Esta disposición le familiarizará con la diagramación en pitón con Matplotlib, que es ostensiblemente la biblioteca más prominente de diagramación y percepción de información para Pitón.
Establecimiento
Un enfoque menos exigente para introducir matplotlib es utilizar pip. Escriba siguiendo la dirección en la terminal:
pip instalar matplotlib
O bien, puedes descargarlo desde aquí e instalarlo manualmente.
Empezando (trazando una línea)
filter_none
editar
play_arrow
brillo_4
# Importando el módulo requerido
importar matplotlib.pyplot como plt
# Valores del eje x
x = [1,2,3]
# Los valores correspondientes del eje y
y = [2,4,1]
# trazando los puntos
plt.plot(x, y)
# nombrando el eje X
plt.xlabel(‘x – axis’)
# nombrando el eje y
plt.ylabel(‘y – axis’)
# dando un título a mi gráfico
plt.title(‘Mi primer gráfico!’)
# Función para mostrar la trama
plt.show()

El código parece ser claro como el cristal. Se siguieron los siguientes pasos:
Caracterizar el cubo X y las estimaciones de los pivotes Y relacionados como registros.
Trazarlos en el lienzo utilizando el trabajo .plot().
Dale un nombre a x-pivot e y-hub utilizando las capacidades .xlabel() y .ylabel().
Ponle un título a tu trama utilizando el trabajo .title().
Por fin, para ver tu trama, usamos .appear() work.
Trazando dos o más líneas en el mismo terreno
filter_none
editar
play_arrow
brillo_4
importar matplotlib.pyplot como plt
# línea 1 puntos
x1 = [1,2,3]
y1 = [2,4,1]
# trazando la línea 1 puntos
plt.plot(x1, y1, etiqueta = “línea 1”)
# línea 2 puntos
x2 = [1,2,3]
y2 = [4,1,3]
# trazando la línea 2 puntos
plt.plot(x2, y2, etiqueta = “línea 2”)
# nombrando el eje X
plt.xlabel(‘x – axis’)
# nombrando el eje y
plt.ylabel(‘y – axis’)
# dando un título a mi gráfico
plt.title(‘Dos líneas en el mismo gráfico!’)
# mostrar una leyenda en la trama
plt.legend()
# Función para mostrar la trama
plt.show()

Aquí, trazamos dos líneas en el mismo gráfico. Nos separamos entre ellas dándoles un nombre (etiqueta) que se pasa como una contención del trabajo de .plot().
La pequeña caja rectangular que da datos sobre el tipo de línea y su sombreado se llama leyenda. Podemos añadir una leyenda a nuestro gráfico utilizando el trabajo de .legend().
Personalización de las parcelas
Aquí, examinamos algunas personalizaciones rudimentarias relevantes para prácticamente cualquier trama.
importar matplotlib.pyplot como plt
# Valores del eje x
x = [1,2,3,4,5,6]
# Los valores correspondientes del eje y
y = [2,4,1,5,2,6]
# trazando los puntos
plt.plot(x, y, color=’green’, linestyle=’dashed’, linewidth = 3,
marcador=’o’, marcadorfacecolor=’azul’, tamaño del marcador=12)
# estableciendo el rango de los ejes x y y
plt.ylim(1,8)
plt.xlim(1,8)
# nombrando el eje X
plt.xlabel(‘x – axis’)
# nombrando el eje y
plt.ylabel(‘y – axis’)
# dando un título a mi gráfico
plt.title(‘Algunas personalizaciones geniales!’)
# Función para mostrar la trama
plt.show()

Aquí hay varias personalizaciones como:
estableciendo el ancho de línea, el estilo de línea, el sombreado de línea.
…el ajuste del marcador, el sombreado de la cara del marcador, el tamaño del marcador…
abrogando el recorrido del eje X e Y. En el caso de que no se haga la sustitución, el módulo pyplot utiliza el resaltado de escala automática para establecer el rango y la escala del pivote.
importar matplotlib.pyplot como plt
# Coordenadas x de los lados izquierdos de las barras
izquierda = [1, 2, 3, 4, 5]
# alturas de las barras
altura = [10, 24, 36, 40, 5]
# etiquetas para las barras
tick_label = [‘uno’, ‘dos’, ‘tres’, ‘cuatro’, ‘cinco’]
# trazando un gráfico de barras
plt.bar(izquierda, altura, tick_label = tick_label,
ancho = 0.8, color = [‘rojo’, ‘verde’])
# nombrando el eje X
plt.xlabel(‘x – axis’)
# nombrando el eje Y
plt.ylabel(‘y – axis’)
# Título de la trama
plt.title(‘Mi gráfico de barras!’)
# Función para mostrar la trama
plt.show()

Aquí, usamos la capacidad de plt.bar() para trazar el contorno de una barra.
Las direcciones X de la mitad izquierda de las barras se pasan junto a las estaturas de las barras.
también puedes dar un nombre a las facilidades de x-hub caracterizando las etiquetas de tick
Aquí, usamos la capacidad plt.hist() para trazar un histograma.
las frecuencias se pasan como la lista de edades.
El rango podría fijarse caracterizando una tupla que contenga la mínima y la máxima estima.
La siguiente etapa consiste en “contener” el alcance de las cualidades -es decir, dividir todo el alcance de las cualidades en una progresión de intermedios- y después contar el número de cualidades que caen en cada intermedio. Aquí hemos caracterizado los contenedores = 10. Por lo tanto, hay un total de 100/10 = 10 interinos.
Histograma
filter_none
editar
play_arrow
brillo_4
importar matplotlib.pyplot como plt
# Frecuencias
edades = [2,5,70,40,30,45,50,45,43,40,44,
60,7,13,57,18,90,77,32,21,20,40]
# estableciendo los rangos y el número de intervalos
rango = (0, 100)
cubos de basura = 10
# trazando un histograma
plt.hist(edades, cubos, rango, color = ‘verde’,
histtype = ‘bar’, rwidth = 0.8)
# Etiqueta del eje x
plt.xlabel(‘edad’)
# etiqueta de frecuencia
plt.ylabel(‘No. de personas’)
# Título de la trama
plt.title(‘Mi histograma’)
# Función para mostrar la trama
plt.show()
Salida:

Gráfica de dispersión
filter_none
editar
play_arrow
brillo_4
importar matplotlib.pyplot como plt
# Valores del eje x
x = [1,2,3,4,5,6,7,8,9,10]
# Valores del eje y
y = [2,4,5,7,6,8,9,11,12,12]
# trazando puntos como un gráfico de dispersión
plt.scatter(x, y, label= “estrellas”, color= “verde”,
marcador= “*”, s=30)
# Etiqueta del eje x
plt.xlabel(‘x – axis’)
# etiqueta de frecuencia
plt.ylabel(‘y – axis’)
# Título de la trama
plt.title(‘Mi trama de dispersión’)
# mostrando la leyenda
plt.legend()
# Función para mostrar la trama
plt.show()

Aquí, usamos la capacidad de plt.scatter() para trazar un gráfico de disipación.
Como línea, caracterizamos la x y relacionamos la y – el centro estima aquí también.
La contención del marcador se utiliza para establecer el personaje a utilizar como marcador. Su tamaño puede caracterizarse utilizando el parámetro s.
Gráfico circular
filter_none
editar
play_arrow
brillo_4
importar matplotlib.pyplot como plt
# definiendo las etiquetas
actividades = [‘comer’, ‘dormir’, ‘trabajar’, ‘jugar’]
# porción cubierta por cada etiqueta
rebanadas = [3, 7, 8, 6]
# color para cada etiqueta
colores = [‘r’, ‘y’, ‘g’, ‘b’]
# trazando el gráfico circular
plt.pie(rebanadas, etiquetas = actividades, colores=colores,
ángulo de inicio = 90, sombra = Verdadero, explotar = (0, 0, 0.1, 0),
radio = 1.2, autopista = ‘%1.1f%%’)
# Leyenda de la trama
plt.legend()
# mostrando la trama
plt.show()
La salida del programa anterior se ve así:

Aquí, trazamos un gráfico de pastel utilizando la estrategia plt.pie().
Como cuestión de primera importancia, caracterizamos los nombres utilizando un resumen llamado ejercicios.
En ese momento, el segmento de cada nombre puede ser caracterizado utilizando otro resumen llamado cortes.
El sombreado de cada marca se caracteriza utilizando un degradado llamado matices.
Sombra = Genuino mostrará una sombra debajo de cada nombre en el gráfico de pastel.
El ángulo de inicio gira el principio del diagrama de pastel en grados dados en el sentido contrario a las agujas del reloj desde el pivote X.
La detonación se utiliza para establecer la parte del intervalo con la que contrarrestar cada cuña.
La autopista se utiliza para organizar la estimación de cada marca. Aquí, lo hemos configurado para mostrar la tasa de estimación sólo hasta 1 decimal.
Trazando las curvas de la ecuación dada
filter_none
editar
play_arrow
brillo_4
# Importando los módulos requeridos
importar matplotlib.pyplot como plt
importar numpy como np
# estableciendo las coordenadas x –
x = np.arange(0, 2*(np.pi), 0.1)
# estableciendo las correspondientes coordenadas y
y = np.sin(x)
# encapsulando los puntos
plt.plot(x, y)
# Función para mostrar la trama
plt.show()

Aquí, usamos NumPy que es una exhibición universalmente útil para preparar un paquete en pitón.
Para establecer las estimaciones del eje x, usamos la técnica np.arange() en la que las dos contenciones iniciales son para el rango y la tercera para la adición escalonada. El resultado es un racimo numérico.
Para conseguir comparar las estimaciones de y-hub, básicamente usamos una estrategia predefinida de np.sin() en la exhibición de numpy.
Por fin, trazamos los focos pasando las exhibiciones de x e y a la obra plt.plot().