Bild von Editor | Chatgpt

Das Visualisierung von Daten kann sich anfühlen, um zu versuchen, ein Meisterwerk mit einem stumpfen Bleistift zu skizzieren. Sie wissen, was Sie erstellen möchten, aber das Werkzeug in Ihrer Hand ist einfach nicht kooperiert. Wenn Sie jemals ein Durcheinander von Code gestarrt haben und Ihr Matplotlib -Diagramm weniger wie eine unordentliche Ausgabe aussehen lassen, sind Sie nicht allein.

Ich erinnere mich an mein erstes Mal mit Matplotlib. Ich musste Temperaturdaten für ein Projekt zeichnen, und nach stundenlangem Googeln „Wie man X-Achse-Etiketten dreht“ hatte ich ein Diagramm, das so aussah, als ob es einen Twister überlebte. Klingt vertraut? Deshalb habe ich diesen Leitfaden zusammengestellt – um Ihnen zu helfen, die Frustration zu überspringen und saubere, professionelle Handlungen zu erstellen, die tatsächlich Sinn machen.

Warum Matplotlib? (Und warum es sich manchmal klobig anfühlt)

Matplotlib ist der Großvater von Python -Ploting -Bibliotheken. Es ist mächtig, flexibel und … sagen wir, schrullig. Anfänger stellen oft Fragen wie:

• „Warum erfordert etwas so Einfaches wie ein Balkendiagramm 10 Codezeilen?“
• „Wie kann ich meine Handlungen davon abhalten, aus 1995 auszusehen?“
• „Gibt es eine Möglichkeit, dies weniger schmerzhaft zu machen?“

Die kurze Antwort auf diese? Ja.

Matplotlib verfügt über eine Lernkurve, aber sobald Sie seine Logik erfasst, werden Sie endlose Anpassungen freischalten. Stellen Sie sich vor, Sie lernen, dass Sie zuerst eine Schaltschicht fahren lassen: Sie werden jedoch bald ohne nachzudenken.

Erste Schritte: Ihre erste Handlung in 5 Minuten

Bevor wir in fortgeschrittene Methods eintauchen, nageln wir die Grundlagen. Installieren Matplotlib mit pip set up matplotlibVersuchen Sie es dann.

Erstes, was zu tun ist: Importieren Sie Matplotlib auf herkömmliche Weise.

import matplotlib.pyplot as plt

Erstellen wir einige Beispieldaten:

years = (2010, 2015, 2020)
gross sales = (100, 250, 400)

Lassen Sie uns nun eine Figur und eine Achse erstellen:

Zeit, um die Daten zu zeichnen:

ax.plot(years, gross sales, marker="o", linestyle="--", colour="inexperienced")

Fügen Sie nun Etiketten und einen Titel hinzu:

ax.set_xlabel('Yr')
ax.set_ylabel('Gross sales (in 1000's)')
ax.set_title('Firm Development: 2010-2020')

Schließlich müssen wir das Diagramm anzeigen:

Was passiert hier?

• plt.subplots() erstellt eine Figur (die Leinwand) und eine Achse (der Plotbereich)
• ax.plot() Zeichnet ein Zeilendiagramm. Die Marker-, Linestyle- und Farbargumente jazzieren es auf
• Etiketten und Titel werden mit hinzugefügt mit hinzugefügt set_xlabel()Anwesend set_ylabel()Und set_title()

Professional -Tipp: Beschriften Sie Ihre Achsen immer! Eine unbeschreibene Handlung bringt Verwirrung und erscheint unprofessionell.

Die Anatomie eines Matplotlib -Diagramms

Um Matplotlib zu beherrschen, müssen Sie seine Sprache sprechen. Hier ist eine Aufschlüsselung der Schlüsselkomponenten:

• Abbildung: Das gesamte Fenster oder die gesamte Seite. Es ist das große Bild.
• Achsen: Wo das Diagramm passiert. Eine Figur kann mehrere Achsen haben (denken Sie an Nebenhandlungen).
• Achse: Die X- und Y -Herrscher, die die Datengrenzen definieren.
• Künstler: Alles, was Sie sehen, von Textual content über Linien bis hin zu Markierungen.

Verwirrt über Figuren gegen Achsen? Stellen Sie sich die Figur als Bilderrahmen und die Achsen als Foto im Inneren vor.

Nächste Schritte

OK, es ist Zeit, deinen PLOST zu machen … weniger hässlich. Matplotlibs Standardstil schreit „Akademisches Papier von 2003“. Lassen Sie uns es modernisieren. Hier sind einige Strategien.

1. Verwenden Sie Stylesheets

Stylesheets sind vorkonfigurierte Paletten, um Ihre Arbeit zusammenhängende Färbung zu verleihen:

Weitere Optionen, die Sie für die Stylesheet -Farbkonfigurationen verwenden können seabornAnwesend fivethirtyeightAnwesend dark_background.

2. Anpassen Sie Farben und Schriftarten

Geben Sie sich nicht mit den Standardfarben oder Schriftarten zufrieden und fügen Sie eine gewisse Personalisierung hinzu. Es braucht nicht viel, um dies zu tun:

ax.plot(years, gross sales, colour="#2ecc71", linewidth=2.5)
ax.set_xlabel('Yr', fontsize=12, fontfamily='Arial')

3. Fügen Sie Gitter hinzu (aber sparsam)

Sie möchten nicht, dass Netze überwältigend werden, aber wenn Sie sie garantiert haben, können Sie Ihre Arbeit ein gewisses Aptitude und Nutzen bringen:

ax.grid(True, linestyle="--", alpha=0.6) 

4.. Anmerkende wichtige Punkte

Gibt es einen Datenpunkt, der eine zusätzliche Erklärung benötigt? Annotieren Sie gegebenenfalls:

ax.annotate('Document Gross sales in 2020!', xy=(2020, 400), xytext=(2018, 350),
    arrowprops=dict(facecolor="black", shrink=0.05))

Aufwertung: Fortgeschrittene Techniken

1. Nebenhandlungen: Multitasking für Handlungen

Wenn Sie mehrere Diagramme nebeneinander anzeigen müssen, erstellen Sie Sublots, um 2 Zeilen und 1 Spalte zu erstellen.

fig, axes = plt.subplots(nrows=2, ncols=1, figsize=(8, 6)) axes(0).plot(years, gross sales, colour="blue")  
axes(1).scatter(years, gross sales, colour="pink")  
plt.tight_layout()

Die letzte Zeile verhindert überlappend.

2. Wärme- und Konturdiagramme

Visualisieren Sie 3D -Daten in 2D:

import numpy as np

x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

contour = ax.contourf(X, Y, Z, cmap='viridis')

Wenn Sie eine Farbskala hinzufügen möchten:

3. Interaktive Diagramme

Zeit, um Ihre Diagramme anklicken zu lassen mplcursors:

import mplcursors

line, = ax.plot(years, gross sales)
mplcursors.cursor(line).join("add", lambda sel: sel.annotation.set_text(f"Gross sales: ${sel.goal(1)}ok"))

Einpacken

Bevor Sie hier rauskommen, werfen wir einen kurzen Blick auf die gängigen Matplotlib -Kopfschmerzen und deren Korrekturen:

• „Meine Etiketten sind abgeschnitten!“ – Verwenden plt.tight_layout() oder die Polsterung mit Abb.
• „Warum ist meine Handlung leer?!“ – vergessen plt.present() Jupyter verwenden? Hinzufügen %matplotlib an der Spitze inline
• „Die Schriftarten sehen pixelig aus“ – Vektorformate (PDF, SVG) mit speichern plt.savefig('plot.pdf', dpi=300)

Wenn Sie bereit sind, selbst zu experimentieren, sollten Sie jetzt einige Herausforderungen machen, die Sie jetzt abschließen können. Wenn Sie stecken bleiben, teilen Sie Ihren Code in den Kommentaren und lassen Sie uns gemeinsam beheben.

• Passen Sie ein Histogramm an die Markenfarben Ihres Unternehmens an
• Erstellen Sie ein Diagramm aus einem kürzlich veröffentlichten Nachrichtenartikel so intestine Sie können
• Animieren Sie ein Diagramm, das Datenänderungen im Laufe der Zeit zeigt (Hinweis: Versuchen Sie FuncAnimation)

Zuletzt entwickelt sich Matplotlib, ebenso wie Ihr Wissen. Setzen Sie ein Lesezeichen für diese Ressourcen, um sie beim Fortschritt zu überprüfen:

Abschluss

Matplotlib ist nicht nur eine Bibliothek – es ist ein Toolkit für das Geschichtenerzählen. Unabhängig davon, ob Sie Klimadaten visualisieren oder Verkaufstrends darstellen, ist das Ziel Klarheit. Denken Sie daran, selbst Experten Google „Wie man manchmal eine zweite Y-Achse hinzufügt“. Der Schlüssel ist, einfach zu beginnen, oft zu iterieren und die Dokumentation nicht fürchten.

Shittu Olumide ist ein Software program-Ingenieur und technischer Autor, der sich leidenschaftlich für die Nutzung hochmoderner Technologien für überzeugende Erzählungen befindet, mit einem scharfen Auge für Particulars und einem Händchen zur Vereinfachung komplexer Konzepte. Sie können auch Shittu finden Twitter.

Beispiele für die Erstellung verschiedener Arten von Kreisdiagrammen mit Matplotlib, um die Ergebnisse der Datenbankanalyse in einem Jupyter-Pocket book mit Pandas zu visualisieren

Während meiner Masterarbeit mit dem Titel „Elements Related to Impactful Scientific Publications in NIH-Funded Coronary heart Illness Analysis“ habe ich verschiedene Arten von Kreisdiagrammen verwendet, um einige der wichtigsten Ergebnisse der Datenbankanalyse zu veranschaulichen.

Ein Kreisdiagramm kann eine effektive Wahl für die Datenvisualisierung sein, wenn ein Datensatz eine begrenzte Anzahl von Kategorien enthält, die Teile eines Ganzen darstellen. Daher eignet es sich intestine für die Anzeige kategorialer Daten mit Schwerpunkt auf dem Vergleich der relativen Anteile jeder Kategorie.

In diesem Artikel werde ich zeigen, wie man mit demselben Datensatz vier verschiedene Arten von Kreisdiagrammen erstellt, um eine umfassendere visuelle Darstellung und tiefere Einblicke in die Daten zu ermöglichen. Um dies zu erreichen, verwende ich Matplotlib, die Plotbibliothek von Python, um Kreisdiagrammvisualisierungen der im Datenrahmen gespeicherten statistischen Daten anzuzeigen. Wenn Sie mit der Matplotlib-Bibliothek nicht vertraut sind, ist das Python Information Science Handbook von Jake VanderPlas, insbesondere das Kapitel über, ein guter Anfang Visualisierung mit Matplotlib Und matplotlib.org.

Importieren wir zunächst alle notwendigen Bibliotheken und Erweiterungen:

Als Nächstes bereiten wir die CSV-Datei für die Verarbeitung vor:

Der in diesem Artikel verwendete Minidatensatz hebt die Prime-10-Zeitschriften für Veröffentlichungen zur Herzkrankheitsforschung von 2002 bis 2020 hervor und ist Teil einer größeren Datenbank, die für die Masterarbeitsforschung zusammengestellt wurde. Die Spalten „Weiblich“, „Männlich“ und „Unbekannt“ stellen das Geschlecht des Erstautors der veröffentlichten Artikel dar, während die Spalte „Gesamt“ die Gesamtzahl der in jeder Zeitschrift veröffentlichten Forschungsartikel zu Herzerkrankungen widerspiegelt.

Bei kleineren Datensätzen mit weniger Kategorien kann ein Kreisdiagramm mit explodierenden Abschnitten eine Schlüsselkategorie effektiv hervorheben, indem es sie leicht aus dem Relaxation des Diagramms heraushebt. Dieser visuelle Effekt lenkt die Aufmerksamkeit auf bestimmte Kategorien und hebt sie so vom Ganzen ab. Jedes Phase stellt einen Teil der Gesamtheit dar, wobei seine Größe proportional zu den Daten ist, die es darstellt. Zu jedem Phase können Beschriftungen hinzugefügt werden, um die Kategorie anzugeben, zusammen mit Prozentsätzen, um ihren Anteil an der Gesamtsumme anzuzeigen. Diese visuelle Technik hebt das explodierte Phase hervor, ohne dass der Kontext der vollständigen Datendarstellung verloren geht.

Die gleiche Technik der explodierenden Slices kann auf alle anderen Einträge im Beispieldatensatz angewendet werden, und die resultierenden Diagramme können in einer einzigen Abbildung angezeigt werden. Diese Artwork der Visualisierung hilft dabei, die Über- oder Unterrepräsentation einer bestimmten Kategorie innerhalb des Datensatzes hervorzuheben. Im bereitgestellten Beispiel zeigt die Darstellung aller zehn Diagramme in einer Abbildung, dass keine der zehn führenden Zeitschriften in der Herzkrankheitsforschung mehr Artikel veröffentlichte, die von Frauen als von Männern verfasst wurden, was die Ungleichheit zwischen den Geschlechtern verdeutlicht.

Zur Visualisierung von Daten kann auch eine Variation des Kreisdiagramms, ein sogenanntes Donut-Diagramm, verwendet werden. Donut-Diagramme zeigen wie Kreisdiagramme die Anteile von Kategorien an, die ein Ganzes bilden. Die Mitte des Donut-Diagramms kann jedoch auch zur Darstellung zusätzlicher Daten genutzt werden. Dieses Format ist optisch übersichtlicher und kann den Vergleich der relativen Größen von Abschnitten im Vergleich zu einem Commonplace-Kreisdiagramm erleichtern. In dem in diesem Artikel verwendeten Beispiel zeigt das Donut-Diagramm, dass das American Journal of Physiology, Coronary heart and Circulatory Physiology unter den Prime-10-Zeitschriften für Veröffentlichungen zur Herzkrankheitsforschung mit 21,8 % die meisten Artikel veröffentlichte.

Wir können die Visualisierung zusätzlicher Informationen aus dem Beispieldatensatz verbessern, indem wir auf dem vorherigen Ringdiagramm aufbauen und eine verschachtelte Model erstellen. Der add_artist() Die Methode aus dem Figurenmodul von Matplotlib wird verwendet, um zusätzliche Künstler (z. B. Figuren oder Objekte) in die Basisfigur einzubinden. Ähnlich wie das frühere Donut-Diagramm zeigt diese Variante die Verteilung der Veröffentlichungen in den Prime-10-Zeitschriften zur Herzkrankheitsforschung. Es enthält jedoch auch eine zusätzliche Ebene, die die Geschlechterverteilung der Erstautoren für jede Zeitschrift anzeigt. Diese Visualisierung verdeutlicht, dass ein größerer Prozentsatz der Erstautoren männlich ist.

Zusammenfassend lässt sich sagen, dass Kreisdiagramme für die Visualisierung von Daten mit einer begrenzten Anzahl von Kategorien effektiv sind, da sie es dem Betrachter ermöglichen, die wichtigsten Kategorien oder dominanten Anteile schnell auf einen Blick zu verstehen. In diesem speziellen Beispiel bietet die Verwendung von vier verschiedenen Arten von Kreisdiagrammen eine klare Visualisierung der Geschlechterverteilung unter Erstautoren in den Prime-10-Zeitschriften für Veröffentlichungen zur Herzkrankheitsforschung, basierend auf dem in dieser Studie verwendeten Minidatensatz 2002 bis 2020. Es ist offensichtlich, dass ein höherer Prozentsatz der Erstautoren der Publikation Männer sind, und keine der Prime-10-Zeitschriften für Herzkrankheitsforschung veröffentlichte im untersuchten Zeitraum mehr Artikel, die von Frauen als von Männern verfasst wurden.

Das für diesen Artikel verwendete Jupyter-Notizbuch und der Datensatz finden Sie unter GitHub

Vielen Dank fürs Lesen,

Diana

Hinweis: Ich habe GitHub-Einbettungen verwendet, um diesen Artikel zu veröffentlichen.

Einführung

Dieser Beitrag bietet eine ausführliche Anleitung zur Verwendung Matplotlibein potenter Python Datenvisualisierung Werkzeug zum Erstellen und Ändern von Liniendiagrammen. Es behandelt das Einrichten einer Umgebung, das Generieren von Beispieldaten und das Erstellen grundlegender Diagramme. Weitere Änderungsmethoden, die im Handbuch behandelt werden, umfassen das Ändern von Linienstilen, das Zeichnen mehrerer Linien, das Hinzufügen von Markierungen und das Hinzufügen von Anmerkungen. In diesem Artikel werden wir Liniendiagramme mithilfe von matplotlib im Element.

Überblick

• Erfahren Sie mehr über die Grundlagen der Umgebungseinrichtung und des Imports der erforderlichen Bibliotheken bei der Verwendung von Matplotlib um Liniendiagramme zu erstellen.
• Um eine klare Datendarstellung zu gewährleisten, lernen Sie, wie Sie Beispieldaten erstellen mit NumPy und visualisieren Sie es mithilfe einfacher Liniendiagramme.
• Entwickeln Sie Fähigkeiten zum Anpassen von Liniendiagrammen durch Ändern von Linienstilen und Farben und Hinzufügen von Markierungen, um die Diagramme optisch ansprechender und informativer zu gestalten.
• Erlernen Sie die Fähigkeit, mehrere Linien in einem einzigen Diagramm darzustellen, um verschiedene Datensätze zu vergleichen und so Ihre Datenanalysefunktionen zu verbessern.
• Erlernen Sie die Techniken zum Hinzufügen von Anmerkungen, um wichtige Datenpunkte hervorzuheben, und speichern Sie Diagramme als Bilddateien, um eine bessere Datenkommunikation und Dokumentation zu ermöglichen.

Einrichten Ihrer Umgebung

Bevor Sie beginnen, stellen Sie sicher, dass Sie über die erforderlichen Bibliotheken installiert. Sie können Matplotlib mit pip installieren, falls Sie dies noch nicht getan haben:

pip set up matplotlib

Importieren von Bibliotheken

Importieren Sie zunächst die erforderlichen Bibliotheken. Das Haupt-Plot-Paket ist Matplotlib, während NumPy kann zum Erstellen von Beispieldaten verwendet werden.

import matplotlib.pyplot as plt
import numpy as np

Generieren von Beispieldaten

Zu Demonstrationszwecken generieren wir einige Beispieldaten mit NumPy. Wir erstellen eine einfache Datensatz stellt eine Sinuswelle dar.

# Generate 1000 evenly spaced values from 0 to 10
x = np.linspace(0, 10, 1000)
# Generate corresponding sine values
y = np.sin(x)

Erstellen eines einfachen Liniendiagramms

Wir werden jetzt mit Matplotlib ein einfaches Liniendiagramm erstellen. Wir werden lernen, wie man mit Matplotlib ein einfaches, aber informatives Liniendiagramm erstellt. Indem wir eine klare und prägnante Darstellung der Daten bereitstellen.

plt.determine(figsize=(10, 6))  # Set the determine dimension
plt.plot(x, y, label="Sine Wave")  # Plot the information and add a label
plt.title('Primary Line Plot')  # Add a title
plt.xlabel('X-axis')  # Add X-axis label
plt.ylabel('Y-axis')  # Add Y-axis label
plt.legend()  # Show the legend
plt.grid(True)  # Add grid traces
plt.present()  # Show the plot

Ausgabe:

Anpassen des Liniendiagramms

Sie können die Übersichtlichkeit Ihrer Datenpräsentation und die visuelle Attraktivität Ihrer Liniendiagramme verbessern, indem Sie sie personalisieren. In diesem Abschnitt werden verschiedene Möglichkeiten zum Anpassen von Linienstilen, Farben, Markierungen und anderen Elementen beschrieben, damit Sie benutzerdefinierte Visualisierungen erstellen können, die Ihre Ergebnisse klar kommunizieren.

Linienstile und -farben ändern

Sie können die optische Attraktivität Ihres Diagramms steigern, indem Sie Breite, Farbe und Linienstil anpassen.

plt.determine(figsize=(10, 6))
plt.plot(x, y, coloration="blue", linestyle="--", linewidth=2, label="Sine Wave")
plt.title('Personalized Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.grid(True)
plt.present()

Ausgabe:

Markierungen hinzufügen

Wir können unserem Diagramm Markierungen hinzufügen, um unsere Daten detaillierter darzustellen und ihre Klarheit zu verbessern.

plt.determine(figsize=(10, 6))
plt.plot(x, y, coloration="inexperienced", linestyle="-", linewidth=1, marker="o", markersize=4, label="Sine Wave with Markers")
plt.title('Line Plot with Markers')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.grid(True)
plt.present()

Ausgabe:

Mehrere Zeilen

Sie können mehrere Linien im selben Diagramm darstellen, um verschiedene Datensätze zu vergleichen.

# Generate a cosine wave for comparability
y2 = np.cos(x)

plt.determine(figsize=(10, 6))
plt.plot(x, y, label="Sine Wave")
plt.plot(x, y2, label="Cosine Wave", linestyle="--")
plt.title('A number of Traces Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.grid(True)
plt.present()

Ausgabe:

Hinzufügen von Anmerkungen

Anmerkungen können Einzelheiten liefern oder die Aufmerksamkeit auf bestimmte Orte lenken.

plt.determine(figsize=(10, 6))
plt.plot(x, y, label="Sine Wave")
plt.plot(x, y2, label="Cosine Wave", linestyle="--")
plt.title('Line Plot with Annotations')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# Annotate the purpose the place sine and cosine intersect
plt.annotate('Intersection', xy=(np.pi/4, np.sin(np.pi/4)), xytext=(3, 0.5),
             arrowprops=dict(facecolor="black", shrink=0.05))

plt.legend()
plt.grid(True)
plt.present()

Ausgabe:

Speichern der Handlung

Sie können das Diagramm mit savefig in einer Datei speichern.

plt.determine(figsize=(10, 6))
plt.plot(x, y, label="Sine Wave")
plt.plot(x, y2, label="Cosine Wave", linestyle="--")
plt.title('Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.grid(True)
plt.savefig('line_plot.png')  # Save the plot as a PNG file
plt.present()

Vollständiges Codebeispiel

Dies ist das vollständige Codebeispiel, das alle besprochenen Anpassungsoptionen abdeckt.

import matplotlib.pyplot as plt
import numpy as np

# Generate pattern knowledge
x = np.linspace(0, 10, 1000)
y = np.sin(x)
y2 = np.cos(x)

# Create and customise the plot
plt.determine(figsize=(10, 6))
plt.plot(x, y, coloration="blue", linestyle="-", linewidth=2, marker="o", markersize=4, label="Sine Wave")
plt.plot(x, y2, coloration="crimson", linestyle="--", linewidth=2, label="Cosine Wave")
plt.title('Full Line Plot Instance')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# Annotate the purpose the place sine and cosine intersect
plt.annotate('Intersection', xy=(np.pi/4, np.sin(np.pi/4)), xytext=(3, 0.5),
             arrowprops=dict(facecolor="black", shrink=0.05))

plt.legend()
plt.grid(True)
plt.savefig('complete_line_plot.png')
plt.present()

Ausgabe:

Abschluss

Sie können Ihre Fähigkeit zur Datenvisualisierung erheblich verbessern, indem Sie lernen, wie Sie mit Matplotlib Liniendiagramme erstellen und ändern. Sie wissen jetzt, wie Sie Ihr System konfigurieren, Daten erstellen und anzeigen, Diagramme ändern, verschiedene Datensätze vergleichen und Informationen effektiv kommentieren. Mit diesen Fähigkeiten können Sie fesselnde Visualisierungen erstellen, die die von Ihnen gewonnenen Datenerkenntnisse klar vermitteln. So erhöhen Sie die Wirkung und das Verständnis Ihrer Untersuchung.

Verpassen Sie nicht diese Likelihood, Ihre Fähigkeiten zu verbessern und Ihre Karriere voranzutreiben. Lernen Sie Python mit uns! Dieser Kurs ist für alle Niveaus geeignet.

Häufig gestellte Fragen