Phenquestions
- ¿Qué es Python Matplotlib??
- Tipos de gráficos que podemos construir, como gráfico de barras, histograma, gráfico de dispersión, gráfico de área y gráfico de pe
- Trabajar con múltiples parcelas
- Algunas alternativas para Python Matplotlib
¿Qué es Python Matplotlib??
El matplotlib.pyplot es un paquete de trazado de gráficos que se puede utilizar para construir gráficos bidimensionales utilizando el lenguaje de programación Python. Debido a su naturaleza conectable, este paquete se puede utilizar en cualquier aplicación GUI, servidores de aplicaciones web o scripts Python simples. Algunos kits de herramientas que amplían la funcionalidad de Python Matplotlib son:
- Mapa base es una biblioteca de trazado de mapas que proporciona características para crear proyectos de mapas, líneas costeras y límites políticos
- Natgrid se puede utilizar para cuadrizar datos irregulares en datos espaciados
- Herramientas de Excel se puede utilizar para intercambiar datos entre MS Excel y Matplotlib
- Cartopy es una biblioteca de mapas muy compleja que incluso proporciona características de transformación de imágenes además de proyecciones de puntos, líneas y polígonos
Solo una nota antes de comenzar es que usamos un entorno virtual para esta lección que hicimos con el siguiente comando:
Python -m virtualenv matplotlibfuente matplotlib / bin / enable
Una vez que el entorno virtual está activo, podemos instalar la biblioteca matplotlib dentro del entorno virtual para que los ejemplos que creamos a continuación se puedan ejecutar:
pip instalar matplotlibVemos algo como esto cuando ejecutamos el comando anterior:
También puede usar Anaconda para ejecutar estos ejemplos, lo cual es más fácil. Si desea instalarlo en su máquina, consulte la lección que describe “Cómo instalar Anaconda Python en Ubuntu 18.04 LTS ”y comparta sus comentarios. Ahora, avancemos a varios tipos de gráficos que se pueden construir con Python Matplotlib.
Tipos de parcelas
Aquí, demostramos los tipos de gráficos que se pueden dibujar con Python Matplotlib.
Gráfico simple
El primer ejemplo que veremos será de un diagrama de gráfico simple. Este ejemplo se utiliza como demostración de lo sencillo que es construir un diagrama de gráfico junto con las sencillas personalizaciones que lo acompañan. Comenzamos importando matplotlib y definiendo las coordenadas xey que queremos trazar:
de matplotlib importar pyplot como pltx = [3, 6, 9]
y = [2, 4, 6]
Después de esto, podemos trazar estas coordenadas en el gráfico y mostrarlo:
plt.trama (x, y)plt.show()
Cuando ejecutemos esto, veremos el siguiente gráfico:
Con solo unas pocas líneas de código, pudimos trazar un gráfico. Agreguemos algunas personalizaciones para hacer que este gráfico sea un poco más expresivo:
plt.ylabel ('eje Y')
plt.xlabel ('eje X')
Agregue las líneas de código anteriores justo antes de mostrar el gráfico y el gráfico ahora tendrá etiquetas:
Intentaremos personalizar este gráfico para hacerlo intuitivo con las siguientes líneas de código antes de mostrar el gráfico:
x1 = [3, 6, 9]y1 = [2, 4, 6]
x2 = [2, 7, 9]
y2 = [4, 5, 8]
plt.título ('Información')
plt.ylabel ('eje Y')
plt.xlabel ('eje X')
plt.plot (x1, y1, 'g', label = 'Quarter 1', linewidth = 5)
plt.plot (x2, y2, 'r', label = 'Quarter 2', linewidth = 5)
plt.leyenda()
plt.cuadrícula (verdadero, color = 'k')
plt.show()
Veremos el siguiente gráfico cuando ejecutemos el fragmento de código anterior:
Fíjate con qué comenzamos y con qué terminamos, un gráfico muy intuitivo y atractivo que puedes usar en tus presentaciones y está hecho con código Python puro, definitivamente algo de lo que estar orgulloso !
Hacer un gráfico de barras
Un gráfico de barras es especialmente útil cuando queremos una plataforma de comparación con medidas específicas y limitadas. Por ejemplo, comparar las calificaciones promedio de los estudiantes con una sola materia es un buen caso de uso. Construyamos un gráfico de barras para el mismo caso de uso aquí, el fragmento de código para esto será:
avg_marks = [81, 92, 55, 79]física = [68, 77, 62, 74]
plt.barra ([0.25, 1.25, 2.25, 3.25], avg_marks, label = "Promedio", ancho =.5)
plt.bar([.75, 1.75, 2.75, 3.75], física, etiqueta = "Física", color = 'r', ancho =.5)
plt.leyenda()
plt.xlabel ('Rango')
plt.ylabel ('Marcas')
plt.title ('Comparación')
plt.show()
El gráfico de barras creado con los datos de muestra anteriores tendrá el siguiente aspecto:
Hay varias barras presentes aquí para establecer una comparación. Tenga en cuenta que hemos proporcionado el ancho de cada barra como un primer parámetro y la barra se desplaza 0.5 valores del anterior.
Podemos combinar esta construcción de gráfico de barras con la biblioteca de Pandas para personalizarlo más, pero lo cubriremos en una lección diferente sobre Pandas.
Distribuciones con histogramas
Los histogramas a menudo se confunden con gráficos de barras. La diferencia más básica radica en su caso de uso. Los gráficos de barras se utilizan para establecer comparaciones entre los datos, mientras que los histogramas se utilizan para describir la distribución de los datos.
Por ejemplo, apliquemos el ejemplo para las calificaciones de los estudiantes nuevamente, pero esta vez, solo veremos las calificaciones promedio de los estudiantes y veremos cómo se distribuyen. Aquí está el fragmento de código, muy similar al ejemplo anterior:
contenedores = [0,10,20,30,40,50,60,70,80,90,100]avg_marks = [81, 77, 55, 88, 81, 66, 51, 66, 81, 92, 55, 51]
plt.hist (avg_marks, bins, histtype = 'bar', rwidth = 0.8)
plt.xlabel ('Rango')
plt.ylabel ('Marcas')
plt.title ('Comparación')
plt.show()
El histograma creado con los datos de muestra anteriores tendrá el siguiente aspecto:
El eje Y muestra aquí que cuántos estudiantes obtuvieron las mismas calificaciones que se proporcionaron como datos para la construcción.
Hacer un diagrama de dispersión
Cuando se trata de comparar múltiples variables y establecer su efecto entre sí, el diagrama de dispersión es una buena manera de presentar el mismo. En esto, los datos se representan como puntos con el valor de una variable reflejada por el eje horizontal y el valor de la segunda variable determina la posición del punto en el eje vertical.
Veamos un fragmento de código simple para describir lo mismo:
x = [1,1.5,2,2.5,3,3.5,3.6]y = [75,8,85,9,95,10,75]
x1 = [8,8.5,9,9.5,10,10.5,11]
y1 = [3,35,3.7,4,45,5,52]
plt.scatter (x, y, label = '10 estudiantes con altas calificaciones ', color =' r ')
plt.scatter (x1, y1, label = '10 estudiantes con calificaciones bajas ', color =' b ')
plt.xlabel ('Marcas')
plt.ylabel ('Recuento de estudiantes')
plt.title ('Diagrama de dispersión')
plt.leyenda()
plt.show()
El diagrama de dispersión creado con los datos de muestra anteriores tendrá el siguiente aspecto:
Parcelas de área
Las gráficas de área se utilizan principalmente para rastrear cambios en los datos a lo largo del tiempo. También se denominan gráficos de pila en varios textos. Por ejemplo, si queremos establecer una representación del tiempo invertido por un alumno a cada asignatura en un solo día, aquí tienes el código con el que podemos hacer lo mismo:
días = [1,2,3,4,5]física = [2,8,6,5,7]
pitón = [5,4,6,4,1]
r = [7,9,4,3,1]
matemáticas = [8,5,7,8,13]
plt.plot ([], [], color = 'm', label = 'Physics', linewidth = 5)
plt.plot ([], [], color = 'c', label = 'Python', linewidth = 5)
plt.plot ([], [], color = 'r', label = 'R', linewidth = 5)
plt.plot ([], [], color = 'k', label = 'Math', linewidth = 5)
plt.stackplot (días, física, python, r, matemáticas, colores = ['g', 'k', 'r', 'b'])
plt.xlabel ('x')
plt.ylabel ('y')
plt.title ('Gráfico de pila')
plt.leyenda()
plt.show()
El gráfico de área creado con los datos de muestra anteriores tendrá el siguiente aspecto:
El resultado anterior establece claramente una diferencia en el tiempo empleado por un estudiante en cada asignatura con una forma clara de proporcionar la diferencia y la distribución.
Gráficos circulares
Cuando queremos dividir una parte completa en varias partes y describir la cantidad que ocupa cada parte, un gráfico circular es una buena manera de hacer esta presentación. Se utiliza para mostrar el porcentaje de datos en un conjunto de datos completo. Aquí hay un fragmento de código básico para hacer un gráfico circular simple:
etiquetas = 'Python', 'C ++', 'Ruby', 'Java'tamaños = [225, 130, 245, 210]
colores = ['r', 'b', 'g', 'c']
explotar = (0.1, 0, 0, 0) # explotar 1a rebanada
# Gráfico
plt.pastel (tamaños, explotar = explotar, etiquetas = etiquetas, colores = colores,
autopct = '% 1.1f %% ', sombra = Verdadero, ángulo inicial = 140)
plt.eje ('igual')
plt.show()
El gráfico circular creado con los datos de muestra anteriores tendrá el siguiente aspecto:
En las secciones anteriores, analizamos varios componentes gráficos que podemos construir con la biblioteca Matplotlib para representar nuestros datos en varias formas y establecer diferencias de una manera intuitiva al mismo tiempo que somos estadísticos.
Características y alternativas para Matplotlib
Una de las mejores características de matplotlib es que puede funcionar en muchos sistemas operativos y backends gráficos. Es compatible con docenas de sistemas operativos y resultados gráficos que analizamos en esta lección. Esto significa que podemos contar con ello cuando se trata de proporcionar una salida de la manera que necesitamos.
Hay varias otras bibliotecas presentes que pueden competir con matplotlib como:
- Seahorn
- Plotly
- Ggplot2
A pesar de que las bibliotecas mencionadas anteriormente pueden presentar algunas formas avanzadas de describir y presentar datos de manera gráfica, no se puede negar la simplicidad y la naturaleza efectiva de la biblioteca matplotlib.
Conclusión
En esta lección, analizamos varios aspectos de esta biblioteca de visualización de datos que podemos usar con Python para generar gráficos hermosos e intuitivos que pueden visualizar datos en la forma que las empresas desean de una plataforma. Matplotlib es una de las bibliotecas de visualización más importantes cuando se trata de ingeniería de datos y presentación de datos en la mayoría de las formas visuales, definitivamente una habilidad que debemos tener en nuestro haber.
Comparta sus comentarios sobre la lección en Twitter con @sbmaggarwal y @LinuxHint.
