Coursera Learner working on a presentation with Coursera logo and
Coursera Learner working on a presentation with Coursera logo and

Este arranjo irá familiarizá-lo com diagramação em python com Matplotlib, que é ostensivamente a mais proeminente biblioteca de diagramação e percepção de informação para Python.

Estabelecimento

Uma abordagem menos exigente para introduzir o matplotlib é utilizar pip. Digite seguindo a direção no terminal:

instalar pip matplotlib

OU, você pode baixá-lo daqui e instalá-lo manualmente.

Primeiros passos ( Plotar uma linha)

filter_none

editar

play_arrow

Brilho_4

# importação do módulo necessário

importação matplotlib.pyplot.plt como plt

# valores de eixo x

x = [1,2,3]

# valores correspondentes aos eixos y

y = [2,4,1]

# Traçando os pontos 

plt.plot(x, y)

# nomeando o eixo x

plt.xlabel(‘x – eixo’)

# nomeando o eixo y

plt.ylabel(‘y – eixo’)

# dando um título ao meu gráfico

plt.title(‘Meu primeiro gráfico!’)

# função para mostrar a trama

plt.show()

O código parece estar claro como cristal. Os seguintes passos foram seguidos:

Caracterizar o x-hub e relacionar a estima y-pivot como registros.

Plotá-los em tela utilizando o trabalho .plot().

Dê um nome para x-pivot e y-hub utilizando capacidades .xlabel() e .ylabel().

Dê um título ao seu enredo utilizando o trabalho .title().

Finalmente, para ver o seu enredo, usamos .appear() work.

Plotagem de duas ou mais linhas no mesmo terreno

filter_none

editar

play_arrow

Brilho_4

importação matplotlib.pyplot.plt como plt

# linha 1 pontos

x1 = [1,2,3]

y1 = [2,4,1]

# traçando a linha 1 pontos 

plt.plot(x1, y1, etiqueta = “linha 1”)

# linha 2 pontos

x2 = [1,2,3]

y2 = [4,1,3]

# traçando a linha 2 pontos 

plt.plot(x2, y2, etiqueta = “linha 2”)

# nomeando o eixo x

plt.xlabel(‘x – eixo’)

# nomeando o eixo y

plt.ylabel(‘y – eixo’)

# dando um título ao meu gráfico

plt.title(‘Duas linhas no mesmo gráfico!’)

# mostrar uma lenda na trama

plt.legend()

# função para mostrar a trama

plt.show()

Aqui, traçamos duas linhas no mesmo gráfico. Separamos entre elas dando-lhes um nome(etiqueta) que é passado como uma contenção do trabalho .plot().

A pequena caixa retangular dando dados sobre o tipo de linha e seu sombreamento é chamada de lenda. Podemos adicionar uma legenda ao nosso plot utilizando o trabalho .legend().

Customização de Lotes

Aqui, examinamos algumas customizações rudimentares relevantes a praticamente qualquer trama.

importação matplotlib.pyplot.plt como plt

# valores de eixo x

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

# valores correspondentes aos eixos y

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

# Traçando os pontos 

plt.plot(x, y, color=’green’, linestyle=’tracejado’, linewidth = 3,

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

# faixa de ajuste dos eixos x e y

plt.ylim(1,8)

plt.xlim(1,8)

# nomeando o eixo x

plt.xlabel(‘x – eixo’)

# nomeando o eixo y

plt.ylabel(‘y – eixo’)

# dando um título ao meu gráfico

plt.title(‘Algumas personalizações legais!’)

# função para mostrar a trama

plt.show()

Aqui estão várias customizações como:

definição da largura da linha, estilo line-style, line-shading.

ajuste do marcador, sombreamento do rosto do marcador, tamanho do marcador.

abrogando a corrida do cubo x e y. Na hipótese de que a superação não seja feita, o módulo pyplot utiliza o destaque em escala automática para definir o alcance e a escala do pivô.

importação matplotlib.pyplot.plt como plt

# x-coordenadas de lados esquerdos de barras 

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

# altura dos bares

altura = [10, 24, 36, 40, 5]

# rótulos para barras

tick_label = [‘um’, ‘dois’, ‘três’, ‘quatro’, ‘cinco’]

# traçando um gráfico de barras

plt.bar(esquerda, altura, tick_label = tick_label,

        largura = 0,8, cor = [‘vermelho’, ‘verde’])

# nomeando o eixo x

plt.xlabel(‘x – eixo’)

# nomeando o eixo y

plt.ylabel(‘y – eixo’)

# título da trama

plt.title(‘Meu gráfico de barras!’)

# função para mostrar a trama

plt.show()

Aqui, usamos a capacidade plt.bar() para traçar um esquema de barras.

Os x-direcionamentos da metade esquerda das barras são passados ao longo das estrias das barras.

você também pode dar algum nome ao x-hub facilita ao caracterizar tick_labels

Aqui, usamos a capacidade plt.hist() para traçar um histograma.

As freqüências são passadas como a lista de idades.

O intervalo poderia ser definido através da caracterização de um tuple contendo a mínima e a máxima estima.

A etapa seguinte consiste em “contêiner” o escopo das qualidades – ou seja, dividir todo o escopo das qualidades em uma progressão de ínterim – e, posteriormente, contar o número de qualidades que caem em cada ínterim. Aqui nós caracterizamos os recipientes = 10. Assim, há um agregado de 100/10 = 10 intermédios.

Histograma

filter_none

editar

play_arrow

Brilho_4

importação matplotlib.pyplot.plt como plt

# frequências

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

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

# definindo os intervalos e nº de intervalos

faixa = (0, 100)

silos = 10 

# Traçando um histograma

plt.hist(idades, caixas, alcance, cor = ‘verde’,

        tipo de história = ‘bar’, largura r = 0,8)

# etiqueta do eixo x

plt.xlabel(‘idade’)

# etiqueta de freqüência

plt.ylabel(‘No. de pessoas’)

# título da trama

plt.title(‘Meu histograma’)

# função para mostrar a trama

plt.show()

Saída:

Gráfico de dispersão

filter_none

editar

play_arrow

Brilho_4

importação matplotlib.pyplot.plt como plt

# valores do eixo x

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

# valores do eixo y

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

# pontos de plotagem como um gráfico de dispersão

plt.scatter(x, y, label= “estrelas”, cor= “verde”, 

            marker= “*”, s=30)

# etiqueta do eixo x

plt.xlabel(‘x – eixo’)

# etiqueta de freqüência

plt.ylabel(‘y – eixo’)

# título da trama

plt.title(‘Meu plano de dispersão!’)

# mostrando a lenda

plt.legend()

# função para mostrar a trama

plt.show()

Aqui, usamos a capacidade plt.scatter() para traçar um gráfico de dissipação.

Como uma linha, caracterizamos x e relacionamos y – estima hub também aqui.

A contenção do marcador é utilizada para definir o personagem a ser usado como marcador. Seu tamanho pode ser caracterizado pela utilização do parâmetro s.

Gráfico de tartes

filter_none

editar

play_arrow

Brilho_4

importação matplotlib.pyplot.plt como plt

# definindo etiquetas

atividades = [‘comer’, ‘dormir’, ‘trabalhar’, ‘brincar’].

# porção coberta por cada rótulo

fatias = [3, 7, 8, 6]

# cor para cada etiqueta

cores = [‘r’, ‘y’, ‘g’, ‘b’]

# traçando o gráfico da torta

plt.pie(fatias, rótulos = atividades, cores=cores, 

        startangle=90, shadow = True, explode = (0, 0, 0.1, 0),

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

# lenda da conspiração

plt.legend()

# mostrando a trama

plt.show()

A saída do programa acima se parece com isto:

Aqui, plotamos um gráfico de torta utilizando a estratégia plt.pie().

Como questão de primeira importância, caracterizamos os nomes utilizando um rundown chamado exercícios.

Nesse momento, o segmento de cada nome pode ser caracterizado utilizando um outro rundown chamado cortes.

O sombreamento para cada marca é caracterizado utilizando um rundown chamado matizes.

Sombra = A sombra genuína mostrará uma sombra por baixo de cada nome no gráfico da torta.

O startangle gira o início do diagrama da torta em graus determinados no sentido anti-horário a partir do pivô x.

O detonador é utilizado para definir a parte do vão com a qual contrabalançamos cada cunha.

O autopct é utilizado para organizar a estimativa de cada marca. Aqui, nós a definimos para mostrar a estimativa da taxa apenas até 1 casa decimal.

Curvas de plotagem de determinada equação

filter_none

editar

play_arrow

Brilho_4

# importação dos módulos necessários

importação matplotlib.pyplot.plt como plt

importação numérica como np

# definindo as coordenadas x

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

# definindo as coordenadas y – correspondentes

y = np.sin(x)

# encapsulando os pontos

plt.plot(x, y)

# função para mostrar a trama

plt.show()

Aqui, usamos o NumPy, que é uma exposição de utilidade universal, preparando um pacote em python.

Para definir os valores x – hub, usamos a técnica np.arange() na qual os dois conteúdos iniciais são para alcance e o terceiro para adição por passos. O resultado é um cluster numérico.

Para comparar os valores do y-hub, usamos basicamente uma estratégia np.sin() pré-definida na exposição numpy.

Finalmente, plotamos os focos passando x e y para a obra plt.plot().