Wie erstelle ich mit Python publikationsreife Abbildungen und Tabellen?

Für die wissenschaftliche Forschung und Datenpräsentation ist die Erstellung publikationsreifer Abbildungen und Tabellen unerlässlich. Python bietet mit seinem robusten Bibliotheksökosystem eine breite Palette von Instruments, mit denen Sie hochwertige, ästhetisch ansprechende und anpassbare visuelle Darstellungen für Ihre Forschungsarbeiten erstellen können.

In diesem Artikel erfahren Sie, wie Sie Python zum Generieren verwenden publikationsreif Abbildungen und Tabellen. Wir werden beliebte Bibliotheken behandeln, z Matplotlib, Seaborn, PlotlyUnd Pandas zum Erstellen von Figuren und deren Verwendung Pandas Und Matplotlib zum Formatieren von Tabellen. Außerdem besprechen wir wichtige Gestaltungsprinzipien und Tipps zur Optimierung dieser Elemente für die Veröffentlichung.

Übersicht über die publikationsbereiten Abbildungs- und Tabellenbibliotheken

1. Matplotlib

Matplotlib ist eine der am häufigsten verwendeten Datenvisualisierungsbibliotheken von Python. Es bietet umfassende Kontrolle über jeden Aspekt einer Figur, von der Größe und dem Structure bis hin zu den Farben und Schriftarten. Forscher können ihre Darstellungen an die Anforderungen ihrer Veröffentlichung anpassen und so sicherstellen, dass die visuellen Elemente konsistent und klar sind.

• Hauptmerkmale:
  • Fein abgestimmte Kontrolle über Handlungselemente.
  • Umfangreiche Unterstützung für 2D-Plots (Linien-, Streu-, Balkendiagramme usw.).
  • Hohe Flexibilität bei der Gestaltung von Diagrammen (Titel, Beschriftungen, Achsenmarkierungen).
  • Kann Abbildungen in Formaten in Publikationsqualität exportieren (z. B. PDF, PNG, SVG).

2. Seaborn

Seaborn baut darauf auf Matplotlib und bietet eine übergeordnete Schnittstelle zum Erstellen optisch ansprechender und informativer statistischer Grafiken. Es vereinfacht die Erstellung komplexer Visualisierungen wie Heatmaps, Geigendiagramme und Regressionsdiagramme und verarbeitet gleichzeitig ästhetische Elemente wie Farbpaletten und Achsenbeschriftungen automatisch.

• Hauptmerkmale:
  • Vordefinierte Themen und Farbpaletten, die sich very best für publikationsreife Plots eignen.
  • Excessive-Stage-Funktionen für statistische Diagramme (z. B. Boxplots, Paardiagramme und kategoriale Diagramme).
  • Nahtlose Integration mit Pandas-Datenstrukturen.

3. Plotly

Plotly ist eine interaktive Visualisierungsbibliothek, die sich durch die Erstellung hochgradig interaktiver, webbasierter Plots auszeichnet. Obwohl es am häufigsten für Dashboards und Internet-Apps verwendet wird, ermöglichen die Exportoptionen von Plotly hochwertige, statische Visualisierungen, die für Veröffentlichungen geeignet sind. Plotly unterstützt eine Vielzahl von Diagrammtypen, darunter Streudiagramme, Choroplethenkarten und 3D-Diagramme.

• Hauptmerkmale:
  • Interaktive Visualisierungen (Hover-, Zoom- und Klickfunktionen).
  • Statische Exporte in Publikationsqualität (z. B. PNG, SVG, PDF).
  • Große Auswahl an Diagrammtypen (z. B. Choroplethenkarten, Netzwerkdiagramme).
  • Einfache Anpassung von Handlungselementen.

4. Pandas

Während Pandas vor allem für seine Datenbearbeitungsmöglichkeiten bekannt ist, bietet es auch robuste Funktionen zum Erstellen einfacher Tabellen und Diagramme. Pandas lässt sich nahtlos in Matplotlib und Seaborn integrieren und ermöglicht die einfache Konvertierung von DataFrames in grafische Diagramme und gestaltete Tabellen. Sie können Pandas-Tabellen in die Formate HTML, LaTeX oder Excel exportieren, was besonders nützlich ist, wenn Sie Tabellen für wissenschaftliche Arbeiten vorbereiten.

• Hauptmerkmale:
  • Integrierte Plotfunktionen für schnelle Visualisierungen aus DataFrames.
  • Möglichkeit, Tabellen für die Anzeige zu formatieren (z. B. Spaltenbreite, Textausrichtung und Ränder festlegen).
  • Exportmöglichkeiten für verschiedene Formate (HTML, LaTeX, Excel).

Erstellung publikationsreifer Zahlen

Hier sind die Richtlinien und Bibliotheken, die wir verwenden werden:

Schlüsselbibliotheken

• Matplotlib: Eine vielseitige Bibliothek für statische, animierte und interaktive Plots. Es ermöglicht eine detaillierte Kontrolle über quick jeden Aspekt der Figur.
• Seaborn: Seaborn basiert auf Matplotlib und bietet eine Excessive-Stage-Schnittstelle zum Zeichnen attraktiver statistischer Grafiken.
• Plotly: Für interaktive Visualisierungen, unterstützt aber auch statische Exporte, die in Publikationen verwendet werden können.

Allgemeine Richtlinien für Abbildungen:

• Auflösung: Stellen Sie sicher, dass Ihre Zahlen in einer hohen Auflösung gespeichert sind (mindestens 300 DPI für Druckqualität).
• Farbe: Verwenden Sie Farbpaletten, die druckerfreundlich und für farbenblinde Betrachter geeignet sind.
• Lesbarkeit: Verwenden Sie große Schriftarten für Achsenbeschriftungen, Titel und Legenden. Abbildungen sollten auch in verkleinerter Größe intestine lesbar sein.
• Konsistenz: Halten Sie den Stil für alle Abbildungen im Dokument einheitlich (gleiche Schriftart, gleiche Gitternetzlinien, gleiche Farbschemata usw.).
• Klare Etiketten: Verwenden Sie aussagekräftige Achsenbeschriftungen und Legenden und stellen Sie sicher, dass jede Abbildung selbsterklärend ist.

Lassen Sie uns eine Figur mit Matplotlib erstellen

import matplotlib.pyplot as plt

import numpy as np

# Create information

x = np.linspace(0, 10, 100)

y = np.sin(x)

# Create a determine with publication-quality aesthetics

plt.determine(figsize=(6, 4), dpi=300)  # Set determine dimension and determination

plt.plot(x, y, label="Sine Wave", shade="b", linewidth=2)

# Including labels and title

plt.xlabel("X-axis label", fontsize=14)

plt.ylabel("Y-axis label", fontsize=14)

plt.title("Sine Wave Instance", fontsize=16)

# Including grid and legend

plt.grid(True, which="each", linestyle="--", linewidth=0.5)

plt.legend(fontsize=12)

# Saving the determine as a high-resolution PNG

plt.savefig("sine_wave_figure.png", dpi=300, bbox_inches="tight")

plt.present()

Ausgabe

Erläuterung

• Der Parameter figsize legt die Abmessungen der Figur fest (hier 6×4 Zoll).
• Die dpi=300 gewährleistet eine hohe Auflösung der Figur.
• bbox_inches=’tight‘ entfernt zusätzliche Leerzeichen beim Speichern der Figur.

Lesen Sie auch: Einführung in Matplotlib mit Python für Anfänger

Erweiterte Anpassung mit Seaborn

Seaborn vereinfacht die Erstellung komplexer statistischer Diagramme. Es lässt sich in Matplotlib integrieren und kann schnell hochwertige Diagramme mit attraktiven Standardstilen erstellen.

Beispiel: Eine publikationsreife Heatmap mit Seaborn

import seaborn as sns

import numpy as np

# Create a random correlation matrix

information = np.random.rand(10, 10)

# Create a heatmap with Seaborn

plt.determine(figsize=(8, 6))

sns.heatmap(information, annot=True, cmap="coolwarm", fmt=".2f", linewidths=0.5)

# Including labels and title

plt.title("Correlation Heatmap", fontsize=16)

plt.xlabel("X-axis label", fontsize=14)

plt.ylabel("Y-axis label", fontsize=14)

# Save determine

plt.savefig("heatmap.png", dpi=300, bbox_inches="tight")

plt.present()

Ausgabe

Hier übernimmt Seaborn einen Großteil des Stylings automatisch (wie die Farbkarte und Anmerkungen), sodass Sie sich auf die Daten konzentrieren können.

Lesen Sie auch: Der ultimative Pandas-Leitfaden für die Datenwissenschaft!

Interaktive Figuren mit Plotly erstellen

Wenn Ihre Publikation interaktive Komponenten zulässt (z. B. ergänzende Materialien), Plotly ist ein mächtiges Werkzeug. Sie können damit interaktive Diagramme erstellen, die in Webseiten eingebettet oder als statische Bilder exportiert werden können.

Beispiel: Interaktives Streudiagramm mit Plotly

!pip set up --upgrade kaleido

import plotly.specific as px

import pandas as pd

import numpy as np

# Pattern information

df = pd.DataFrame({

   "X": np.random.randn(100),

   "Y": np.random.randn(100),

   "Class": np.random.selection(('A', 'B', 'C'), dimension=100)

})

# Create an interactive scatter plot

fig = px.scatter(df, x="X", y="Y", shade="Class", title="Interactive Scatter Plot")

# Save as HTML file (for interactive use) or PNG (for publication)

fig.write_html("scatter_plot.html")

fig.write_image("scatter_plot.png", width=800, top=600, scale=2)

Ausgabe

Lesen Sie auch: Anleitung zum Erstellen interaktiver Plots mit Plotly Python

Tabellen für Veröffentlichungen

Tabellen sind ein weiterer wichtiger Bestandteil wissenschaftlicher Arbeiten. Pythons Pandas Die Bibliothek wird häufig zum Erstellen und Formatieren von Datentabellen verwendet. Für die Veröffentlichung sollten Tabellen klar, intestine organisiert und leicht lesbar sein.

Beispiel: Erstellen einer Tabelle mit Pandas

import pandas as pd

import plotly.specific as px

from IPython.core.show import HTML

# Create a DataFrame with inhabitants, continent, and nation flags

information = {

   'Nation': ('China', 'India', 'USA', 'Indonesia', 'Pakistan', 'Brazil', 'Nigeria', 'Bangladesh', 'Russia', 'Mexico'),

   'Inhabitants (thousands and thousands)': (1444216, 1393409, 332915, 276361, 225199, 213993, 211400, 166303, 145912, 130262),

   'Continent': ('Asia', 'Asia', 'North America', 'Asia', 'Asia', 'South America', 'Africa', 'Asia', 'Europe', 'North America'),

   'Flag': (

       'https://add.wikimedia.org/wikipedia/commons/0/0d/Flag_of_China.svg',

       'https://add.wikimedia.org/wikipedia/commons/4/41/Flag_of_India.svg',

       'https://add.wikimedia.org/wikipedia/commons/a/a4/Flag_of_the_United_States.svg',

       'https://add.wikimedia.org/wikipedia/commons/9/9d/Flag_of_Indonesia.svg',

       'https://add.wikimedia.org/wikipedia/commons/3/3f/Flag_of_Pakistan.svg',

       'https://add.wikimedia.org/wikipedia/commons/0/05/Flag_of_Brazil.svg',

       'https://add.wikimedia.org/wikipedia/commons/7/79/Flag_of_Nigeria.svg',

       'https://add.wikimedia.org/wikipedia/commons/f/f9/Flag_of_Bangladesh.svg',

       'https://add.wikimedia.org/wikipedia/commons/f/f3/Flag_of_Russia.svg',

       'https://add.wikimedia.org/wikipedia/commons/f/fc/Flag_of_Mexico.svg'

   )

}

# Create DataFrame

df = pd.DataFrame(information)

# Manually add flags as HTML img tags (with customized width and top)

df('Flag') = df('Flag').apply(lambda x: f'<img src="https://www.analyticsvidhya.com/weblog/2024/12/figures-and-tables-with-python/{x}" width="30" top="20">')

# Show the DataFrame utilizing HTML rendering (to point out flags appropriately)

html_table = df.to_html(escape=False)  # Escape is False to permit HTML rendering

# Show the desk with flags within the pocket book

show(HTML(html_table))

# Map visualization utilizing Plotly

fig = px.choropleth(df,

                   places="Nation",

                   locationmode="nation names",

                   shade="Inhabitants (thousands and thousands)",

                   hover_name="Nation",

                   hover_data=("Continent", "Inhabitants (thousands and thousands)"),

                   color_continuous_scale=px.colours.sequential.Plasma,

                   title="Prime 10 Nations by Inhabitants")

# Optionally available: To obtain the HTML desk

from google.colab import recordsdata

df.to_html("population_table_with_flags.html", escape=False)

recordsdata.obtain("population_table_with_flags.html")

Greatest Practices für Tabellen in Veröffentlichungen

• Verwenden Sie klare Kopfzeilen: Spaltenüberschriften sollten beschreibend sein und übermäßig technischen Jargon vermeiden.
• Konsistenz: Stellen Sie sicher, dass alle Zahlen in einem einheitlichen Format dargestellt werden (z. B. Dezimalstellen).
• Ausrichtung: Zahlen nach Dezimalpunkten und Textual content nach hyperlinks ausrichten.
• Fußnoten: Verwenden Sie Fußnoten für zusätzliche Erläuterungen, anstatt die Tabelle zu überladen.

Abschluss

Python bietet eine leistungsstarke Suite von Instruments zum Generieren publikationsreifer Abbildungen und Tabellen. Ob Sie statische Diagramme erstellen mit Matplotlibstatistische Diagramme mit Seaborn oder interaktive Visualisierungen mit PlotlyPython ist für Sie da. Für Tische, Pandas ermöglicht Ihnen das einfache Formatieren und Exportieren von Daten in verschiedenen Formaten zur Veröffentlichung.

Wichtige Erkenntnisse

• Wählen Sie geeignete Bibliotheken für die Aufgabe aus (Matplotlib/Seaborn für statisch, Plotly für interaktiv).
• Legen Sie bei Ihren Entwürfen Wert auf Klarheit und Konsistenz.
• Exportieren Sie mit hoher Auflösung (300 DPI) und verwenden Sie lesbare Schriftgrößen.
• Achten Sie bei Tabellen auf klare Kopfzeilen, einheitliche Formatierung und klares Design.

Wenn Sie diese Tipps befolgen und die umfangreichen Bibliotheken von Python nutzen, können Sie Abbildungen und Tabellen in professioneller Qualität erstellen, die die Klarheit und Wirkung Ihrer Forschungsarbeit verbessern.

Häufig gestellte Fragen

Hallo, ich bin Pankaj Singh Negi – Senior Content material Editor | Leidenschaft für das Geschichtenerzählen und die Erstellung überzeugender Erzählungen, die Ideen in wirkungsvolle Inhalte verwandeln. Ich liebe es, über Technologie zu lesen, die unseren Lebensstil revolutioniert.