Построение графиков с: Средства построения графиков для .NET / Хабр

Сюжет+с — Idioms by The Free Dictionary

Слово, не найденное в Словаре и Энциклопедии.

Возможно, Вы имели в виду:

Пожалуйста, попробуйте слова отдельно:

участок с

Некоторые статьи, соответствующие вашему запросу:

• график
• график повторения
• график Найквиста

• Участок Q-Q
• Кладбище Кенсико
• Тернарный участок

• Диаграмма Боде
• Контрплот
• Точечный график (статистика)

• Цивилизация (карточная игра)
• Список графических методов
• Роберт Плот

• Генератор сюжетов
• 2007 г. Сюжет о нападении в Международном аэропорту имени Джона Ф. Кеннеди
• Коробчатый сюжет

Полный браузер ?

• ▲
• сюжетная линия
• Параметр модели графика
• Сюжет без дзюцу
• земельный участок
• земельный участок
• земельный участок
• земельный участок
• земельный участок
• Сюжет Mortal Kombat
• Участок на улице Сен-Никез
• участок на
• сюжет
• План участка
• План участка
• План участка
• Точка графика
• Сюжетная точка (ролевые игры)
• Коэффициент деления
• Коэффициент деления
• коэффициенты сюжета

• Схема участка
• заговорить что-то на
• что-нибудь придумать
• сюжет утолщается
• сюжет сгущается,
• Поворот сюжета
• сюжет с
• участок с (одним)
• заговор с кем-то
• График без точки
• сюжет+с
• сюжет, какой сюжет?
• сюжетная линия
• Защита от заговоров
• Площадка
• ПЛОТЕЙ
• Сюжетный
• Платен
• Плотик
• Плотин
• Плотин

• Плотиниан
• Плотник
• Плотинос
• Плотинос
• Плотин
• Плотин
• Плотин
• Плоткин в переплете
• бессюжетный
• бессюжетный
• бессюжетный
• бессюжетный
• бессюжетность
• бессюжетность
• бессюжетность
• бессюжетность
• сюжетная линия
• сюжетная линия
• Плотников Кирилл
• Плотников Кирилл Никанорович
• ▼

Сайт: Следовать:

Делиться:

Открыть / Закрыть

Введение в построение графиков с помощью Matplotlib — Data Science for Psychology and Neuroscience — на Python

Посмотрите прохождение этого урока на YouTube

Вопросы

Цели обучения

• Создайте график временных рядов, показывающий один набор данных

• Создайте точечную диаграмму, показывающую взаимосвязь между двумя наборами данных

• Использование методов для построения графиков непосредственно из pandas DataFrames

• Настройка основных функций графика, таких как метки осей, заголовки, цвета и стили линий

Matplotlib — это, по сути, основной пакет для построения графиков и визуализации данных в Python. Многие другие пакеты используют Matplotlib для визуализации данных, включая pandas, NumPy и SciPy. Matplotlib — не единственный пакет визуализации в Python. Есть много других, в том числе Seaborn, Altair, ggpy, Bokeh и plot.ly. Некоторые из других на самом деле построены поверх Matplotlib, но просто синтаксис для создания определенных, сложных типов графики относительно того, что требуется в Matplotlib (они называются обертки для Matplotlib). Другие полностью независимы. Несмотря на это, Matplotlib является наиболее широко используемым и гибким пакетом для визуализации данных в Python, поэтому полезно сначала изучить его, а затем развивать свои навыки на его основе.

Matplotlib также является очень зрелым пакетом Python, впервые выпущенным в 2003 году и с тех пор постоянно обновляемым. У него сильное сообщество разработчиков, подробный веб-сайт с обширной документацией и множеством примеров, а также обширная сторонняя документация в виде сообщений в блогах, книг и многого другого, большая часть которой находится в свободном доступе.

История

Первоначальный разработчик Matplotlib, Джон Д. Хантер (1968-2012), был аспирантом нейробиологии, которому нужно было построить данные электрокортикографии (ЭКоГ) (электрические данные, записанные непосредственно с поверхности мозга). Первоначально Хантер разработал Matplotlib для имитации графических возможностей Matlab, но на Python. Matlab — это коммерческий язык программирования и среда, разработанная и широко используемая инженерами и учеными. Хантер столкнулся с ограничениями в Matlab, которые он хотел обойти. Поскольку Matlab является коммерческим продуктом, а не продуктом с открытым исходным кодом, разработка контролируется компанией (Mathworks). Хотя разработчики могут писать довольно обширные и сложные приложения в Matlab, они в конечном итоге ограничены решениями, принятыми его разработчиками. Хантер решил переключить свою работу на использование Python и хотел разработать интерфейс построения графиков, аналогичный тому, что используется в Matlab. Действительно, отсюда и взялась «матовая» часть имени Matplotlib.

Импорт Matplotlib

Ранее мы рассмотрели, как импортировать пакет Python с помощью команды import . Мы также рассмотрели, как импортировать пакет с псевдонимом, используя синтаксис import [package] as [alias]

Для Matplotlib мы сделаем это снова, но добавим дополнительную деталь: Matplotlib, как и многие пакеты Python, организован в виде ряда «модулей» (по сути, подмножеств функций). Тот, который вы обычно хотите импортировать для печати, называется 9.0244 Пиплот . Поэтому мы используем синтаксис ниже:

 импортировать matplotlib.pyplot как plt
 

 импортировать matplotlib.pyplot как plt
 

Создание графика

Теперь мы можем нарисовать простой линейный график, используя функцию matplotlib.pyplot plot() , создав два списка точек данных (каждый длиной по 4 элемента), которые представляют прошедшее время и расстояние, пройденное некоторым гипотетическим объектом. :

 время = [0, 1, 2, 3]
позиция = [0, 100, 200, 300]
plt.plot(время, позиция)
 

 время = [0, 1, 2, 3]
позиция = [0, 100, 200, 300]
plt.plot(время, позиция)
 

 []
 

Вы можете видеть выше, что мы использовали псевдоним Matplotlib plt , за которым следует имя конкретной функции в пакете, plot() . Это тот же синтаксис, что и при использовании функции pandas, такой как pd.read_csv() .

Еще стоит отметить, что над сюжетом есть какой-то текст, что-то вроде: [] . Это часть вывода команды plt.plot() , но обычно это не то, что нам интересно видеть. Мы можем создать график без этого дополнительного вывода, включив команду plt.show() в конце ячейки. Напомним, что Jupyter показывает только вывод последней команды, генерирующей вывод в ячейке, а plt.show() показывает график без дополнительного текста. Хорошо иметь привычку ставить plt.plot() в качестве последней строки кода в любой ячейке Jupyter, в которой вы создаете график.

 # так как мы определили время и позицию выше, не нужно переназначать их здесь
plt.plot(время, позиция)
plt.show()
 

 # так как мы определили время и позицию выше, не нужно переназначать их здесь
plt.plot(время, позиция)
plt.show()
 

Маркировка осей

Matplotlib также позволяет нам изменять график разными способами, что может улучшить интерпретируемость графика. Например, всегда рекомендуется помечать оси графика.

В большинстве случаев способ изменения или улучшения графика Matplotlib заключается не в добавлении аргументов к команде .plot() , а в выполнении дополнительных команд после .plot() , которые изменяют то, что было создано .plot( ) , завершившись командой plt.show() для «окончательного раскрытия»:

 plt.plot(время, позиция)
plt. xlabel('Время (ч)')
plt.ylabel('Позиция (км)')
plt.show()
 

 plt.plot(время, позиция)
plt.xlabel('Время (ч)')
plt.ylabel('Позиция (км)')
plt.show()
 

Построение панд DataFrames

pandas интегрирован с Matplotlib, что упрощает создание графиков данных, хранящихся в пандах DataFrames. Методы определены для панд DataFrames, которые генерируют графики с использованием Matplotlib.

Импорт данных в виде pandas DataFrame

Давайте попробуем сначала импортировать панд и загрузить данные Gapminder Oceania ( data/gapminder_gdp_oceania.csv ):

 импортировать панд как pd
df = pd.read_csv('data/gapminder_gdp_oceania.csv', index_col='страна')
 

 импортировать панд как pd
df = pd.read_csv('data/gapminder_gdp_oceania.csv', index_col='страна')
 

Давайте посмотрим, как выглядит этот DataFrame:

	gdpPercap_1952	gdpPercap_1957	gdpPercap_1962	gdpPercap_1967	gdpPercap_1972	gdpPercap_1977	gdpPercap_1982	gdpPercap_1987	gdpPercap_1992	gdpPercap_1997	gdpPercap_2002	gdpPercap_2007
страна
Австралия	10039. 59564	10949.64959	12217.22686	14526.12465	16788.62948	18334.19751	19477.00928	21888.88903	23424.76683	26997,93657	30687.75473	34435.36744
Новая Зеландия	10556.57566	12247.39532	13175.67800	14463.91893	16046.03728	16233.71770	17632.41040	19007.19129	18363.32494	21050.41377	23189.80135	25185.00911

В этом наборе данных всего две страны, что упрощает работу.

Построение графика непосредственно из pandas DataFrame

Наша цель — построить график зависимости ВВП определенной страны (или стран) от года. Другими словами, мы хотим построить линию для каждой страны с годом 9.0441 x осиa и GDP по оси y .

Давайте запустим метод pandas .plot() в нашем DataFrame для создания графика Matplotlib:

 дф.участок()
plt.show()
 

 дф.участок()
plt.show()
 

У нас есть график, но это не самый интуитивный способ просмотра данных. Что здесь случилось?

Из легенды видно, что Python генерирует строку для каждого года в наборе данных со страной на оси x . Это потому что по умолчанию, Matplotlib будет использовать строки DataFrame в качестве оси x и использовать столбцы для определения групп, определяющих отдельные строки. Но в нашем DataFrame строки (индексы) — это страны.

Мы можем изменить это, транспонируя DataFrame, операцию, которая меняет местами строки и столбцы (строки становятся столбцами и наоборот). Чтобы транспонировать DataFrame, мы используем оператор . T (обратите внимание, что .T — это оператор, а не метод, поэтому вам не следует добавлять круглые скобки после 9).0244 Т )

 df.T.plot()
plt.show()
 

 df.T.plot()
plt.show()
 

Выше вы можете видеть, что pandas + Matplotlib также распознает индекс DataFrame как метки, поэтому автоматически создается легенда с названиями стран.

Еще один важный момент, который следует отметить, это то, что мы применяли .T «на лету» при создании графика. То есть мы не модифицировали хранящийся в памяти DataFrame df . Мы только что передали данные из df через .T оператор, когда мы генерировали сюжет. Вы можете увидеть, что df не транспонируется, просмотрев его еще раз:

	gdpPercap_1952	gdpPercap_1957	gdpPercap_1962	gdpPercap_1967	gdpPercap_1972	gdpPercap_1977	gdpPercap_1982	gdpPercap_1987	gdpPercap_1992	gdpPercap_1997	gdpPercap_2002	gdpPercap_2007
страна
Австралия	10039. 59564	10949.64959	12217.22686	14526.12465	16788.62948	18334.19751	19477.00928	21888.88903	23424.76683	26997,93657	30687.75473	34435.36744
Новая Зеландия	10556.57566	12247.39532	13175.67800	14463.91893	16046.03728	16233.71770	17632.41040	19007.19129	18363.32494	21050.41377	23189.80135	25185.00911

Переименование столбцов

Метки осей размером x на приведенном выше графике плохо читаются, потому что имя каждого столбца содержит не только год, но и предшествующий текст gdpPercap_ , например, gdpPercap_1972 . Было бы неплохо удалить этот начальный текст, чтобы метки столбцов были просто числовыми годами.

К счастью, в pandas есть метод .str.strip() , который удаляет из строки символы, указанные в аргументе. Этот метод работает со строками, поэтому мы вызываем str перед .strip() . Чтобы переименовать столбцы, мы можем полагаться на тот факт, что в pandas DataFrames есть свойство .columns , которое позволяет нам ссылаться на весь набор меток столбцов.

 df.columns = df.columns.str.strip('gdpPercap_')
дф
 

 df.columns = df.columns.str.strip('gdpPercap_')
дф
 

	1952	1957	1962	1967	1972	1977	1982	1987	1992	1997	2002	2007
страна
Австралия	10039. 59564	10949.64959	12217.22686	14526.12465	16788.62948	18334.19751	19477.00928	21888.88903	23424.76683	26997,93657	30687.75473	34435.36744
Новая Зеландия	10556.57566	12247.39532	13175.67800	14463.91893	16046.03728	16233.71770	17632.41040	19007.19129	18363.32494	21050.41377	23189.80135	25185.00911

Теперь, если мы снова построим df , x 9Метки оси 0442 более четкие:

 df.T.plot()
plt.show()
 

 df.T.plot()
plt.show()
 

Теперь посмотрите на DataFrame, чтобы увидеть результат:

	1952	1957	1962	1967	1972	1977	1982	1987	1992	1997	2002	2007
страна
Австралия	10039. 59564	10949.64959	12217.22686	14526.12465	16788.62948	18334.19751	19477.00928	21888.88903	23424.76683	26997,93657	30687.75473	34435.36744
Новая Зеландия	10556.57566	12247.39532	13175.67800	14463.91893	16046.03728	16233.71770	17632.41040	19007.19129	18363.32494	21050.41377	23189.80135	25185.00911

Настройка внешнего вида графика

Если мы хотим настроить цвета графика с несколькими категориями (линии, столбцы и т. д.), мы можем передать аргумент ключевого слова (kwarg) в метод .plot() .

Чтобы изменить цвет линий, мы передаем kwarg color= , за которым следует список названий цветов с количеством элементов списка, равным количеству категорий, которые мы рисуем (в данном случае две):

 df.T.plot(color=['красный', 'синий'])
plt.show()
 

 df.T.plot(color=['красный', 'синий'])
plt.show()
 

Выбор подмножества DataFrame

Выше мы выбрали только данные из Австралии, используя .loc[] , и присвоили их gdp_australia . Но более эффективно, используя метод pandas .plot() , мы можем связать вместе с селектором .loc[] и методом .plot() , чтобы выбрать соответствующие данные «на лету», а не сначала определяя переменную для хранения этих данных.

Например, мы можем построить данные для конкретной страны (Австралия), выбрав ее с помощью метода .loc[] для выбора индекса Австралия :

 df.loc['Австралия']. plot()
plt.show()
 

 df.loc['Австралия'].plot()
plt.show()
 

Мы можем настроить это, используя цвет и стиль линий kwargs. Обратите внимание: если мы передаем kwarg только одно значение, мы не используем список:

 df.loc['Австралия'].plot(color='y', linestyle='--')
plt.show()
 

 df.loc['Австралия'].plot(color='y', linestyle='--')
plt.show()
 

Типы участков

Matplotlib сделает некоторые предположения о том, как построить ваш , на основе типов значений, которые ему заданы. Однако вы можете переопределить эти значения по умолчанию, указав желаемый тип графика. Например, мы можем отобразить те же данные Gapminder в виде баров, используя аргумент ключевого слова kind='bar' :

 df.T.plot(kind='bar')
plt.ylabel('ВВП на душу населения')
plt.show()
 

 df.T.plot(kind='bar')
plt.ylabel('ВВП на душу населения')
plt.show()
 

 df.T.plot.scatter(x='Австралия', y='Новая Зеландия')
plt.ylabel('ВВП на душу населения')
plt.title('Связь между ВВП Австралии и Новой Зеландии')
plt.show()
 

 df.T.plot.scatter(x='Австралия', y='Новая Зеландия')
plt.ylabel('ВВП на душу населения')
plt.title('Связь между ВВП Австралии и Новой Зеландии')
plt.show()
 

 data_europe = pd.read_csv('data/gapminder_gdp_europe.csv', index_col='country')
data_europe.___.plot(label='min') # Метод поиска минимального значения
data_europe.___.plot(label='max') # Метод поиска максимального значения
plt.legend(loc='лучший')
plt. xticks (вращение = 90)
plt.___() # Показать график
 

 data_europe = pd.read_csv('data/gapminder_gdp_europe.csv', index_col='country')
data_europe.min().plot(label='min')
data_europe.max().plot(label='max')
plt.legend(loc='лучший')
plt.xticks (поворот = 90)
plt.show()
 

 data_asia = pd.read_csv('data/gapminder_gdp_asia.csv', index_col='страна')
data_asia.max().plot()
plt.show()
печать (data_asia.idxmax())
печать (data_asia.idxmin())
 

 data_all = pd.read_csv('data/gapminder_all.csv', index_col='страна')
data_all.plot (вид = 'разброс',
              х='gdpPercap_2007',
              у = 'lifeExp_2007',
              s=data_all['pop_2007'] / 1e6
             )
plt. show()
 

 plt.savefig('my_figure.png')