Traçage Python

Cet arrangement vous permettra de vous familiariser avec le traçage Python avec Matplotlib, qui est ostensiblement la bibliothèque de traçage et de perception de l’information la plus éminente pour Python.

Établissement

Une approche moins exigeante pour introduire matplotlib est d’utiliser pip. Tapez l’adresse suivante dans le terminal :

pip install matplotlib

Ou, vous pouvez le télécharger ici et l’installer manuellement.

Démarrage (tracer une ligne)

filtre_none

edit

play_arrow

brillo_4

# Importation du module requis

import matplotlib.pyplot as plt

# Valeurs de l’axe des x

x =

# Valeurs correspondantes de l’axe des y

y =

# Tracé des points

plt.plot(x, y)

# nommer l’axe des x

plt.xlabel(‘x – axis’)

# nommer l’axe des y

plt.ylabel(‘y – axis’)

# donner un titre à mon graphe

plt.title(‘Mon premier graphe !’)

# Fonction pour afficher le graphe

plt.show()

Le code semble être limpide. Les étapes suivantes ont été suivies :

Caractériser les estimations du cube x et du pivot y associé en tant qu’enregistrements.

Les tracer sur le canevas à l’aide du job .plot().

Nommer le pivot x et le pivot y à l’aide des capacités .xlabel() et .ylabel().

Titrez votre tracé à l’aide du job .title().

Enfin, pour voir votre tracé, nous utilisons le travail .appear().

Tracer deux lignes ou plus dans le même tracé

filter_none

edit

play_arrow

brillo_4

import matplotlib.pyplot as plt

# ligne 1 points

x1 =

y1 =

#plot ligne 1 points

plt.plot(x1, y1, label = « ligne 1 »)

# points de la ligne 2

x2 =

y2 =

# tracer les points de la ligne 2

plt.plot(x2, y2, label = « ligne 2 »)

# nommer l’axe des x

plt.xlabel(‘x – axis’)

# nommer l’axe des y

plt.ylabel(‘y – axis’)

# donner un titre à mon graphe

plt.title(‘Deux lignes dans le même graphe !’)

# Afficher une légende sur le graphe

plt.legend()

# Fonction permettant d’afficher le graphe

plt.show()

Ici, nous traçons deux lignes sur le même graphique. Nous les séparons en leur donnant un nom (label) qui est passé comme une contenance du job .plot().

La petite boîte rectangulaire qui donne des données sur le type de ligne et son ombrage est appelée une légende. Nous pouvons ajouter une légende à notre tracé à l’aide du job .legend().

Personnalisation du tracé

Ici, nous examinons quelques personnalisations rudimentaires pertinentes pour pratiquement tout tracé.

import matplotlib.pyplot as plt

# Valeurs de l’axe des x

x =

# Valeurs correspondantes de l’axe des y

y =

# Tracé des points

plt.plot(x, y, color=’green’, linestyle=’dashed’, linewidth = 3,

marker=’o’, markerfacecolor=’blue’, marker size=12)

# setting the range of the x and y axes

plt.ylim(1,8)

plt.xlim(1,8)

# nommer l’axe des x

plt.xlabel(‘x – axis’)

# nommer l’axe des y

plt.ylabel(‘y – axis’)

# Donner un titre à mon graphe

plt.title(‘Some cool customizations!’)

# Fonction pour afficher le graphe

plt.show()

Voici plusieurs personnalisations comme:

définir la largeur de ligne, le style de ligne, l’ombrage de ligne.

…le réglage du marqueur, l’ombrage de la face du marqueur, la taille du marqueur…

abrogeant le déplacement des axes X et Y. Dans le cas où la substitution n’est pas faite, le module pyplot utilise la mise en évidence automatique de l’échelle pour définir la plage et l’échelle du pivot.

import matplotlib.pyplot as plt

# coordonnées x des côtés gauches des barres

gauche =

hauteur des barres

hauteur =

# étiquettes pour les barres

label_tick =

# tracer un graphique à barres

plt.bar(left, height, tick_label = tick_label,

largeur = 0,8, couleur = )

Nommer l’axe des x

plt.xlabel(‘x – axis’)

Nommer l’axe des y

plt.ylabel(‘y – axis’)

# Titre du tracé

plt.title(‘Mon graphique à barres!’)

# Fonction d’affichage du tracé

plt.show()

Ici, nous utilisons la capacité de plt.bar() pour tracer le contour d’une barre.

Les directions x de la moitié gauche des barres sont passées à côté des statures des barres.

On peut aussi nommer les installations x-hub en caractérisant les étiquettes des tics

Ici, nous utilisons la capacité plt.hist() pour dessiner un histogramme du contour d’une barre.

Ici, nous utilisons la capacité plt.hist() pour tracer un histogramme.

Les fréquences sont passées comme la liste des âges.

L’étendue pourrait être définie en caractérisant un tuple contenant l’estime minimale et maximale.

L’étape suivante consiste à  » conteneuriser  » l’étendue des qualités – c’est-à-dire à diviser l’étendue entière des qualités en une progression d’intermédiaires – puis à compter le nombre de qualités qui entrent dans chaque intermédiaire. Ici, nous avons caractérisé des bacs = 10. Ainsi, il y a un total de 100/10 = 10 intermédiaires.

Histogramme

Filtre_none

edit

play_arrow

brillo_4

import matplotlib.pyplot as plt

# Fréquences

âges =

# définition des plages et du nombre d’intervalles

plage = (0, 100)

buckets = 10

# tracé d’un histogramme

plt.hist(ages, buckets, range, color = ‘green’,

histtype = ‘bar’, rwidth = 0.8)

# Étiquette de l’axe des x

plt.xlabel(‘âge’)

# Étiquette de la fréquence

plt.ylabel(‘Nbre de personnes’)

# Titre du tracé

plt.title(‘Mon histogramme’)

# Fonction d’affichage du tracé

plt.show()

Sortie :

Scatter plot

filter_none

edit

play_arrow

brillo_4

import matplotlib.pyplot as plt

# valeurs de l’axe des x

x =

# valeurs de l’axe des y

y =

# tracer des points sous forme de nuage de points

plt.scatter(x, y, label= « stars », color= « green »,

marker= « * », s=30)

# label sur l’axe des x

plt.xlabel(‘x – axis’)

# étiquette de fréquence

plt.ylabel(‘y – axis’)

# Titre du graphe

plt.title(‘My scatter plot’)

# affichage de la légende

plt.legend()

# Fonction pour afficher le graphe

plt.show()

Ici, nous utilisons la capacité de plt.scatter() pour tracer un graphe de dissipation.

En tant que ligne, nous caractérisons le x et relions le y – l’estime du centre ici aussi.

Le confinement du marqueur est utilisé pour définir le caractère à utiliser comme marqueur. Sa taille peut être caractérisée à l’aide du paramètre s.

Tracé en cercle

filtre_none

edit

play_arrow

brillo_4

import matplotlib.pyplot as plt

# définition des étiquettes

activités =

# portion couverte par chaque étiquette

slices =

# couleur pour chaque étiquette

colors =

# tracé du camembert

plt.pie(slices, labels = activités, colors=colors,

start angle = 90, shadow = True, explode = (0, 0, 0, 0.1, 0),

radius = 1.2, highway = ‘%1.1f%%%’)

# plot legend

plt.legend()

#affichage du graphique

plt.show()

La sortie du programme ci-dessus ressemble à ceci:

Ici, nous traçons un graphique circulaire en utilisant la stratégie plt.foot().

Première importance, nous caractérisons les noms à l’aide d’une liste appelée exercices.

À ce stade, le segment de chaque nom peut être caractérisé à l’aide d’une autre liste appelée coupes.

L’ombrage de chaque marque est caractérisé à l’aide d’un gradient appelé nuances.

Shade = Authentique fera apparaître une nuance sous chaque nom dans le graphique circulaire.

L’angle de départ fait tourner le début du camembert en degrés donnés dans le sens inverse des aiguilles d’une montre par rapport au pivot X.

La détonation est utilisée pour définir la partie de l’intervalle avec laquelle contrer chaque coin.

L’autoroute est utilisée pour organiser l’estimation de chaque marque. Ici, nous l’avons paramétré pour qu’il n’affiche le taux d’estimation qu’à une décimale près.

Tracer les courbes de l’équation donnée

filtre_none

edit

play_arrow

brillo_4

# Importer les modules requis

import matplotlib.pyplot as plt

import numpy as np

# définir les coordonnées x –

x = np.arange(0, 2*(np.pi), 0.1)

# définir les coordonnées y correspondantes

y = np.sin(x)

# encapsulant les points

plt.plot(x, y)

# Fonction permettant d’afficher le tracé

plt.show()

Ici, nous utilisons NumPy qui est un affichage universellement utile pour préparer un package en python.

Pour fixer les estimations de l’axe des x, nous utilisons la technique np.arange() où les deux contentions initiales sont pour la gamme et la troisième est pour l’addition par étapes. Le résultat est un cluster numpy.

Pour obtenir comparer les estimations de y-hub, nous utilisons essentiellement une stratégie prédéfinie de np.sin() dans l’affichage numpy.

En dernier lieu, nous traçons les foyers en passant les affichages x et y au travail plt.plot().

.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *