hist (avg_mark, bins, histtype = 'bar', rwidth = 0.8)
plt.xlabel ('Obseg')
plt.ylabel ('Oznake')
plt.naslov ('Primerjava')
plt.pokaži ()
Histogram, ustvarjen z zgornjimi vzorčnimi podatki, bo videti takole:
Os Y tukaj prikazuje, koliko učencev je dobilo enake ocene, ki so bile podane kot podatki za konstrukcijo.
Izdelava raztresenega zapleta
Ko gre za primerjavo več spremenljivk in ugotavljanje njihovega vpliva drug na drugega, je Scatter plot dober način, da predstavimo iste. Pri tem so podatki predstavljeni kot točke z vrednostjo ene spremenljivke, ki jo odraža vodoravna os, vrednost druge spremenljivke pa določa položaj točke na navpični osi.
Oglejmo si preprost delček kode, ki bo opisal isto:
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.razpršenost (x, y, label = '10 študentov z visokim številom točk ', color =' r ')
plt.razpršenost (x1, y1, label = '10 Študenti z nizko oceno ', color =' b ')
plt.xlabel ('Oznake')
plt.ylabel ('Število študentov')
plt.naslov ('Scatter Plot')
plt.legenda ()
plt.pokaži ()
Načrt razprševanja, ustvarjen z zgornjimi vzorčnimi podatki, bo videti takole:
Zemljišča
Zemljiške ploskve se uporabljajo predvsem za sledenje spremembam podatkov skozi čas. V različnih besedilih jih imenujejo tudi parcele skladov. Če želimo na primer določiti prikaz časa, ki ga je študent vložil za vsak predmet v enem dnevu, je tu koda, s katero lahko naredimo enako:
dni = [1,2,3,4,5]fizika = [2,8,6,5,7]
python = [5,4,6,4,1]
r = [7,9,4,3,1]
matematika = [8,5,7,8,13]
plt.ploskev ([], [], barva = 'm', oznaka = 'Fizika', širina črte = 5)
plt.ploskev ([], [], barva = 'c', oznaka = 'Python', širina črte = 5)
plt.ploskev ([], [], barva = 'r', oznaka = 'R', širina črte = 5)
plt.ploskev ([], [], barva = 'k', oznaka = 'Matematika', širina črte = 5)
plt.stackplot (dnevi, fizika, python, r, matematika, barve = ['g', 'k', 'r', 'b'])
plt.xlabel ('x')
plt.ylabel ('y')
plt.naslov ('Stack Plot')
plt.legenda ()
plt.pokaži ()
Parcela površine, ustvarjena z zgornjimi vzorčnimi podatki, bo videti takole:
Zgornji rezultati jasno dokazujejo razliko v času, ki ga študent porabi za vsak predmet, z jasnim načinom zagotavljanja razlike in porazdelitve.
Tortni grafikoni
Ko želimo razstaviti cel del na več delov in opisati znesek, ki ga zasede posamezen del, je tortni grafikon dober način za predstavitev. Uporablja se za prikaz odstotka podatkov v celotnem naboru podatkov. Tu je osnovni delček kode za izdelavo preprostega tortnega grafikona:
labels = 'Python', 'C ++', 'Ruby', 'Java'velikosti = [225, 130, 245, 210]
barve = ['r', 'b', 'g', 'c']
eksplodira = (0.1, 0, 0, 0) # eksplodira 1. rezina
# Plot
plt.pita (velikosti, eksplodiraj = eksplodiraj, nalepke = nalepke, barve = barve,
autopct = '% 1.1f %% ', senca = True, startangle = 140)
plt.os ("enako")
plt.pokaži ()
Tortni grafikon, ustvarjen z zgornjimi vzorčnimi podatki, bo videti takole:
V zgornjih oddelkih smo preučili različne grafične komponente, ki jih lahko sestavimo s knjižnico Matplotlib, da predstavljajo naše podatke v različnih oblikah in na intuitiven način ugotavljajo razlike, hkrati pa so statistični.
Značilnosti in alternative za Matplotlib
Ena najboljših lastnosti matplotliba je, da lahko deluje na številnih operacijskih sistemih in grafičnih zalednih datotekah. Podpira ducate operacijskih sistemov in grafični izhod, ki smo si ga ogledali v tej lekciji. To pomeni, da lahko računamo nanjo, ko gre za zagotavljanje rezultatov na način, ki ga potrebujemo.
Obstajajo številne druge knjižnice, ki se lahko kosajo z matplotlib, kot so:
- Seahorn
- Naklepno
- Ggplot2
Čeprav bi zgoraj omenjene knjižnice lahko predstavljale nekaj naprednih načinov za grafični opis in predstavitev podatkov, vendar preprostosti in učinkovitosti knjižnice matplotlib ni zanikanja.
Zaključek
V tej lekciji smo preučili različne vidike te knjižnice za vizualizacijo podatkov, ki jo lahko uporabljamo s Pythonom za ustvarjanje čudovitih in intuitivnih grafov, ki lahko vizualizirajo podatke v obliki, ki jo podjetje želi od platforme. Matplotlib je ena najpomembnejših knjižnic za vizualizacijo, ko gre za podatkovni inženiring in predstavitev podatkov v večini vizualnih oblik, kar je vsekakor veščina, ki jo moramo imeti pod pasom.
Prosimo, delite svoje povratne informacije o lekciji na Twitterju z @sbmaggarwal in @LinuxHint.