Cet arrangement vous permettra de vous familiariser avec la création de diagrammes en python avec Matplotlib, qui est ostensiblement la plus importante bibliothèque de création de diagrammes et de perception de l’information pour Python.
Établissement
Une approche moins exigeante pour introduire le matplotlib est d’utiliser le pip. Tapez en suivant la direction dans le terminal :
pip install matplotlib
OU, vous pouvez le télécharger à partir d’ici et l’installer manuellement.
Pour commencer ( Tracer une ligne)
filter_none
éditer
play_arrow
luminosité_4
# importer le module requis
importer matplotlib.pyplot en tant que plt
# Valeurs de l’axe des x
x = [1,2,3]
# valeurs correspondantes de l’axe des y
y = [2,4,1]
# tracer les points
plt.plot(x, y)
# nommer l’axe des x
plt.xlabel(‘x – axis’)
# nommer l’axe des y
plt.ylabel(‘y – axis’)
# donner un titre à mon graphique
plt.title(“Mon premier graphique !”)
# fonction pour montrer l’intrigue
plt.show()
Le code semble être clair comme de l’eau de roche. Les mesures suivantes ont été prises :
Caractériser le x-hub et les estimations y-pivot correspondantes comme des records.
Tracez-les sur la toile à l’aide de l’outil .plot().
Donnez un nom à x-pivot et y-hub en utilisant les capacités .xlabel() et .ylabel().
Donnez un titre à votre parcelle en utilisant l’œuvre .title().
Enfin, pour voir votre intrigue, nous utilisons le travail .appear().
Tracer deux ou plusieurs lignes sur une même parcelle
filter_none
éditer
play_arrow
luminosité_4
importer matplotlib.pyplot en tant que plt
# ligne 1 points
x1 = [1,2,3]
y1 = [2,4,1]
# tracer la ligne 1 points
plt.plot(x1, y1, label = “ligne 1”)
# ligne 2 points
x2 = [1,2,3]
y2 = [4,1,3]
# tracer la ligne 2 points
plt.plot(x2, y2, label = “ligne 2”)
# nommer l’axe des x
plt.xlabel(‘x – axis’)
# nommer l’axe des y
plt.ylabel(‘y – axis’)
# donner un titre à mon graphique
plt.title(“Deux lignes sur un même graphique !”)
# montrer une légende sur l’intrigue
plt.legend()
# fonction pour montrer l’intrigue
plt.show()
Ici, nous traçons deux lignes sur le même graphique. Nous les séparons en leur donnant un nom (label) qui est transmis comme une contention de travail .plot().
La petite boîte rectangulaire donnant des données sur le type de ligne et son ombrage est appelée légende. Nous pouvons ajouter une légende à notre tracé en utilisant le travail .legend().
Personnalisation des parcelles
Ici, nous examinons quelques coutumes rudimentaires qui s’appliquent à pratiquement tous les complots.
importer matplotlib.pyplot en tant que plt
# Valeurs de l’axe des x
x = [1,2,3,4,5,6]
# valeurs correspondantes de l’axe des y
y = [2,4,1,5,2,6]
# tracer les points
plt.plot(x, y, color=’green’, linestyle=’dashed’, linewidth = 3,
marker=’o’, markerfacecolor=’blue’, markersize=12)
# fixer la portée des axes x et y
plt.ylim(1,8)
plt.xlim(1,8)
# nommer l’axe des x
plt.xlabel(‘x – axis’)
# nommer l’axe des y
plt.ylabel(‘y – axis’)
# donner un titre à mon graphique
plt.title(“Quelques personnalisations sympas !”)
# fonction pour montrer l’intrigue
plt.show()
Voici plusieurs personnalisations comme :
en fixant la largeur de la ligne, le style de la ligne, l’ombrage de la ligne.
le réglage du marqueur, l’ombrage du visage du marqueur, la taille du marqueur.
l’abrogation de la course de moyeu x et y. Lorsque le remplacement n’est pas effectué, le module de pyplot utilise la mise en évidence automatique de l’échelle pour définir la plage de pivotement et l’échelle.
importer matplotlib.pyplot en tant que plt
# x-coordonnées des côtés gauches des barres
à gauche = [1, 2, 3, 4, 5]
# hauteur des barres
hauteur = [10, 24, 36, 40, 5]
# étiquettes pour les bars
tick_label = [“un”, “deux”, “trois”, “quatre”, “cinq”]
# tracer un diagramme à barres
plt.bar(gauche, hauteur, tick_label = tick_label,
largeur = 0,8, couleur = [“rouge”, “vert”])
# nommer l’axe des x
plt.xlabel(‘x – axis’)
# nommer l’axe des y
plt.ylabel(‘y – axis’)
# titre de l’intrigue
plt.title(“Mon diagramme à barres !”)
# fonction pour montrer l’intrigue
plt.show()
Ici, nous utilisons la capacité plt.bar() pour tracer le contour d’une barre.
Les directions x de la moitié gauche des barres sont passées à côté des statures de barres.
vous pouvez également donner un nom à x-hub facilitates en caractérisant les tick_labels
Ici, nous utilisons la capacité plt.hist() pour tracer un histogramme.
Les fréquences sont passées comme la liste des âges.
La fourchette pourrait être fixée en caractérisant un tuple contenant les valeurs min et max de l’estime.
L’étape suivante consiste à “contenir” la portée des qualités, c’est-à-dire à diviser toute la portée des qualités en une progression d’intervalles, puis à compter le nombre de qualités qui entrent dans chaque intervalle. Nous avons ici caractérisé des bidons = 10. Il y a donc un agrégat de 100/10 = 10 intérimaires.
Histogramme
filter_none
éditer
play_arrow
luminosité_4
importer matplotlib.pyplot en tant que plt
# de fréquences
âges = [2,5,70,40,30,45,50,45,43,40,44,
60,7,13,57,18,90,77,32,21,20,40]
# fixer les plages et le nombre d’intervalles
fourchette = (0, 100)
bacs = 10
# tracer un histogramme
plt.hist(ages, bins, range, color = ‘green’,
histtype = “bar”, rwidth = 0,8)
# étiquette de l’axe des x
plt.xlabel(“age”)
# étiquette de fréquence
plt.ylabel(“No. of people”)
# titre de l’intrigue
plt.title(“Mon histogramme”)
# fonction pour montrer l’intrigue
plt.show()
Sortie :
Scatter plot
filter_none
éditer
play_arrow
luminosité_4
importer matplotlib.pyplot en tant que plt
# valeurs de l’axe des x
x = [1,2,3,4,5,6,7,8,9,10]
# valeurs de l’axe des y
y = [2,4,5,7,6,8,9,11,12,12]
# tracer des points comme un nuage de points
plt.scatter(x, y, label= “stars”, color= “green”,
marker=”*”, s=30)
# étiquette de l’axe des x
plt.xlabel(‘x – axis’)
# étiquette de fréquence
plt.ylabel(‘y – axis’)
# titre de l’intrigue
plt.title(“Mon diagramme de dispersion !”)
# montrer la légende
plt.legend()
# fonction pour montrer l’intrigue
plt.show()
Ici, nous utilisons la capacité plt.scatter() pour tracer une courbe de dissipation.
Sous forme de ligne, nous caractérisons x et y relatif – les estimeurs du centre ici aussi.
La contention de marqueur est utilisée pour définir le caractère à utiliser comme marqueur. Sa taille peut être caractérisée par l’utilisation du paramètre s.
Diagramme circulaire
filter_none
éditer
play_arrow
luminosité_4
importer matplotlib.pyplot en tant que plt
# définir les étiquettes
activités = [“manger”, “dormir”, “travailler”, “jouer”].
# partie couverte par chaque étiquette
Tranches = [3, 7, 8, 6]
# couleur pour chaque étiquette
couleurs = [‘r’, ‘y’, ‘g’, ‘b’]
# tracer le graphique circulaire
plt.pie(tranches, étiquettes = activités, couleurs=couleurs,
startangle=90, shadow = Vrai, explode = (0, 0, 0.1, 0),
rayon = 1,2, autopct = ‘%1,1f%%’)
# comploter la légende
plt.legend()
# montrant l’intrigue
plt.show()
Le résultat du programme ci-dessus ressemble à ceci :
Ici, nous traçons un graphique circulaire en utilisant la stratégie plt.pie().
En premier lieu, nous caractérisons les noms à l’aide d’une liste appelée exercices.
À ce stade, le segment de chaque nom peut être caractérisé en utilisant un autre découpage appelé “coupes”.
L’ombrage de chaque marque est caractérisé par un dégradé appelé “teintes”.
ombre = L’authentique affichera une ombre sous chaque nom dans le camembert.
L’angle de départ fait tourner le début du diagramme circulaire de degrés donnés dans le sens inverse des aiguilles d’une montre à partir du pivot x.
La détonation est utilisée pour régler la partie de la portée avec laquelle nous contrebalançons chaque coin.
L’autopct est utilisé pour organiser l’estimation de chaque marque. Ici, nous l’avons réglé pour montrer l’estimation du taux jusqu’à une seule décimale.
Tracer les courbes d’une équation donnée
filter_none
éditer
play_arrow
luminosité_4
# l’importation des modules requis
importer matplotlib.pyplot en tant que plt
import numpy as np
# fixer les coordonnées x
x = np.arange(0, 2*(np.pi), 0,1)
# fixer les coordonnées y correspondantes
y = np.sin(x)
# faire le point
plt.plot(x, y)
# fonction pour montrer l’intrigue
plt.show()
Ici, nous utilisons NumPy qui est une exposition universellement utile préparant un paquet en python.
Pour fixer les x – hub estime, nous utilisons la technique np.arange() dans laquelle les deux premières contentions sont pour la gamme et la troisième pour l’addition par étapes. Le résultat est un groupe numineux.
Pour pouvoir comparer les estimations de y-hub, nous utilisons essentiellement une stratégie np.sin() prédéfinie sur l’exposition numpy.
Enfin, nous traçons les grandes lignes en passant les expositions x et y à l’œuvre plt.plot().