Box Plot, также известный как Whisker plot, создается для отображения сводной информации по набору значений данных, имеющих такие свойства, как минимум, первый квартиль, медиана, третий квартиль и максимум. На прямоугольном графике создается прямоугольник от первого квартиля до третьего квартиля, а также присутствует вертикальная линия, проходящая через прямоугольник по медиане. Здесь ось X обозначает данные, которые будут отображаться, а ось Y показывает распределение частот.

Создание

Box Plot

Модуль matplotlib.pyplot библиотеки matplotlib предоставляет функцию boxplot(), с помощью которой мы можем создавать коробчатые диаграммы.

Синтаксис: 

matplotlib.pyplot.boxplot(data, notch=None, vert=None, patch_artist=None, widths=None)

Параметры: 

Attribute	Value
data	array or sequence of array to be plotted
notch	optional parameter accepts boolean values
vert	optional parameter accepts boolean values false and true for horizontal and vertical plot respectively
bootstrap	optional parameter accepts int specifies intervals around notched boxplots
usermedians	optional parameter accepts array or sequence of array dimension compatible with data
positions	optional parameter accepts array and sets the position of boxes
widths	optional parameter accepts array and sets the width of boxes
patch_artist	optional parameter having boolean values
labels	sequence of strings sets label for each dataset
meanline	optional having boolean value try to render meanline as full width of box
order	optional parameter sets the order of the boxplot

Значения данных, передаваемые методу ax.boxplot(), могут быть массивом Numpy, списком Python или кортежем массивов. Давайте создадим диаграмму размаха, используя numpy.random.normal() для создания случайных данных. В качестве аргументов она принимает среднее значение, стандартное отклонение и желаемое количество значений.

Пример: 

# Import libraries
import matplotlib.pyplot as plt
import numpy as np


# Creating dataset
np.random.seed(10)
data = np.random.normal(100, 20, 200)

fig = plt.figure(figsize =(10, 7))

# Creating plot
plt.boxplot(data)

# show plot
plt.show()

Вывод: 

Настройка блок-графика

Функция matplotlib.pyplot.boxplot() предоставляет бесконечные возможности для настройки коробчатого графика. Атрибут notch = True создает формат выемки на коробчатом графике, а атрибут patch_artist = True заполняет коробчатый график цветами. Мы можем задать разные цвета для разных ячеек. Атрибут vert = 0 создает горизонтальный коробчатый график. Метки имеют те же размеры, что и наборы числовых данных.

Пример 1: 

# Import libraries
import matplotlib.pyplot as plt
import numpy as np


# Creating dataset
np.random.seed(10)

data_1 = np.random.normal(100, 10, 200)
data_2 = np.random.normal(90, 20, 200)
data_3 = np.random.normal(80, 30, 200)
data_4 = np.random.normal(70, 40, 200)
data = [data_1, data_2, data_3, data_4]

fig = plt.figure(figsize =(10, 7))

# Creating axes instance
ax = fig.add_axes([0, 0, 1, 1])

# Creating plot
bp = ax.boxplot(data)

# show plot
plt.show()

Вывод: 

Пример 2: Давайте попробуем изменить приведенный выше график с помощью некоторых настроек:

# Import libraries
import matplotlib.pyplot as plt
import numpy as np

# Creating dataset
np.random.seed(10)
data_1 = np.random.normal(100, 10, 200)
data_2 = np.random.normal(90, 20, 200)
data_3 = np.random.normal(80, 30, 200)
data_4 = np.random.normal(70, 40, 200)
data = [data_1, data_2, data_3, data_4]

fig = plt.figure(figsize =(10, 7))
ax = fig.add_subplot(111)

# Creating axes instance
bp = ax.boxplot(data, patch_artist = True,
                notch ='True', vert = 0)

colors = ['#0000FF', '#00FF00', 
          '#FFFF00', '#FF00FF']

for patch, color in zip(bp['boxes'], colors):
    patch.set_facecolor(color)

# changing color and linewidth of
# whiskers
for whisker in bp['whiskers']:
    whisker.set(color ='#8B008B',
                linewidth = 1.5,
                linestyle =":")

# changing color and linewidth of
# caps
for cap in bp['caps']:
    cap.set(color ='#8B008B',
            linewidth = 2)

# changing color and linewidth of
# medians
for median in bp['medians']:
    median.set(color ='red',
               linewidth = 3)

# changing style of fliers
for flier in bp['fliers']:
    flier.set(marker ='D',
              color ='#e7298a',
              alpha = 0.5)
    
# x-axis labels
ax.set_yticklabels(['data_1', 'data_2', 
                    'data_3', 'data_4'])

# Adding title 
plt.title("Customized box plot")

# Removing top axes and right axes
# ticks
ax.get_xaxis().tick_bottom()
ax.get_yaxis().tick_left()
    
# show plot
plt.show()

Вывод: 

 

Информация о материале

Категория: Data Sciense

Просмотров: 19

Гистограмма — это график, на котором категории данных представлены прямоугольными столбцами, длина и высота которых пропорциональны значениям, которые они представляют.Гистограммы могут быть построены по горизонтали или по вертикали.Гистограмма дает сравнение между муниципальными категориями.Одна из осей графика представляет собой конкретную категорию, которая сопоставляется, а другая ось представляет собой смысловые значения, соответствующие этим категориям.
 

Создание линейчатого графика

В matplotlib  Python API есть функция bar(), которую можно использовать в стиле MATLAB или как объектно-ориентированный API.Функция синтаксиса bar() для использования с осями выглядит следующим образом:

plt.bar(x, height, width, bottom, align)

Функция создаёт гистограмму, ограниченную контуром, в зависимости от заданных параметров.Ниже приведён простой пример гистограммы, которая показывает количество студентов, обучающихся на разных курсах в институте.

import numpy as np
import matplotlib.pyplot as plt 

 
# creating the dataset
data = {'C':20, 'C++':15, 'Java':30, 
        'Python':35}
courses = list(data.keys())
values = list(data.values())
 
fig = plt.figure(figsize = (10, 5))

# creating the bar plot
plt.bar(courses, values, color ='maroon', 
        width = 0.4)

plt.xlabel("Courses offered")
plt.ylabel("No. of students enrolled")
plt.title("Students enrolled in different courses")
plt.show()

Вывод:
 

Здесь plt.bar(курсы, значения, цвет = «бордовый») используется для указания того, что гистограмма должна быть построена с использованием столбцов «курсы» в качестве оси X и результатов в качестве оси Y.Атрибут цвета используется для установки цвета столбцов (в данном случае — бордового). plt.xlabel(«Предлагаемые курсы») и plt.ylabel(«Количество зачисленных студентов») используются для обозначения соответствующих осей. plt.title() используется для создания заголовка для графика. plt.show() используется для отображения графика в качестве вывода с помощью предыдущей команды.
 

Настройка линейчатого графики

import pandas as pd
from matplotlib import pyplot as plt

# Read CSV into pandas
data = pd.read_csv(r"cars.csv")
data.head()
df = pd.DataFrame(data)

name = df['car'].head(12)
price = df['price'].head(12)

# Figure Size
fig = plt.figure(figsize =(10, 7))

# Horizontal Bar Plot
plt.bar(name[0:10], price[0:10])

# Show Plot
plt.show()

Вывод:
 

На приведенной выше гистограмме видно, что деления на оси X перекрывают друг друга, поэтому их нельзя увидеть должным образом. Таким образом, повернув деления на оси X, их можно четко увидеть. Вот почему требуется настройка гистограмм.

import pandas as pd
from matplotlib import pyplot as plt

# Read CSV into pandas
data = pd.read_csv(r"cars.csv")
data.head()
df = pd.DataFrame(data)

name = df['car'].head(12)
price = df['price'].head(12)

# Figure Size
fig, ax = plt.subplots(figsize =(16, 9))

# Horizontal Bar Plot
ax.barh(name, price)

# Remove axes splines
for s in ['top', 'bottom', 'left', 'right']:
    ax.spines[s].set_visible(False)

# Remove x, y Ticks
ax.xaxis.set_ticks_position('none')
ax.yaxis.set_ticks_position('none')

# Add padding between axes and labels
ax.xaxis.set_tick_params(pad = 5)
ax.yaxis.set_tick_params(pad = 10)

# Add x, y gridlines
ax.grid(b = True, color ='grey',
        linestyle ='-.', linewidth = 0.5,
        alpha = 0.2)

# Show top values 
ax.invert_yaxis()

# Add annotation to bars
for i in ax.patches:
    plt.text(i.get_width()+0.2, i.get_y()+0.5, 
             str(round((i.get_width()), 2)),
             fontsize = 10, fontweight ='bold',
             color ='grey')

# Add Plot Title
ax.set_title('Sports car and their price in crore',
             loc ='left', )

# Add Text watermark
fig.text(0.9, 0.15, 'Jeeteshgavande30', fontsize = 12,
         color ='grey', ha ='right', va ='bottom',
         alpha = 0.7)

# Show Plot
plt.show()

Вывод:
 

Для линейчатых графиков доступно гораздо больше настроек.
 

Несколько столбчатых графиков

Несколько столбчатых диаграмм используются для сравнения наборов данных, когда одна из переменных меняется. Мы можем легко преобразовать её в диаграмму с накоплением, где каждая подгруппа отображается одна над другой. Её можно построить, изменяя толщину и положение столбцов. На следующей столбчатой диаграмме показано количество студентов, поступивших на инженерный факультет:

import numpy as np 
import matplotlib.pyplot as plt 

# set width of bar 
barWidth = 0.25
fig = plt.subplots(figsize =(12, 8)) 

# set height of bar 
IT = [12, 30, 1, 8, 22] 
ECE = [28, 6, 16, 5, 10] 
CSE = [29, 3, 24, 25, 17] 

# Set position of bar on X axis 
br1 = np.arange(len(IT)) 
br2 = [x + barWidth for x in br1] 
br3 = [x + barWidth for x in br2] 

# Make the plot
plt.bar(br1, IT, color ='r', width = barWidth, 
        edgecolor ='grey', label ='IT') 
plt.bar(br2, ECE, color ='g', width = barWidth, 
        edgecolor ='grey', label ='ECE') 
plt.bar(br3, CSE, color ='b', width = barWidth, 
        edgecolor ='grey', label ='CSE') 

# Adding Xticks 
plt.xlabel('Branch', fontweight ='bold', fontsize = 15) 
plt.ylabel('Students passed', fontweight ='bold', fontsize = 15) 
plt.xticks([r + barWidth for r in range(len(IT))], 
        ['2015', '2016', '2017', '2018', '2019'])

plt.legend()
plt.show() 

Вывод:
 

 

Сложенный столбчатый график

Сложенные столбчатые диаграммы отображают различные группы, расположенные друг над другом. Высота столбца зависит от итоговой высоты комбинации результатов групп. Она увеличивается от нижней части к значению, а не от нуля к значению. На следующем столбчатом графике представлен вклад мальчиков и девочек в команду.

import numpy as np
import matplotlib.pyplot as plt

N = 5

boys = (20, 35, 30, 35, 27)
girls = (25, 32, 34, 20, 25)
boyStd = (2, 3, 4, 1, 2)
girlStd = (3, 5, 2, 3, 3)
ind = np.arange(N)   
width = 0.35  

fig = plt.subplots(figsize =(10, 7))
p1 = plt.bar(ind, boys, width, yerr = boyStd)
p2 = plt.bar(ind, girls, width,
             bottom = boys, yerr = girlStd)

plt.ylabel('Contribution')
plt.title('Contribution by the teams')
plt.xticks(ind, ('T1', 'T2', 'T3', 'T4', 'T5'))
plt.yticks(np.arange(0, 81, 10))
plt.legend((p1[0], p2[0]), ('boys', 'girls'))

plt.show()

Вывод:
 

 

Информация о материале

Категория: Data Sciense

Просмотров: 11

Matplotlib— это библиотека визуализации данных на Python

Подбиблиотека Matplotlib представляет собой набор функций, которые позволяют создавать различные диаграммы.Линейные диаграммы используется для представления взаимосвязей между двумя наборами данных X и Y на разных осях.В этой статье мы узнаем о линейных диаграммах и простых линейных графиках Matplotlib.

Линейный график Python в Matplotlib

Здесь мы рассмотрим несколько примеров построения линейной диаграммы на Python с помощью Matplotlib:

Простой линейный график в Matplotlib

В этом примере с помощью NumPy для определения полученных данных создается простая линейчатая диаграмма. Значения x представляют собой распределение точек, а значения y рассчитываются как удвоенные соответствующие значения x.

# importing the required libraries
import matplotlib.pyplot as plt
import numpy as np

# define data values
x = np.array([1, 2, 3, 4])  # X-axis points
y = x*2  # Y-axis points

plt.plot(x, y)  # Plot the chart
plt.show()  # display

Вывод:

На изображении выше мы видим, что на осях X и Y нет меток.Метки необходимы для понимания размеров диаграмм.В следующем сообщении мы увидим, как добавить метки к диаграммам.

import matplotlib.pyplot as plt
import numpy as np


# Define X and Y variable data
x = np.array([1, 2, 3, 4])
y = x*2

plt.plot(x, y)
plt.xlabel("X-axis")  # add X-axis label
plt.ylabel("Y-axis")  # add Y-axis label
plt.title("Any suitable title")  # add title
plt.show()

Вывод:     

Линейный график с примечаниями

В этом примере линейчатая диаграмма создана с использованием выборочных точек данных. К каждой точке данных на линейчатой диаграмме добавлены аннотации с координатами x и y для большей наглядности.

import matplotlib.pyplot as plt

# Sample data
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# Create a line chart
plt.figure(figsize=(8, 6))
plt.plot(x, y, marker='o', linestyle='-')

# Add annotations
for i, (xi, yi) in enumerate(zip(x, y)):
    plt.annotate(f'({xi}, {yi})', (xi, yi), textcoords="offset points", xytext=(0, 10), ha='center')

# Add title and labels
plt.title('Line Chart with Annotations')
plt.xlabel('X-axis Label')
plt.ylabel('Y-axis Label')

# Display grid
plt.grid(True)

# Show the plot
plt.show()

Вывод:

Несколько линейных графиков с использованием Matplotlib

Мы можем отобразить несколько диаграмм в одном контейнере с помощью функции pyplot.figure(). Это поможет нам сравнивать различные диаграммы, а также управлять их внешним видом.

import matplotlib.pyplot as plt
import numpy as np


x = np.array([1, 2, 3, 4])
y = x*2

plt.plot(x, y)
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.title("Any suitable title")
plt.show()  # show first chart

# The figure() function helps in creating a
# new figure that can hold a new chart in it.
plt.figure()
x1 = [2, 4, 6, 8]
y1 = [3, 5, 7, 9]
plt.plot(x1, y1, '-.')

# Show another chart with '-' dotted line
plt.show()

Вывод:

Несколько графиков на одной оси

Здесь мы рассмотрим, как добавить два графика на одну ось.

import matplotlib.pyplot as plt
import numpy as np

x = np.array([1, 2, 3, 4])
y = x*2

# first plot with X and Y data
plt.plot(x, y)

x1 = [2, 4, 6, 8]
y1 = [3, 5, 7, 9]

# second plot with x1 and y1 data
plt.plot(x1, y1, '-.')

plt.xlabel("X-axis data")
plt.ylabel("Y-axis data")
plt.title('multiple plots')
plt.show()

Вывод:

Заполните область между двумя линиями

С помощью функции pyplot.fill_between() мы можем заполнить область между двумя линейными графиками на одном и том же графике. Это поможет нам понять разницу между двумя линейными графиками на основе определённых условий.

import matplotlib.pyplot as plt
import numpy as np

x = np.array([1, 2, 3, 4])
y = x*2

plt.plot(x, y)

x1 = [2, 4, 6, 8]
y1 = [3, 5, 7, 9]

plt.plot(x, y1, '-.')
plt.xlabel("X-axis data")
plt.ylabel("Y-axis data")
plt.title('multiple plots')

plt.fill_between(x, y, y1, color='green', alpha=0.5)
plt.show()

Вывод:

Информация о материале

Категория: Data Sciense

Просмотров: 10

Matplotlib — это самый популярный пакет или библиотека в Python, которая используется для визуализации данных. С помощью этой библиотеки мы можем создавать графики и рисунки, а также легко создавать растровые и векторные файлы без использования каких-либо других графических интерфейсов. С помощью matplotlib мы можем стилизовать графики так же, как веб-страницы HTML стилизуются с помощью CSS. Нам просто нужно импортировать пакет стилей библиотеки matplotlib.

В пакете стилей есть различные встроенные стили, и мы также можем создавать собственные файлы стилей, а затем использовать эти стили, импортируя их и применяя к графикам и диаграммам. Таким образом, нам не нужно снова и снова писать различные строки кода для каждого графика по отдельности, то есть код можно использовать повторно при необходимости.

Сначала мы импортируем модуль:

from matplotlib import style

Чтобы перечислить все доступные стили:

from matplotlib import style 
print(plt.style.available)

Вывод:

[‘Solarize_Light2’, ‘_classic_test_patch’, ‘bmh’, ‘classic’, ‘dark_background’, ‘fast’, ‘fivethirtyeight’, ‘ggplot’,’grayscale’,’seaborn’,’seaborn-bright’,’seaborn-colorblind’, ‘seaborn-dark’, ‘seaborn-dark-palette’, ‘seaborn-darkgrid’, ‘seaborn-deep’, ‘seaborn-muted’, ‘seaborn-notebook’, ‘seaborn-paper’, ‘seaborn-pastel’, ‘seaborn-poster’,’seaborn-talk’,’seaborn-ticks’,’seaborn-white’,’seaborn-whitegrid’,’tableau-colorblind10′]

Выше приведен список стилей, доступных в пакете.

Синтаксис: plt.style.use(‘style_name”)

Где style_name — это название стиля, который мы хотим использовать.

Подход:

• Модуль импорта.
• Создавайте данные для графика.
• Используйте стиль, который хотите добавить в график.
• Создайте график.
• Покажите график.

Пример 1:

# importing all the necessary packages 
import numpy as np 
import matplotlib.pyplot as plt 

# importing the style package 
from matplotlib import style 

# creating an array of data for plot 
data = np.random.randn(50) 

# using the style for the plot 
plt.style.use('Solarize_Light2') 

# creating a plot 
plt.plot(data) 

# show plot 
plt.show() 

Вывод:

Пример 2:

# importing all the necessary packages 
import numpy as np 
import matplotlib.pyplot as plt 

# importing the style package 
from matplotlib import style 

# creating an array of data for plot 
data = np.random.randn(50) 

# using the style for the plot 
plt.style.use('dark_background') 

# creating a plot 
plt.plot(data) 

# show plot 
plt.show() 

Вывод:

Пример 3:

# importing all the necessary packages 
import numpy as np 
import matplotlib.pyplot as plt 

# importing the style package 
from matplotlib import style 

# creating an array of data for plot 
data = np.random.randn(50) 

# using the style for the plot 
plt.style.use('ggplot') 

# creating plot 
plt.plot(data, linestyle=":", linewidth=2) 

# show plot 
plt.show() 

Вывод:

Примечание: если вы хотите использовать стиль только для определенного графика, но не хотите менять глобальный стиль для всех графиков, пакет стилей предоставляет контекстный менеджер для ограничения области применения стиля для определенного графика. Чтобы изменить стиль для графика, мы можем написать что-то вроде этого.

Пример 4:

# importing all the necessary packages 
import numpy as np 
import matplotlib.pyplot as plt 

# importing the style package 
from matplotlib import style 

with plt.style.context('dark_background'): 
	plt.plot(np.sin(np.linspace(0, 2 * np.pi)), 'r-o') 

plt.show() 

Вывод:

Хотите погрузиться в мир программирования или отточить свои навыки Python? Наш курс «Master Python: от новичка до продвинутого уровня» — это полное руководство по освоению Python. В этом курсе вы найдёте всё, что нужно для создания прочной основы: от фундаментальных концепций программирования до продвинутых методов. Благодаря практическим проектам, реальным примерам и советам экспертов вы обретёте уверенность в себе и сможете решать сложные задачи по программированию. Независимо от того, начинаете ли вы с нуля или хотите улучшить свои навыки, этот курс идеально вам подойдёт. Регистрируйтесь сейчас и осваивайте Python, язык будущего!

Информация о материале

Категория: Data Sciense

Просмотров: 10