Diese Anordnung wird Sie mit der Diagrammerstellung in Python mit Matplotlib vertraut machen, die angeblich die bekannteste Bibliothek für Diagrammerstellung und Informationswahrnehmung für Python ist.

Einrichtung

Ein am wenigsten anspruchsvoller Ansatz zur Einführung von Matplotlib ist die Verwendung von pip. Tippen Sie in Richtung Terminal:

pip Matplotlib installieren

ODER, Sie können es von hier herunterladen und manuell installieren.

Erste Schritte (Plotten einer Linie)

filter_keine

bearbeiten

spiel_pfeil

Helligkeit_4

# Importieren des erforderlichen Moduls

matplotlib.pyplot als plt importieren

# x-Achsenwerte

x = [1,2,3]

# entsprechende Y-Achsenwerte

y = [2,4,1]

# die Punkte aufzeichnen 

plt.plot(x, y)

# Benennung der x-Achse

plt.xlabel(‘x – Achse’)

# Benennung der y-Achse

plt.ylabel(‘y – Achse’)

# meiner Grafik einen Titel geben

plt.title (“Mein erstes Diagramm!”)

# Funktion zum Anzeigen der Handlung

plt.anzeigen()

Der Code scheint kristallklar zu sein. Folgende Schritte wurden unternommen:

Charakterisieren Sie den x-Hub und die zugehörigen y-Pivot-Schätzungen als Datensätze.

Plotten Sie sie mit Hilfe der .plot()-Arbeit auf der Leinwand.

Geben Sie einen Namen für x-Pivot und y-Hub unter Verwendung von .xlabel() und .ylabel() Kapazitäten.

Geben Sie Ihrer Handlung unter Verwendung von .title() einen Titel.

Endlich, um Ihre Handlung zu sehen, verwenden wir .appear() work.

Plotten von zwei oder mehr Linien auf derselben Fläche

filter_keine

bearbeiten

spiel_pfeil

Helligkeit_4

matplotlib.pyplot als plt importieren

# Zeile 1 Punkte

x1 = [1,2,3]

y1 = [2,4,1]

# Plotten der Linie 1 Punkte 

plt.plot(x1, y1, Beschriftung = “Zeile 1”)

# Linie 2 Punkte

x2 = [1,2,3]

y2 = [4,1,3]

# Plotten der Linie 2 Punkte 

plt.plot(x2, y2, Beschriftung = “Zeile 2”)

# Benennung der x-Achse

plt.xlabel(‘x – Achse’)

# Benennung der y-Achse

plt.ylabel(‘y – Achse’)

# meiner Grafik einen Titel geben

plt.title (‘Zwei Linien auf demselben Graphen!’)

# eine Legende auf der Handlung zeigen

plt.legende()

# Funktion zum Anzeigen der Handlung

plt.anzeigen()

Hier zeichnen wir zwei Linien auf dem gleichen Diagramm. Wir trennen zwischen ihnen, indem wir ihnen einen Namen (Label) geben, der als Behauptung der .plot()-Arbeit übergeben wird.

Der kleine rechteckige Kasten, der Daten über die Art der Linie und ihre Schattierung enthält, wird als Legende bezeichnet. Wir können eine Legende zu unserem Plot hinzufügen, indem wir die .legend()-Arbeit verwenden.

Anpassung von Plots

Hier untersuchen wir einige rudimentäre Anpassungen, die für praktisch jede Handlung relevant sind.

matplotlib.pyplot als plt importieren

# x-Achsenwerte

x = [1,2,3,4,5,6]

# entsprechende Y-Achsenwerte

y = [2,4,1,5,2,6]

# die Punkte aufzeichnen 

plt.plot(x, y, Farbe=’grün’, Linienart=’gestrichelt’, Linienbreite = 3,

         marker=’o’, markerfacecolor=’blau’, markersize=12)

# Einstellung des Bereichs der x- und y-Achse

plt.ylim(1,8)

plt.xlim(1,8)

# Benennung der x-Achse

plt.xlabel(‘x – Achse’)

# Benennung der y-Achse

plt.ylabel(‘y – Achse’)

# meiner Grafik einen Titel geben

plt.title (‘Einige coole Anpassungen!’)

# Funktion zum Anzeigen der Handlung

plt.anzeigen()

Hier sind verschiedene Anpassungen wie:

Einstellung der Linienbreite, des Linienstils, der Linienschattierung.

Setzen der Markierung, Gesichtsschattierung der Markierung, Größe der Markierung.

Abschaffung des x- und y-Nabenlaufs. Für den unwahrscheinlichen Fall, dass die Ersetzung nicht durchgeführt wird, verwendet das Pyplot-Modul die automatische Skalenhervorhebung, um den Schwenkbereich und den Maßstab einzustellen.

matplotlib.pyplot als plt importieren

# x-Koordinaten der linken Seite der Balken 

links = [1, 2, 3, 4, 5]

# Höhen der Balken

Höhe = [10, 24, 36, 40, 5]

# Etiketten für Balken

tick_label = [“eins”, “zwei”, “drei”, “vier”, “fünf”]

# ein Balkendiagramm zeichnen

plt.bar(links, Höhe, tick_label = tick_label,

        Breite = 0,8, Farbe = [‘rot’, ‘grün’])

# Benennung der x-Achse

plt.xlabel(‘x – Achse’)

# Benennung der y-Achse

plt.ylabel(‘y – Achse’)

# Handlungstitel

plt.title (‘Mein Balkendiagramm!’)

# Funktion zum Anzeigen der Handlung

plt.anzeigen()

Hier verwenden wir die plt.bar()-Kapazität, um einen Balkenumriss zu zeichnen.

x-Richtungen der linken Balkenhälfte werden neben den Balkenstatuen durchlaufen.

Sie können x-hub facilites ebenfalls einen Namen geben, indem Sie tick_labels

Hier verwenden wir die plt.hist()-Kapazität, um ein Histogramm zu zeichnen.

Frequenzen werden als Altersliste weitergegeben.

Der Bereich könnte durch die Charakterisierung eines Tupels mit minimaler und maximaler Wertschätzung festgelegt werden.

In der folgenden Phase wird der Umfang der Qualitäten “containerisiert” – d.h. der gesamte Umfang der Qualitäten wird in eine Reihe von Zwischenstufen unterteilt – und anschließend wird ermittelt, welche Anzahl von Qualitäten in jede Zwischenstufe fällt. Hier haben wir charakterisierte Kanister = 10. Es gibt also eine Summe von 100/10 = 10 Zwischenstufen.

Histogramm

filter_keine

bearbeiten

spiel_pfeil

Helligkeit_4

matplotlib.pyplot als plt importieren

# Frequenzen

Alter = [2,5,70,40,30,45,50,45,43,40,44,

        60,7,13,57,18,90,77,32,21,20,40]

# Einstellung der Bereiche und der Anzahl der Intervalle

Bereich = (0, 100)

Behälter = 10 

# ein Histogramm aufzeichnen

plt.hist(Alter, Bins, Bereich, Farbe = ‘grün’,

        histtype = ‘bar’, rBreite = 0,8)

# x-Achsen-Beschriftung

plt.xlabel(‘Alter’)

# Frequenz-Label

plt.ylabel (“Anzahl der Personen”)

# Handlungstitel

plt.title (‘Mein Histogramm’)

# Funktion zum Anzeigen der Handlung

plt.anzeigen()

Ausgabe:

Streudiagramm

filter_keine

bearbeiten

spiel_pfeil

Helligkeit_4

matplotlib.pyplot als plt importieren

# x-Achsen-Werte

x = [1,2,3,4,5,6,7,8,9,10]

# y-Achsen-Werte

y = [2,4,5,7,6,8,9,11,12,12]

# Punkte als Streudiagramm aufzeichnen

plt.scatter(x, y, Bezeichnung= “Sterne”, Farbe= “grün”, 

            Markierung= “*”, s=30)

# x-Achsen-Beschriftung

plt.xlabel(‘x – Achse’)

# Frequenz-Label

plt.ylabel(‘y – Achse’)

# Handlungstitel

plt.title (‘Mein Streudiagramm!’)

# Legende anzeigen

plt.legende()

# Funktion zum Anzeigen der Handlung

plt.anzeigen()

Hier verwenden wir die plt.scatter()-Kapazität, um ein Dissipationsplot zu zeichnen.

Als Linie charakterisieren wir x und damit verbunden y – auch hier die Wertschätzung der Nabe.

Marker-Konflikt wird verwendet, um das Zeichen festzulegen, das als Markierung verwendet werden soll. Seine Größe kann durch die Verwendung des Parameters s charakterisiert werden.

Tortendiagramm

filter_keine

bearbeiten

spiel_pfeil

Helligkeit_4

matplotlib.pyplot als plt importieren

# Etiketten definieren

Aktivitäten = [‘essen’, ‘schlafen’, ‘arbeiten’, ‘spielen’]

# von jedem Etikett abgedeckter Teil

Scheiben = [3, 7, 8, 6]

# Farbe für jedes Etikett

Farben = [‘r’, ‘y’, ‘g’, ‘b’]

# das Tortendiagramm aufzeichnen

plt.pie(slices), Beschriftungen = Aktivitäten, Farben=Farben, 

        Startwinkel=90, Schatten = Wahr, explodieren = (0, 0, 0.1, 0),

        Radius = 1,2, Autopkt = ‘%1,1f%%%’)

# Plotting-Legende

plt.legende()

# zeigt die Handlung

plt.anzeigen()

Die Ausgabe des obigen Programms sieht wie folgt aus:

Hier zeichnen wir ein Tortendiagramm unter Verwendung der Strategie plt.pie().

In erster Linie charakterisieren wir die Namen mit Hilfe einer Auflistung, die wir Übungen nennen.

An diesem Punkt kann das Segment jedes Namens mit Hilfe einer weiteren Unterteilung, den sogenannten Schnitten, charakterisiert werden.

Die Schattierung für jede Markierung wird mit Hilfe eines Rundowns, genannt Farbtöne, charakterisiert.

shadow = Genuine zeigt einen Schatten unter jedem Namen in der Tortengrafik.

startangle dreht den Anfang des Tortendiagramms um vorgegebene Grad gegen den Uhrzeigersinn vom x-Drehpunkt aus.

Detonate wird verwendet, um den Teil der Spannweite festzulegen, mit dem wir jeden Keil ausgleichen.

autopct wird verwendet, um die Schätzung jeder Markierung zu organisieren. Hier haben wir es so eingestellt, dass es die Wertschätzung der Rate nur bis zu einer Dezimalstelle anzeigt.

Aufzeichnen von Kurven einer gegebenen Gleichung

filter_keine

bearbeiten

spiel_pfeil

Helligkeit_4

# Importieren der erforderlichen Module

matplotlib.pyplot als plt importieren

numpy als np importieren

# Einstellung der x – Koordinaten

x = np.aBereich(0, 2*(np.pi), 0,1)

# Einstellung der entsprechenden y-Koordinaten

y = np.sin(x)

# Eintopfung der Punkte

plt.plot(x, y)

# Funktion zum Anzeigen der Handlung

plt.anzeigen()

Hier verwenden wir NumPy, ein universell einsetzbares Exponat, das ein Bündel in Python vorbereitet.

Um die x – Hub-Schätzungen festzulegen, verwenden wir die np.arange()-Technik, bei der die ersten beiden Behauptungen für den Bereich und die dritte für die schrittweise Addition gelten. Das Ergebnis ist ein Numpy-Cluster.

Um vergleichende y-Hub-Abschätzungen zu erhalten, verwenden wir grundsätzlich eine vordefinierte np.sin()-Strategie für das Numpie-Exponat.

Schließlich zeichnen wir die Schwerpunkte auf, indem wir x- und y-Exponate an das plt.plot()-Werk übergeben.