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().
