Python Matplotlib Tutorial

In dieser Lektion über die Python Matplotlib -Bibliothek werden wir verschiedene Aspekte dieser Datenvisualisierungsbibliothek untersuchen, die wir mit Python verwenden können, um schöne und intuitive Diagramme zu generieren, die Daten in einem Formular visualisieren können, das Unternehmen von einer Plattform wünscht. Um diese Lektion zu vervollständigen, werden wir die folgenden Abschnitte abdecken:

• Was ist Python Matplotlib?
• Arten von Diagrammen können wir wie Balkendiagramm, Histogramm, Streudiagramm, Flächendiagramm und PE -Diagramm konstruieren
• Arbeiten mit mehreren Handlungen
• Einige Alternativen für Python Matplotlib

Was ist Python Matplotlib?

Der Matplotlib.PyPlot ist ein Diagramm-Ploting-Paket, mit dem zweidimensionale Grafiken mithilfe der Python-Programmiersprache konstruiert werden können. Aufgrund seiner steckbaren Natur kann dieses Paket in GUI -Anwendungen, Webanwendungsservern oder einfachen Python -Skripten verwendet werden. Einige Toolkits, die die Funktionalität von Python Matplotlib erweitern, sind:

• Basiskarte ist eine Karten -Ploting -Bibliothek, die Funktionen zum Erstellen von Kartenprojekten, Küsten und politischen Grenzen bietet
• Natgrid Kann verwendet werden, um unregelmäßige Daten in Abstandsdaten einzudämmen
• Excel -Werkzeuge Kann verwendet werden, um Daten zwischen MS Excel und Matplotlib auszutauschen
• Kartopie ist eine viel komplexe Mapping -Bibliothek, die auch Bildtransformationsmerkmale bietet, abgesehen von Punkt-, Linien- und Polygonprojektionen

Nur eine Notiz vor dem Start ist, dass wir eine virtuelle Umgebung für diese Lektion verwenden, die wir mit dem folgenden Befehl gemacht haben:

python -m virualenv Matplotlib
Quell -Matplotlib/bin/aktivieren

Sobald die virtuelle Umgebung aktiv ist, können wir die Matplotlib -Bibliothek innerhalb der virtuellen Umgebung installieren, damit Beispiele, die wir als nächstes erstellen, ausgeführt werden können:

PIP Installieren Sie Matplotlib

Wir sehen so etwas, wenn wir den obigen Befehl ausführen:

Sie können auch Anaconda verwenden, um diese Beispiele durchzuführen, was einfacher ist. Wenn Sie es auf Ihrem Computer installieren möchten, sehen Sie sich die Lektion an, in der „So installieren Sie Anaconda Python auf Ubuntu 18 installieren.04 LTS “und teilen Sie Ihr Feedback. Lassen Sie uns nun zu verschiedenen Arten von Diagrammen voranschreiten, die mit Python Matplotlib konstruiert werden können.

Arten von Handlungen

Hier demonstrieren wir die Arten von Handlungen, die mit Python Matplotlib gezeichnet werden können.

Einfache Grafik

Das erste Beispiel, das wir sehen werden. Dieses Beispiel wird als Demonstration verwendet, wie einfach es ist, ein Diagrammdiagramm zusammen mit einfachen Anpassungen zu erstellen, die damit verbunden sind. Wir beginnen mit dem Importieren von Matplotlib und definieren die X- und Y -Koordinaten, die wir zeichnen möchten:

von Matplotlib Pyplot als PLT importieren
x = [3, 6, 9]
y = [2, 4, 6]

Danach können wir diese Koordinaten im Diagramm zeichnen und sie anzeigen:

PLT.Diagramm (x, y)
PLT.zeigen()

Wenn wir dies ausführen, werden wir das folgende Diagramm sehen:

Mit nur wenigen Codezeilen konnten wir einen Diagramm zeichnen. Lassen Sie uns ein paar Anpassungen hinzufügen, um diese Grafik etwas ausdrucksvoller zu gestalten:

PLT.Titel ('LH Plot')
PLT.Ylabel ('Y -Achse')
PLT.xlabel ('x Achse')

Fügen Sie oben vor, bevor Sie das Diagramm anzeigen, und das Diagramm verfügt jetzt über Etiketten:

Wir werden einen weiteren Versuch geben, dieses Diagramm anzupassen, um es mit den folgenden Codezeilen intuitiv zu machen, bevor wir das Diagramm anzeigen:

x1 = [3, 6, 9]
y1 = [2, 4, 6]
x2 = [2, 7, 9]
y2 = [4, 5, 8]
PLT.Titel ('info')
PLT.Ylabel ('Y -Achse')
PLT.xlabel ('x Achse')
PLT.Diagramm (x1, y1, 'g', Label = 'Viertel 1', Linewidth = 5)
PLT.Diagramm (x2, y2, 'r', Label = 'Viertel 2', Linienbreite = 5)
PLT.Legende()
PLT.Grid (wahr, color = 'k')
PLT.zeigen()

Wir werden das folgende Diagramm sehen, wenn wir den obigen Code -Snippet ausführen:

Beachten Sie, was wir angefangen haben und was wir am Ende haben, ein sehr intuitives und attraktiv !

Ein Balkendiagramm erstellen

Ein Balkendiagramm ist speziell nützlich, wenn wir einen Vergleich mit spezifischen und begrenzten Maßnahmen plattieren möchten. Zum Beispiel ist der Vergleich der durchschnittlichen Noten von Schülern mit einem einzigen Fach ein guter Anwendungsfall. Lassen Sie uns hier ein Balkendiagramm für denselben Anwendungsfall erstellen. Das Code-Snippet dafür ist:

avg_marks = [81, 92, 55, 79]
Physik = [68, 77, 62, 74]
PLT.Bar ([0).25, 1.25, 2.25, 3.25], avg_marks, Label = "Durchschnitt", width =.5)
PLT.Bar([.75, 1.75, 2.75, 3.75], Physik, Label = "Physik", color = 'r', width =.5)
PLT.Legende()
PLT.xlabel ('Bereich')
PLT.Ylabel ('Marks')
PLT.Titel ('Vergleich')
PLT.zeigen()

Das mit den oben genannte Beispieldaten erstellte Balkendiagramm sieht wie folgt aus:

Hier sind mehrere Balken vorhanden, um einen Vergleich festzulegen. Bitte beachten Sie, dass wir die Breite jeder Balken als erste Parameter bereitgestellt haben und die Balken 0 verschoben werden.5 Werte aus dem vorherigen.

Wir können diese Balkendiagrammkonstruktion mit Pandas Library kombinieren, um dies mehr anzupassen, aber wir werden sie in einer anderen Lektion über Pandas abdecken.

Verteilungen mit Histogrammen

Histogramme werden oft mit Balkendiagrammen verwechselt. Der grundlegendste Unterschied liegt in ihrem Anwendungsfall. Balkendiagramme werden verwendet, um Vergleiche zwischen Daten festzulegen, während Histogramme zur Beschreibung der Datenverteilung verwendet werden.

Lassen Sie uns beispielsweise das Beispiel für Studentenmarken erneut anwenden, aber diesmal werden wir uns nur die durchschnittlichen Noten der Schüler ansehen und sehen, wie sie verteilt sind. Hier ist der Code -Snippet, der dem vorherigen Beispiel sehr ähnlich ist:

Bins = [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, Bins, Histype = 'bar', rwidth = 0.8)
PLT.xlabel ('Bereich')
PLT.Ylabel ('Marks')
PLT.Titel ('Vergleich')
PLT.zeigen()

Das mit oben genannte Beispieldaten erstellte Histogramm sieht wie folgt aus:

Die Y-Achse zeigt hier, wie viele Schüler die gleichen Noten erhalten haben, die als Daten für die Konstruktion bereitgestellt wurden.

Eine Streuhandlung machen

Wenn es darum geht, mehrere Variablen zu vergleichen und ihre Auswirkungen aufeinander zu etablieren, ist Streudiagramm eine gute Möglichkeit, dasselbe zu präsentieren. Darin werden Daten als Punkte mit Wert einer Variablen dargestellt, die durch die horizontale Achse reflektiert werden, und der Wert der zweiten Variablen bestimmt die Position des Punktes auf der vertikalen Achse.

Schauen wir uns einen einfachen Code -Snippet an, um dasselbe zu beschreiben:

x = [1,1.5,2,2.5,3,3.5,3.6]
y = [75,8,85,95,10,75]
x1 = [8,8.5,9,9.5,10,10.5,11]
y1 = [3,35,3.7,4,45,5,52]
PLT.Streuung (x, y, label = '10 High -Scoring -Schüler ', color =' r ')
PLT.Streuung (x1, y1, label = '10 Low -Scoring -Schüler ', Color =' B ')
PLT.Xlabel ('Marks')
PLT.Ylabel ('Student Count')
PLT.Titel ('Streudiagramm')
PLT.Legende()
PLT.zeigen()

Das mit oben genannte Beispieldaten erstellte Streudiagramm sieht wie folgt aus:

Flächendiagramme

Die Flächendiagramme werden hauptsächlich verwendet, um Änderungen der Daten im Laufe der Zeit zu verfolgen. Sie werden auch als Stapeldiagramme in verschiedenen Texten bezeichnet. Wenn wir beispielsweise eine von einem Schüler in einen einzelnen Tag investierte Zeitvertretung festlegen möchten, ist hier der Code, mit dem wir dasselbe tun können:

Tage = [1,2,3,4,5]
Physik = [2,8,6,5,7]
Python = [5,4,6,4,1]
r = [7,9,4,3,1]
Math = [8,5,7,8,13]
PLT.Plot ([], [], color = 'm', label = 'Physics', Linewidth = 5)
PLT.Diagramm ([], [], Color = 'C', Label = 'Python', Linewidth = 5)
PLT.Diagramm ([], [], color = 'r', label = 'r', linewidth = 5)
PLT.Plot ([], [], color = 'k', label = 'math', linewidth = 5)
PLT.Stackplot (Tage, Physik, Python, R, Math, Farben = ['G', 'K', 'R', 'B'])
PLT.xlabel ('x')
PLT.Ylabel ('Y')
PLT.Titel ('Stack Plot')
PLT.Legende()
PLT.zeigen()

Das mit oben genannte Beispieldaten erstellte Bereichsdiagramm sieht wie folgt aus:

Die obige Ausgabe macht eindeutig einen Unterschied in der Zeit, der von einem Schüler in jedem Fach ausgegeben wird und die Differenz und die Verteilung eindeutig macht.

Kreisdiagramme

Wenn wir den gesamten Teil in mehrere Teile unterteilen und die Menge beschreiben möchten, die jeder Teil einnimmt, ist ein Kreisdiagramm eine gute Möglichkeit, diese Präsentation zu machen. Es wird verwendet, um den Prozentsatz der Daten im vollständigen Datensatz anzuzeigen. Hier ist ein grundlegender Code -Snippet, um ein einfaches Kreisdiagramm zu erstellen:

Labels = 'Python', 'C ++', 'Ruby', 'Java' '
Größen = [225, 130, 245, 210]
Farben = ['R', 'B', 'G', 'C']
explode = (0.1, 0, 0, 0) # explodieren 1st Slice
# Parzelle
PLT.Kuchen (Größen, explode = explode, Beschriftungen = Labels, Farben = Farben,
autopct = '%1.1f %% ', Shadow = true, startangle = 140)
PLT.Achse ('gleich')
PLT.zeigen()

Das mit oben genannte Beispieldaten erstellte Kreisdiagramm sieht wie folgt aus:

In den obigen Abschnitten haben wir verschiedene grafische Komponenten untersucht, die wir mit der Matplotlib -Bibliothek konstruieren können, um unsere Daten in verschiedenen Formen darzustellen und Unterschiede auf intuitive Weise festzulegen und gleichzeitig statistisch zu sein.

Merkmale und Alternativen für Matplotlib

Eines der besten Funktionen für Matplotlib ist, dass es an vielen Betriebssystemen und grafischen Backends arbeiten kann. Es unterstützt Dutzende von Betriebssystemen und grafischen Ausgaben, die wir in dieser Lektion betrachteten. Dies bedeutet, dass wir uns darauf verlassen können, wenn es darum geht, eine Ausgabe auf eine Weise bereitzustellen, die wir brauchen.

Es gibt verschiedene andere Bibliotheken, die mit Matplotlib wie folgt konkurrieren können:

1. Seahorn
2. Handlung
3. Ggplot2

Obwohl oben erwähnte Bibliotheken möglicherweise einige fortgeschrittene Möglichkeiten zur Beschreibung und Präsentation von Daten in grafischer Weise darstellen, aber keine Verleugnung in der Einfachheit und effektiven Natur der Matplotlib -Bibliothek.

Abschluss

In dieser Lektion haben wir verschiedene Aspekte dieser Datenvisualisierungsbibliothek untersucht, die wir mit Python verwenden können, um schöne und intuitive Diagramme zu generieren, die Daten in einem Formular visualisieren können, das Unternehmen von einer Plattform wünscht. Die Matplotlib ist eine der wichtigsten Visualisierungsbibliothek, wenn es um Daten Engineering und die Präsentation von Daten in den meisten visuellen Formen geht, definitiv eine Fähigkeit, die wir unter dem Gürtel benötigen.

Bitte teilen Sie Ihr Feedback zur Lektion auf Twitter mit @sbmaggarwal und @linuxHint mit.