Questa disposizione vi farà conoscere i diagrammi in python con Matplotlib, che è apparentemente la più importante libreria di grafici e informazioni sulla percezione del Python.

Stabilimento

Un approccio meno impegnativo per introdurre il matplotlib è quello di utilizzare il pip. Digitare seguendo la direzione nel terminale:

pip installare matplotlib

OPPURE, potete scaricarlo da qui e installarlo manualmente.

Come iniziare ( Tracciare una linea)

filtro_nessuno

modifica

giocare_freccia

luminosità_4

# Importare il modulo richiesto

importare matplotlib.pyplot come plt

# x valori degli assi

x = [1,2,3]

# valori dell’asse y corrispondenti

y = [2,4,1]

# tracciando i punti 

plt.plot(x, y)

# nominare l’asse x

plt.xlabel(‘x – asse’)

# nominare l’asse y

plt.ylabel(‘y – asse’)

# dando un titolo al mio grafico

plt.title (‘Il mio primo grafico!’)

# funzione per mostrare la trama

plt.show()

Il codice sembra essere chiaro come il cristallo. I passi successivi sono stati seguiti:

Caratterizzare l’x-hub e le relative stime di y-pivot come record.

Tracciateli su tela utilizzando il lavoro .plot().

Dare un nome a x-pivot e y-hub utilizzando le capacità .xlabel() e .ylabel().

Date un titolo alla vostra trama utilizzando il lavoro .title().

Finalmente, per vedere la vostra trama, usiamo il lavoro .appear().

Tracciare due o più linee sullo stesso appezzamento

filtro_nessuno

modifica

giocare_freccia

luminosità_4

importare matplotlib.pyplot come plt

# linea 1 punti

x1 = [1,2,3]

y1 = [2,4,1]

# tracciando la linea 1 punti 

plt.plot(x1, y1, etichetta = “linea 1”)

# linea 2 punti

x2 = [1,2,3]

y2 = [4,1,3]

# tracciando la linea 2 punti 

plt.plot(x2, y2, etichetta = “linea 2”)

# nominare l’asse x

plt.xlabel(‘x – asse’)

# nominare l’asse y

plt.ylabel(‘y – asse’)

# dando un titolo al mio grafico

plt.title (‘Due righe sullo stesso grafico!’)

# Mostra una leggenda sulla trama

plt.leggenda()

# funzione per mostrare la trama

plt.show()

Qui tracciamo due linee sullo stesso grafico. Le separiamo tra di loro dando loro un nome (etichetta) che viene passato come una contestazione del lavoro .plot().

La piccola scatola rettangolare che fornisce dati su una sorta di linea e sulla sua ombreggiatura si chiama leggenda. Possiamo aggiungere una leggenda alla nostra trama utilizzando il lavoro .legend().

Personalizzazione delle trame

Qui, esaminiamo alcune rudimentali personalizzazioni rilevanti praticamente per qualsiasi trama.

importare matplotlib.pyplot come plt

# x valori degli assi

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

# valori dell’asse y corrispondenti

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

# tracciando i punti 

plt.plot(x, y, ‘green’, linestyle=’dashed’, linewidth = 3,

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

# impostazione della gamma di assi x e y

plt.ylim(1,8)

plt.xlim(1,8)

# nominare l’asse x

plt.xlabel(‘x – asse’)

# nominare l’asse y

plt.ylabel(‘y – asse’)

# dando un titolo al mio grafico

plt.title (‘Alcune belle personalizzazioni!’)

# funzione per mostrare la trama

plt.show()

Qui ci sono diverse personalizzazioni come:

impostare la larghezza della linea, lo stile della linea, l’ombreggiatura della linea.

impostare il marcatore, l’ombreggiatura del volto del marcatore, la dimensione del marcatore.

abrogando la corsa dei mozzi x e y. Nella remota possibilità che la sostituzione non venga effettuata, il modulo pyplot utilizza l’evidenziazione in scala automatica per impostare il campo di rotazione e la scala.

importare matplotlib.pyplot come plt

# x-coordinate dei lati sinistri delle barre 

sinistra = [1, 2, 3, 4, 5].

# altezze di barre

altezza = [10, 24, 36, 40, 5].

# etichette per barre

tick_label = [‘uno’, ‘due’, ‘tre’, ‘quattro’, ‘cinque’]

# tracciare un diagramma a barre

plt.bar(sinistra, altezza, tick_label = tick_label,

        larghezza = 0,8, colore = [‘rosso’, ‘verde’])

# nominando l’asse delle x

plt.xlabel(‘x – asse’)

# nominando l’asse delle ordinate #

plt.ylabel(‘y – asse’)

# titolo della trama

plt.title (‘Il mio diagramma a barre!’)

# funzione per mostrare la trama

plt.show()

Qui, usiamo la capacità plt.bar() per tracciare il contorno di una barra.

Le x-direzioni della metà sinistra delle barre sono passate accanto alle statue delle barre.

si può anche dare un nome a x-hub facilita la caratterizzazione di tick_labels

Qui, usiamo la capacità di plt.hist() per tracciare un istogramma.

Le frequenze sono passate come la lista delle età.

L’intervallo può essere impostato caratterizzando una tupla contenente la stima minima e massima.

La fase successiva è quella di “containerizzare” l’ambito delle qualità – cioè di suddividere l’intero ambito delle qualità in una progressione di intermedi – e in seguito calcolare il numero di qualità che rientrano in ogni intermediario. Qui abbiamo caratterizzato i contenitori = 10. Così, ci sono un aggregato di 100/10 = 10 intervalli.

Istogramma

filtro_nessuno

modifica

giocare_freccia

luminosità_4

importare matplotlib.pyplot come plt

# frequenze

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

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

# impostazione degli intervalli e del numero di intervalli

campo = (0, 100)

cestini = 10 

# tracciando un istogramma

plt.hist(età, bidoni, gamma, colore = ‘verde’,

        isttype = ‘bar’, rwidth = 0.8)

# Etichetta asse x

plt.xlabel(‘età’)

# Etichetta di frequenza

plt.ylabel(‘No. di persone’)

# titolo della trama

plt.title (‘Il mio istogramma’)

# funzione per mostrare la trama

plt.show()

Uscita:

Trama di dispersione

filtro_nessuno

modifica

giocare_freccia

luminosità_4

importare matplotlib.pyplot come plt

# valori dell’asse x

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

# valori dell’asse y

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

# tracciare punti come un diagramma a dispersione

plt.scatter(x, y, label= “stars”, “green”, 

            marker= “*”, s=30)

# Etichetta asse x

plt.xlabel(‘x – asse’)

# Etichetta di frequenza

plt.ylabel(‘y – asse’)

# titolo della trama

plt.title (‘La mia trama sparsa!’)

# mostrando la leggenda

plt.leggenda()

# funzione per mostrare la trama

plt.show()

Qui, usiamo la capacità plt.scatter() per tracciare un diagramma di dispersione.

Come linea, caratterizziamo la x e la relativa y – stima del mozzo anche qui.

La contesa del marcatore viene utilizzata per impostare il carattere da usare come marcatore. La sua dimensione può essere caratterizzata dall’utilizzo del parametro s.

Grafico a torta

filtro_nessuno

modifica

giocare_freccia

luminosità_4

importare matplotlib.pyplot come plt

# definire le etichette

attività = [“mangiare”, “dormire”, “lavorare”, “giocare”]

# porzione coperta da ogni etichetta

fette = [3, 7, 8, 6].

# colore per ogni etichetta

colori = [‘r’, ‘y’, ‘g’, ‘b’]

# tracciando il grafico a torta

plt.pie(fette, etichette = attività, colori=colori, 

        startangle=90, ombra = Vero, esplodere = (0, 0, 0, 0.1, 0),

        raggio = 1,2, autopct = ‘%1,1f%%%’)

# Trama la leggenda

plt.leggenda()

# che mostra la trama

plt.show()

L’output del programma di cui sopra si presenta in questo modo:

Qui, tracciamo un grafico a torta utilizzando la strategia plt.pie().

Per prima cosa, caratterizziamo i nomi utilizzando un sommario chiamato esercizi.

A quel punto, il segmento di ogni nome può essere caratterizzato utilizzando un altro rundown chiamato tagli.

L’ombreggiatura per ogni marchio è caratterizzata utilizzando una scala di tonalità.

ombra = Genuine mostrerà un’ombra sotto ogni nome nel grafico a torta.

startangle ruota l’inizio del diagramma a torta di determinati gradi in senso antiorario dal perno x.

La detonazione viene utilizzata per impostare la parte di campata con cui controbilanciamo ogni cuneo.

L’autopct è utilizzato per organizzare la stima di ogni marchio. Qui, lo abbiamo impostato per mostrare la stima del tasso fino a 1 decimale.

Curve di tracciatura di una data equazione

filtro_nessuno

modifica

giocare_freccia

luminosità_4

# Importare i moduli richiesti

importare matplotlib.pyplot come plt

importare intorpidito come np

# impostando le coordinate x – coordinate

x = np.arange(0, 2*(np.pi), 0.1)

# impostando le corrispondenti coordinate y – coordinate

y = np.sin(x)

# Potting the points #

plt.plot(x, y)

# funzione per mostrare la trama

plt.show()

Qui utilizziamo NumPy, che è una mostra universalmente utile per preparare un fagotto in pitone.

Per impostare la stima x – hub, usiamo la tecnica np.arange() in cui le due contestazioni iniziali sono per la gamma e la terza per l’aggiunta graduale. Il risultato è un cluster intorpidito.

Per ottenere un confronto tra le stime di y-hub, utilizziamo fondamentalmente una strategia predefinita np.sin() sull’exhibit numpy.

Finalmente, tracciamo i focus passando x e y exhibits al lavoro plt.plot().