Matplotlib

Introduction

# Магические команды Jupyter
%matplotlib notebook #Интерактивный режим
%matplotlib qt
%matplotlib inline #Позволяет вывод в Jupyter'е графиков сразу под ячейками, а не в отдельном окне

import matplotlib.pyplot as plt

X = range(100)
Y = [value**2 for value in X]
plt.plot(X, Y)
plt.show()
../_images/Matplotlib_3_0.png

The first line tells Python that we are using the matplotlib.pyplot module. To save on a bit of typing, we make the name plt equivalent to matplotlib.pyplot. This is a very common practice that you will see in matplotlib code. matplotlib.pyplot - библиотека для потсроения плоских фигур

The fourth line plots a curve, where the x coordinates of the curve’s points are given in the list X, and the y coordinates of the curve’s points are given in the list Y. Note that the names of the lists can be anything you like.

x = np.linspace(0, 10, 50)
y = x
plt.title('Линейная зависимость y = x') # заголовок plt.xlabel('x')
plt.ylabel('y')    # ось абсцисс
plt.grid()          # ось ординат # включение отображение сетки
plt.plot(x, y, 'r--') # построение графика

[<matplotlib.lines.Line2D at 0x2c9380241f0>]
../_images/Matplotlib_6_1.png 
import math
import matplotlib.pyplot as plt

T = range(100)
X = [(2 * math.pi * t) / len(T) for t in T]
Y = [math.sin(value) for value in X]
plt.plot(X, Y)
plt.show()
../_images/Matplotlib_7_0.png 
import numpy as np
import matplotlib.pyplot as plt

X = np.linspace(-3, 2, 200)
Y = X ** 2 - 2 * X + 1.
plt.plot(X, Y)
plt.show()
../_images/Matplotlib_9_0.png

Plotting multiple curves

import numpy as np
import matplotlib.pyplot as plt

X = np.linspace(0, 2 * np.pi, 100)
Ya = np.sin(X)
Yb = np.cos(X)
plt.plot(X, Ya)
plt.plot(X, Yb)
plt.show()
../_images/Matplotlib_11_0.png

The two curves show up with a different color automatically picked up by matplotlib.

We use one function call plt.plot() for one curve; thus, we have to call plt.plot() here twice. However, we still have to call plt.show() only once. The functions calls plt. plot(X, Ya) and plt.plot(X, Yb) can be seen as declarations of intentions. We want to link those two sets of points with a distinct curve for each.

matplotlib will simply keep note of this intention but will not plot anything yet. The plt.show() curve, however, will signal that we want to plot what we have described so far.

# Линейная зависимость
x = np.linspace(0, 10, 50)
y1 = x # Квадратичная зависимость
y2 = [i**2 for i in x] # Построение графика
plt.title('Зависимости: y1 = x, y2 = x^2') # заголовок plt.xlabel('x')
# ось абсцисс
plt.ylabel('y1, y2')
plt.grid()              # ось ординат # включение отображение сетки
plt.plot(x, y1, x, y2)  # построение графика

[<matplotlib.lines.Line2D at 0x2c9383c9b80>,
 <matplotlib.lines.Line2D at 0x2c9383c9be0>]
../_images/Matplotlib_13_1.png

Deferred Rendering

This deferred rendering mechanism is central to matplotlib. You can declare what you render as and when it suits you. The graph will be rendered only when you call plt.show(). To illustrate this, let’s look at the following script, which renders a bell-shaped curve, and the slope of that curve for each of its points:

import numpy as np
import matplotlib.pyplot as plt

def plot_slope(X, Y):
    Xs= X[1:] - X[:-1]
    Ys = Y[1:] - Y[:-1]
    plt.plot(X[1:], Ys / Xs)
X = np.linspace(-3, 3, 100)
Y = np.exp(-X ** 2)
plt.plot(X, Y)
plot_slope(X, Y)
plt.show()
../_images/Matplotlib_16_0.png

Представление графиков на разных полях

# Линейная зависимость
x = np.linspace(0, 10, 50)
y1 = x # Квадратичная зависимость
y2 = [i**2 for i in x]

# Построение графиков
plt.figure(figsize=(9, 9))
plt.subplot(2, 1, 1)
plt.plot(x, y1)                 # построение графика
plt.title('Зависимости: y1 = x, y2 = x^2') # заголовок
plt.ylabel('y1', fontsize=14)
plt.grid(True)
plt.subplot(2, 1, 2)
plt.plot(x, y2)
plt.xlabel('x', fontsize=14)
plt.ylabel('y2', fontsize=14)
plt.grid(True)                  # ось ординат
# включение отображение сетки
# построение графика # ось абсцисс # ось ординат # включение отображение сетки
../_images/Matplotlib_18_0.png

Здесь мы воспользовались новыми функциями:

  • figure() - функция для задания глобальных параметров отображения

графиков. В нее, в качестве аргумента, мы передаем кортеж, определяющий размер общего поля.

  • subplot() - функция для задания местоположения поля с графиком.

Существует несколько способов задания областей для вывода графиков. В примере мы воспользовались вариантом, который предполагает передачу трех аргументов: первый аргумент- количество строк, второй - столбцов в формируемом поле, третий- индекс (номер поля, считаем сверху вниз, слева направо).

Построение облака точек

import numpy as np
import matplotlib.pyplot as plt
data = np.random.rand(1024, 2)
plt.scatter(data[:,0], data[:,1])
plt.show()
../_images/Matplotlib_21_0.png

Bar Chart

Диаграммы для категориальных данных

fruits = ['apple', 'peach', 'orange', 'bannana', 'melon']
counts = [34, 25, 43, 31, 17]
plt.bar(fruits, counts)
plt.title('Fruits!')
plt.xlabel('Fruit')
plt.ylabel('Count')

Text(0, 0.5, 'Count')
../_images/Matplotlib_24_1.png 
import matplotlib.pyplot as plt
data = [5., 25., 50., 20.]
plt.bar(range(len(data)), data)
plt.show()
../_images/Matplotlib_25_0.png

The thickness of a bar

import matplotlib.pyplot as plt
data = [5., 25., 50., 20.]
plt.bar(range(len(data)), data, width = 1.)
plt.show()
../_images/Matplotlib_27_0.png

Horizontal bars

import matplotlib.pyplot as plt
data = [5., 25., 50., 20.]
plt.barh(range(len(data)), data)
plt.show()
../_images/Matplotlib_29_0.png

Plotting multiple bar charts

import numpy as np
import matplotlib.pyplot as plt
data = [[5., 25., 50., 20.],
 [4., 23., 51., 17.],
 [6., 22., 52., 19.]]
X = np.arange(4)
plt.bar(X + 0.00, data[0], color = 'b', width = 0.25)
plt.bar(X + 0.25, data[1], color = 'g', width = 0.25)
plt.bar(X + 0.50, data[2], color = 'r', width = 0.25)
plt.show()
../_images/Matplotlib_31_0.png 
import numpy as np
import matplotlib.pyplot as plt
data = [[5., 25., 50., 20.],
 [4., 23., 51., 17.],
 [6., 22., 52., 19.]]
color_list = ['b', 'g', 'r']
gap = .8 / len(data)
for i, row in enumerate(data):
    X = np.arange(len(row))
    plt.bar(X + i * gap, row,
    width = gap,
    color = color_list[i % len(color_list)])
plt.show()
../_images/Matplotlib_32_0.png

Plotting stacked bar charts

import matplotlib.pyplot as plt
A = [5., 30., 45., 22.]
B = [5., 25., 50., 20.]
X = range(4)
plt.bar(X, A, color = 'b')
plt.bar(X, B, color = 'r', bottom = A)
plt.show()
../_images/Matplotlib_34_0.png 
import numpy as np
import matplotlib.pyplot as plt
data = np.array([[5., 30., 45., 22.], [5., 25., 50., 20.],[1., 2., 1., 1.]])
colorlist = ['b', 'g', 'r']

X = np.arange(data.shape[1])
for i in range(data.shape[0]):
    plt.bar(X, data[i],
    bottom = np.sum(data[:i], axis = 0),
    color = color_list[i % len(colorlist)])
plt.show()
../_images/Matplotlib_35_0.png

Plotting back-to-back bar charts

import numpy as np
import matplotlib.pyplot as plt
women_pop = np.array([5., 30., 45., 22.])
men_pop = np.array( [5., 25., 50., 20.])
X = np.arange(4)
plt.barh(X, women_pop, color = 'r')
plt.barh(X, -men_pop, color = 'b')
plt.show()
../_images/Matplotlib_37_0.png

Plotting pie charts

import matplotlib.pyplot as plt
data = [5, 25, 50, 20]
plt.pie(data)
plt.show()
../_images/Matplotlib_39_0.png

Plotting histograms

import numpy as np
import matplotlib.pyplot as plt
X = np.random.randn(1000)
plt.hist(X, bins = 20)
plt.show()
../_images/Matplotlib_41_0.png

Plotting boxplots

import numpy as np
import matplotlib.pyplot as plt
data = np.random.randn(100)
plt.boxplot(data)
plt.show()
../_images/Matplotlib_43_0.png

  • The red bar is the median of the distribution.

  • The blue box includes 50 percent of the data from the lower quartile to the upper quartile. Thus, the box is centered on the median of the data.

  • The lower whisker extends to the lowest value within 1.5 IQR from the lower quartile.

  • The upper whisker extends to the highest value within 1.5 IQR from the upper quartile.

  • Values further from the whiskers are shown with a cross marker.

import numpy as np
import matplotlib.pyplot as plt
data = np.random.randn(100, 5)
plt.boxplot(data)
plt.show()
../_images/Matplotlib_45_0.png

Plotting triangulations

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.tri as tri
data = np.random.rand(100, 2)
triangles = tri.Triangulation(data[:,0], data[:,1])
plt.triplot(triangles)
plt.show()
../_images/Matplotlib_48_0.png
image.png

image.png

Корневым элементом при построении графиков в системе Matplotlib является Фигура (Figure). Все, что нарисовано на рисунке выше является элементами фигуры.

Рассмотрим ее составляющие более подробно. График На рисунке представлены два графика - линейный и точечный. Matplotlib предоставляет огромное количество различных настроек, которые можно использовать для того, чтобы придать графику требуемый вид: задать цвет, толщину, тип, стиль линии и многое другое, все это мы рассмотрим в ближайших уроках.

Вторым, после непосредственно самого графика, по важности элементом фигуры являются оси. Для каждой оси можно задать метку (подпись), основные (major) и дополнительные (minor) элементы шкалы, их подписи, размер, толщину и диапазоны. Сетка и легенда Сетка и легенда являются элементами фигуры, которые значительно повышают информативность графика. Сетка может быть основной (major) и дополнительной (minor). Каждому типу сетки можно задавать цвет, толщину линии и тип. Для отображения сетки и легенды используются соответствующие команды.

import matplotlib.pyplot as plt
from matplotlib.ticker import (MultipleLocator, FormatStrFormatter, AutoMinorLocator)
import numpy as np
x = np.linspace(0, 10, 10)
y1 = 4*x
y2 = [i**2 for i in x]
fig, ax = plt.subplots(figsize=(8, 6))
ax.set_title('Графики зависимостей: y1=4*x, y2=x^2', fontsize=16)
ax.set_xlabel('x', fontsize=14)
ax.set_ylabel('y1, y2', fontsize=14)
ax.grid(which='major', linewidth=1.2)
ax.grid(which='minor', linestyle='--', color='gray', linewidth=0.5)

ax.scatter(x, y1, c='red', label='y1 = 4*x')
ax.plot(x, y2, label='y2 = x^2')
ax.legend()
ax.xaxis.set_minor_locator(AutoMinorLocator())
ax.yaxis.set_minor_locator(AutoMinorLocator())
ax.tick_params(which='major', length=10, width=2)
ax.tick_params(which='minor', length=5, width=1)
plt.show()
../_images/Matplotlib_51_0.png