Что можно нарисовать в тетрадке в клеточку: Рисунок по клеточкам в тетради для начинающих — 100 легких и маленьких рисунков

Люди — очень визуальные существа: мы понимаем вещи лучше, когда видим вещи визуализированными. Тем не менее, шаг к представлению анализа, результатов или идей может быть узким местом: вы можете даже не знать, с чего начать, или у вас уже может быть правильный формат, но тогда возникают вопросы типа «Является ли это правильным способом визуализации идей, которые Я хочу донести до своей аудитории? » обязательно придет в голову.

Когда вы работаете с библиотекой графиков Python Matplotlib, первым шагом к ответу на поставленные выше вопросы является накопление знаний по таким темам, как:

• Анатомия сюжета Matplotlib: что такое подзаговор? Какие топоры? Что именно представляет собой фигура?
• Создание графиков, которое может вызвать вопросы о том, какой модуль вам в точности нужно импортировать (pylab или pyplot?), Как вам точно следует выполнить инициализацию фигуры и осей графика, как использовать matplotlib в блокнотах Jupyter и т. Д.
• Процедуры построения графиков, от простых способов построения ваших данных до более совершенных способов визуализации ваших данных.
• Основные настройки сюжета с акцентом на легендах и тексте сюжета, заголовках, метках осей и макете сюжета.
• Сохранение, отображение, очистка … ваших графиков: показать график, сохранить одну или несколько фигур, например, в файлах PDF, очистить оси, очистить чертеж или закрыть график и т. Д.
• Наконец, вы кратко опишете два способа настройки Matplotlib: с таблицами стилей и настройками rc.

(Чтобы практиковать matplotlib в интерактивном режиме, попробуйте бесплатную главу Matplotlib в начале этого курса Intermediate Python или посмотрите учебник DataCamp «Просмотр трехмерных объемных данных с Matplotlib», чтобы узнать, как работать с API обработчика событий matplotlib.)

Как выглядит участок Python Matplotlib?

На первый взгляд может показаться, что есть несколько компонентов, которые следует учитывать, когда вы начинаете строить графики с помощью этой библиотеки визуализации данных Python. Вы, вероятно, согласитесь со мной, что это сбивает с толку, а иногда даже отговаривает увидеть объем кода, необходимый для некоторых сюжетов, не зная, с чего начать и какие компоненты следует использовать.

К счастью, эта библиотека очень гибкая и имеет множество удобных встроенных настроек по умолчанию, которые вам очень помогут. Таким образом, вам не нужно много, чтобы начать: вам нужно сделать необходимый импорт, подготовить некоторые данные, и вы можете начать строить с помощью функции plot () ! Когда вы будете готовы, не забудьте показать свой график, используя функцию show () .

Посмотрите на этот пример, чтобы увидеть, насколько это просто на самом деле:

eyJsYW5ndWFnZSI6InB5dGhvbiIsInNhbXBsZSI6IiMgSW1wb3J0IHRoZSBuZWNlc3NhcnkgcGFja2FnZXMgYW5kIG1vZHVsZXNcbmltcG9ydCBtYXRwbG90bGliLnB5cGxvdCBhcyBwbHRcbmltcG9ydCBudW1weSBhcyBucFxuXG4jIFByZXBhcmUgdGhlIGRhdGFcbnggPSBucC5saW5zcGFjZSgwLCAxMCwgMTAwKVxuXG4jIFBsb3QgdGhlIGRhdGFcbnBsdC5wbG90KHgsIHgsIGxhYmVsPSdsaW5lYXInKVxuXG4jIEFkZCBhIGxlZ2VuZFxucGx0LmxlZ2VuZCgpXG5cbiMgU2hvdyB0aGUgcGxvdFxucGx0LnNob3coKSJ9

Обратите внимание на , что вы импортируете модуль pyplot из библиотеки matplotlib под псевдонимом plt .

Поздравляем, вы успешно создали свой первый сюжет! Теперь давайте взглянем на получившийся сюжет чуть подробнее:

Отлично, не правда ли?

То, что вы не видите на поверхности, — это то, что вы можете — неосознанно — использовать встроенные настройки по умолчанию, которые заботятся о создании базовых компонентов, таких как Рисунок и Оси. Подробнее об этих значениях по умолчанию вы узнаете в разделе, посвященном различиям между pylab и pyplot.

На данный момент вы поймете, что работа с matplotlib станет намного проще, когда вы поймете, как создаются базовые компоненты. Или, другими словами, как выглядит анатомия сюжета matplotlib:

В сущности, есть два больших компонента, которые необходимо учитывать:

• Рисунок — это общее окно или страница, на которых все нарисовано. Это компонент верхнего уровня из всех, которые вы рассмотрите в следующих пунктах.Вы можете создать несколько независимых фигур. Фигура может содержать несколько других вещей, например, субтитр, который является центрированным заголовком фигуры. Вы также обнаружите, что можете добавить легенду и цветную полосу, например, на свой рисунок.
• К фигуре добавьте Оси . Оси — это область, на которой данные отображаются с помощью таких функций, как plot () и scatter () , и с которыми могут быть связаны метки, метки и т. Д. Это объясняет, почему фигуры могут содержать несколько осей.

Совет : когда вы видите, например, plt.xlim , вы вызываете ax.set_xlim () за обложками. Все методы объекта Axes существуют как функция в модуле pyplot и наоборот. Обратите внимание, что в основном вы будете использовать функции модуля pyplot , потому что они намного чище, по крайней мере, для простых графиков!

Вы увидите, что означает «чистый», когда посмотрите на следующие фрагменты кода. Сравните, например, этот кусок кода:

eyJsYW5ndWFnZSI6InB5dGhvbiIsInNhbXBsZSI6ImltcG9ydCBtYXRwbG90bGliLnB5cGxvdCBhcyBwbHRcbmZpZyA9IHBsdC5maWd1cmUoKVxuYXggPSBmaWcuYWRkX3N1YnBsb3QoMTExKVxuYXgucGxvdChbMSwgMiwgMywgNF0sIFsxMCwgMjAsIDI1LCAzMF0sIGNvbG9yPSdsaWdodGJsdWUnLCBsaW5ld2lkdGg9MylcbmF4LnNjYXR0ZXIoWzAuMywgMy44LCAxLjIsIDIuNV0sIFsxMSwgMjUsIDksIDI2XSwgY29sb3I9J2RhcmtncmVlbicsIG1hcmtlcj0nXicpXG5heC5zZXRfeGxpbSgwLjUsIDQuNSlcbnBsdC5zaG93KCkifQ ==

С кодом ниже:

eyJsYW5ndWFnZSI6InB5dGhvbiIsInNhbXBsZSI6ImltcG9ydCBtYXRwbG90bGliLnB5cGxvdCBhcyBwbHRcbnBsdC5wbG90KFsxLCAyLCAzLCA0XSwgWzEwLCAyMCwgMjUsIDMwXSwgY29sb3I9J2xpZ2h0Ymx1ZScsIGxpbmV3aWR0aD0zKVxucGx0LnNjYXR0ZXIoWzAuMywgMy44LCAxLjIsIDIuNV0sIFsxMSwgMjUsIDksIDI2XSwgY29sb3I9J2RhcmtncmVlbicsIG1hcmtlcj0nXicpXG5wbHQueGxpbSgwLjUsIDQuNSlcbnBsdC5zaG93KCkifQ ==

Второй кусок кода определенно чище, не так ли?

Обратите внимание на , что приведенные выше примеры кода взяты из учебника по анатомии Matplotlib Бенджамина Рута.

Тем не менее, если у вас несколько осей, все же лучше использовать первый фрагмент кода, потому что всегда лучше предпочесть явный выше неявный код! В таких случаях вы хотите использовать объект Axes ax .

Рядом с этими двумя компонентами можно помнить еще пару:

• Каждая ось имеет ось x и ось y , которые содержат тики, которые имеют большие и второстепенные линии и метки.Есть также метки осей, заголовок и легенда, которые необходимо учитывать при настройке осей, но также с учетом масштабов осей и линий сетки.
• Позвоночники — это линии, которые соединяют метки оси и обозначают границы области данных. Другими словами, они являются простым черным квадратом, который вы видите, когда вообще не наносите данные, но когда инициализируете оси, как показано на рисунке ниже:

• Вы видите, что правый и верхний отделы позвоночника установлены как невидимые.

Обратите внимание на , что вы также иногда читаете об объектах Artist, которые являются практически всеми объектами, которые пакет предлагает пользователям, таким как вы. Все, что нарисовано с помощью Matplotlib, является частью модуля Artist. Контейнеры, которые вы будете использовать для построения данных, такие как оси, оси и фигуры, а также другие графические объекты, такие как текст, патчи и т. Д., Являются типами исполнителей.

Для тех, кто уже имеет некоторый опыт написания кода, было бы неплохо проверить и изучить примеры кода, которые вы найдете в галерее Matplotlib.

Matplotlib, pyplot и pylab: как они связаны?

Прежде всего, вы уже знаете Matplotlib. Когда вы говорите о «Matplotlib», вы говорите о всем пакете визуализации данных Python. Это не должно вас удивлять 🙂

Во-вторых, pyplot — это модуль из пакета matplotlib . Вот почему вы часто видите в коде matplotlib.pyplot . Модуль предоставляет интерфейс, который позволяет неявно и автоматически создавать фигуры и оси для достижения желаемого графика.

Это особенно удобно, когда вы хотите быстро построить что-либо без создания каких-либо фигур или осей, как вы видели в примере в первом разделе этого урока. Видите ли, вы не указали явно эти компоненты, но вам удалось вывести график, который вы даже настроили! Значения по умолчанию инициализируются, и любые настройки, которые вы делаете, будут выполнены с учетом текущего рисунка и осей.

Наконец, pylab — это еще один модуль, но он устанавливается вместе с пакетом matplotlib .Он массово импортирует pyplot и библиотеку numpy и обычно рекомендовался, когда вы работали с массивами, интерактивно занимались математикой и хотели получить доступ к функциям построения графиков.

Вы все еще можете увидеть это в старых руководствах и примерах matplotlib , но его использование больше не рекомендуется, особенно если вы используете ядро ​​IPython в своем ноутбуке Jupyter. Вы можете прочитать больше об этом здесь.

В качестве решения лучше всего использовать магию matplotlib на % в сочетании с правым бэкэндом, таким как inline , qt и т. Д.В большинстве случаев вы захотите использовать inline , так как это гарантирует, что графики встроены в ноутбук. Подробнее об этом читайте в Руководстве DataCamp для Jupyter Notebook.

Обратите внимание на , что также, когда вы не работаете с ноутбуком Jupyter, вам все равно придется выбирать другой бэкэнд, в зависимости от вашего варианта использования. Другими словами, если вы не хотите встраивать графики в блокнот, а предпочитаете встраивать их в графический пользовательский интерфейс, в пакетные сценарии или серверы веб-приложений и т. Д., вам нужно будет указать бэкэнд, который вы хотите использовать. Тем не менее, эта тема выходит за рамки данного руководства; Вместо этого в руководстве предполагается, что вы будете использовать Matplotlib для сохранения ваших изображений в локальной файловой системе.

данных для графиков Matplotlib

Как вы читали в одном из предыдущих разделов, Matplotlib часто используется для визуализации анализа или расчетов. Вот почему первый шаг, который вы должны предпринять, чтобы начать строить в Python самостоятельно, - это рассмотреть вопрос о пересмотре NumPy, библиотеки Python для научных вычислений.

Научные вычисления могут на самом деле не представлять большого интереса, но когда вы занимаетесь наукой о данных, вы обнаружите, что много работаете с данными, хранящимися в массивах. Вам нужно будет выполнять над ними операции, проверять массивы и манипулировать ими, чтобы вы работали с (подмножеством) данных, которые интересны для вашего анализа, в правильном формате и т. Д.

Короче говоря, вы найдете NumPy чрезвычайно удобным, когда будете работать с этой библиотекой визуализации данных.Если вы заинтересованы в том, чтобы начать учебник по NumPy, чтобы начать хорошо подготовленный, перейдите к учебнику по DataCamp и убедитесь, что у вас есть копия нашего шпаргалки NumPy!

Конечно, массивы - не единственное, что вы передаете своим функциям построения графиков; Также есть возможность, например, передавать списки Python. Если вы хотите узнать больше о списках Python, рассмотрите наш учебник по спискам Python или бесплатное введение в Python для Data Sciencecourse.

Создай свой участок

Хорошо, вы сами создаете свой первый сюжет с помощью Python! Как вы прочли в одном из предыдущих разделов, рисунок - это первый шаг и ключ к раскрытию возможностей этого пакета.Далее вы видите, что инициализируете оси рисунка в фрагменте кода выше с помощью fig.add_axes () :

eyJsYW5ndWFnZSI6InB5dGhvbiIsInNhbXBsZSI6IiMgSW1wb3J0IGBweXBsb3RgXG5pbXBvcnQgbWF0cGxvdGxpYi5weXBsb3QgYXMgcGx0XG5cbiMgSW5pdGlhbGl6ZSBhIEZpZ3VyZSBcbmZpZyA9IHBsdC5maWd1cmUoKVxuXG4jIEFkZCBBeGVzIHRvIHRoZSBGaWd1cmVcbmZpZy5hZGRfYXhlcyhbMCwwLDEsMV0pIn0 =

Легко, не правда ли?

Что такое подзаговор?

Вы видели все компоненты графика и инициализировали свою первую фигуру и Оси, но чтобы усложнить ситуацию, иногда вы увидите всплывающие сюжеты в коде.

Так вот, пока не падайте духом!

Вы используете подсюжеты для настройки и размещения ваших осей на регулярной сетке. Таким образом, это означает, что в большинстве случаев оси и подзаговоры являются синонимами, они обозначают одно и то же. Когда вы вызываете subplot, чтобы добавить оси к вашей фигуре, сделайте это с помощью функции add_subplots () . Однако есть разница между функциями add_axes () и add_subplots () , но об этом вы узнаете позже в этом руководстве.

Рассмотрим следующий пример:

eyJsYW5ndWFnZSI6InB5dGhvbiIsInNhbXBsZSI6IiMgSW1wb3J0IHRoZSBuZWNlc3NhcnkgcGFja2FnZXMgYW5kIG1vZHVsZXNcbmltcG9ydCBtYXRwbG90bGliLnB5cGxvdCBhcyBwbHRcbmltcG9ydCBudW1weSBhcyBucFxuXG4jIENyZWF0ZSBhIEZpZ3VyZVxuZmlnID0gcGx0LmZpZ3VyZSgpXG5cbiMgU2V0IHVwIEF4ZXNcbmF4ID0gZmlnLmFkZF9zdWJwbG90KDExMSlcblxuIyBTY2F0dGVyIHRoZSBkYXRhXG5heC5zY2F0dGVyKG5wLmxpbnNwYWNlKDAsIDEsIDUpLCBucC5saW5zcGFjZSgwLCA1LCA1KSlcblxuIyBTaG93IHRoZSBwbG90XG5wbHQuc2hvdygpIn0 =

Вы видите, что функция add_subplot () в itsef также ставит вас перед проблемой, потому что вы видите add_subplots (111) в приведенном выше фрагменте кода.

Что означает 111 ?

Ну, 111 равно 1,1,1 , что означает, что вы фактически даете три аргумента add_subplot () . Три аргумента обозначают количество строк (1), количество столбцов (1) и номер графика (1). Таким образом, вы на самом деле делаете один сюжет.

Обратите внимание, , что вы действительно можете использовать бананы с этой функцией, когда вы используете эту функцию, особенно когда вы только начинаете работать с этой библиотекой и продолжаете забывать, что означают три числа.

Рассмотрите следующие команды и постарайтесь представить, как будет выглядеть график и сколько осей будет иметь ваша фигура: ax = fig.add_subplot (2,2,1) .

Понял?

Это верно, ваша фигура будет иметь в общей сложности четыре оси, расположенные в структуре, состоящей из двух строк и двух столбцов. С учетом строки кода, которую вы рассмотрели, вы говорите, что переменная ax является первой из четырех осей, на которые вы хотите начать черчение. «Первый» в этом случае означает, что это будут первые оси слева от структуры 2x2, которую вы инициализировали.

В чем разница между add_axes () и add_subplot () ?

Разница между fig.add_axes () и fig.add_subplot () не заключается в результате: они оба возвращают объект Axes. Однако они отличаются по механизму, который используется для добавления осей: вы передаете список в add_axes () , который является нижней левой точкой, шириной и высотой. Это означает, что объект оси расположен в абсолютных координатах.

В отличие от этого, функция add_subplot () не дает возможности разместить оси в определенном положении: она, однако, позволяет расположить оси в соответствии с сеткой подпунктов, как вы видели в разделе выше.

В большинстве случаев вы будете использовать add_subplot () для создания осей; Только в тех случаях, когда позиционирование имеет значение, вы прибегаете к add_axes () . Кроме того, вы также можете использовать subplots () , если вы хотите получить один или несколько subplots одновременно.Вы увидите пример того, как это работает, в следующем разделе.

Как изменить размер рисунка

Теперь, когда вы увидели, как инициализировать рисунок и оси с нуля, вы также захотите узнать, как можно изменить некоторые мелкие детали, которые настраивает пакет, например размер рисунка.

Допустим, у вас нет роскоши следовать по умолчанию, и вы хотите изменить это. Как вы устанавливаете размер ваших фигур вручную?

Как и все в этом пакете, это довольно просто, но сначала нужно знать, что изменить.

Добавьте аргумент figsize к вашей функции plt.figure () модуля pyplot ; Вам просто нужно указать кортеж с шириной и высотой фигуры в дюймах, точно так же, как этот plt.figure (figsize = (3,4)) , чтобы он работал.

Обратите внимание, , что вы также можете передать figsize в функцию plt.subplots () того же модуля; Внутренняя работа аналогична функции figure () , которую вы только что видели.

Смотрите пример того, как это будет работать здесь:

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 =

Работа с Pyplot: рутина черчения

Теперь, когда все готово для того, чтобы вы начали печатать свои данные, пришло время более внимательно взглянуть на некоторые процедуры построения графиков.Вы часто сталкиваетесь с такими функциями, как plot () и scatter () , которые либо рисуют точки с помощью линий или маркеров, соединяющих их, либо рисуют не связанные точки, которые масштабируются или окрашиваются.

Но, как вы уже видели в примере первого раздела, вы не должны забывать передавать данные, которые вы хотите использовать этими функциями!

Эти функции являются только базовыми. Вам понадобятся некоторые другие функции, чтобы ваши графики выглядели потрясающе:

Если вам интересно, как вы можете использовать эти функции для отображения ваших данных, рассмотрите следующий пример. Обратите внимание на , что переменные x и y уже загружены для вас:

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

Большинство функций говорят сами за себя, потому что названия вполне понятны.Но это не означает, что вам нужно ограничивать себя: например, функция fill_between () идеально подходит для тех, кто хочет создавать графики площади, но их также можно использовать для создания линейчатого графа с накоплением; Просто используйте функцию построения графиков пару раз, чтобы убедиться, что области перекрываются и создают иллюзию наложения.

Обратите внимание, что, конечно, простой передачи данных недостаточно для создания великолепных графиков. Обязательно управляйте своими данными таким образом, чтобы визуализация имела смысл: не бойтесь изменять форму массива, объединять массивы и т. Д.

Когда вы продолжите работу и начнете работать с векторными полями или распределениями данных, вы можете проверить следующие функции:

Обратите внимание, что вы, вероятно, не будете использовать все функции, перечисленные в этих таблицах; Это действительно зависит от ваших данных и вашего варианта использования. Если вы абсолютно новичок в науке о данных, вы можете сначала проверить статистические процедуры построения графиков!

С другой стороны, когда вы работаете с 2-мерными или n-D-данными, вам также могут понадобиться некоторые более сложные подпрограммы построения графиков, такие как эти:

Обратите внимание на , что контурные графики используются для изучения потенциальной взаимосвязи между тремя переменными.Так же, как контурные графики, для этой цели могут использоваться псевдоцветные графики, поскольку они представляют собой поверхностные графики, видимые сверху. Конечно, это далеко не все функции, которые вы можете использовать для отображения ваших данных.

Если вы работаете, например, с изображениями или 2D-данными, вам также может понадобиться проверить imshow () , чтобы показать изображения на ваших вспомогательных участках. Практический пример использования функции imshow () см. В учебнике DataCamp scikit-learn.

Примеры из этого учебного пособия также ясно показывают, что эта библиотека визуализации данных действительно является идеальной чертой в рабочем процессе науки о данных: вы должны быть достаточно хорошо знакомы с общими понятиями Python, такими как списки и поток управления, которые могут прийти особенно удобно, если вы хотите автоматизировать построение большого количества вспомогательных участков.Если вы хотите пересмотреть эти концепции, рассмотрите возможность бесплатного ознакомления с Python для курса по науке о данных.

Настройка вашего PyPlot

Много вопросов об этом пакете связано с тем, что есть много вещей, которые вы можете сделать, чтобы персонализировать свои графики и убедиться, что они уникальны: помимо регулировки цветов, у вас также есть возможность изменить маркеры, стили линий и ширину линий, добавьте текст, условные обозначения и аннотации, а также измените пределы и макет ваших графиков.

Именно тот факт, что когда дело доходит до этих графиков, дает бесконечный диапазон возможностей, что затрудняет определение некоторых вещей, которые вам необходимо знать, когда вы начинаете работать над этой темой.

Великолепные советы, которые вы должны держать в уме, - это не только галерея, которая содержит много реальных примеров, которые уже написаны для вас и которые вы можете использовать, но также и документация, которая может рассказать вам больше о аргументы, которые вы можете передать определенным функциям для настройки визуальных функций.

Также имейте в виду, что есть несколько решений для одной проблемы, и вы узнаете большую часть этого материала, когда пачкаете руки самим пакетом и сталкиваетесь с неприятностями. В этом разделе вы увидите некоторые из наиболее распространенных вопросов и решений.

Удаление Оси

Если вы когда-нибудь захотите удалить оси из своего графика, вы можете использовать delaxes () , чтобы удалить и обновить текущие оси:

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 =

Обратите внимание на , что вы можете восстановить удаленные оси, добавив рис.add_axes (axe) сразу после fig.delaxes (ax3) .

Как убрать легенду из сюжета

Существует несколько способов решения этого вопроса, но в основном все возвращаются к аргументам, которые вы можете предоставить legend () :

• Вы можете указать аргумент loc или location для чего-то вроде центра слева или справа вверху, что гарантирует, что ваша легенда не попадет в Оси или область подзаговора.
• В качестве альтернативы, вы также можете добавить аргумент bbox_to_anchor в вашу функцию и передать кортеж с координатами, в которые вы хотите поместить легенду.В этом случае поле помещается в верхний правый угол области построения: ax.legend (bbox_to_anchor = (1.1, 1.05)) .

Как установить метки заголовков и осей

Чтобы изменить заголовок графика и метки осей, вы можете использовать один из следующих подходов, в зависимости от того, какой контейнер вы хотите использовать:

• Самый простой способ исправить все это - использовать ax.set (title = "a title", xlabel = "x", ylabel = "y") или ax.set_xlim () , ax.set_ylim () или ax.set_title () .
• Если вы хотите работать с рисунком, вы также можете прибегнуть к fig.suptitle () , чтобы добавить заголовок к вашему графику.
• Если вы используете настройки по умолчанию, которые предлагает пакет, вы можете использовать plt.title () , plt.xlabel () , plt.ylabel () .
• Определите свою собственную таблицу стилей или измените настройки по умолчанию matplotlibrc .Подробнее об этом читайте здесь.

Как исправить макет участка

При создании подзаговоров для построения своего графика следует учитывать одну из двух функций: функция tail_layout, которая поможет вам убедиться, что графики хорошо вписываются в вашу фигуру. Вы в идеале называете это после того, как подготовили свои данные и настроили свой график; Так что это прямо перед вызовом plt.show () , что вы должны использовать plt.tight_layout () .

Кроме того, вас также может заинтересовать использование subplots_adjust () , которое позволяет вручную задавать ширину и высоту, зарезервированные для пустого пространства между вспомогательными участками, а также фиксировать левую и правую стороны, а также верхнюю и нижнюю части вспомогательных участков. ,

Отображение, сохранение и закрытие вашего участка

После того, как вы выполнили все необходимые настройки, вы захотите показать свой график, потому что, как вы заметили, работая в терминале, вы просто увидите, что объект сделан, но вы никогда не увидите хороший график каждый раз Вы вносите коррективы.

В первом примере этого урока это было сделано неявно;

Ты помнишь? Вот этот кусок кода:

eyJsYW5ndWFnZSI6InB5dGhvbiIsInNhbXBsZSI6IiMgSW1wb3J0IHRoZSBuZWNlc3NhcnkgcGFja2FnZXMgYW5kIG1vZHVsZXNcbmltcG9ydCBtYXRwbG90bGliLnB5cGxvdCBhcyBwbHRcbmltcG9ydCBudW1weSBhcyBucFxuXG4jIFByZXBhcmUgdGhlIGRhdGFcbnggPSBucC5saW5zcGFjZSgwLCAxMCwgMTAwKVxuXG4jIFBsb3QgdGhlIGRhdGFcbnBsdC5wbG90KHgsIHgsIGxhYmVsPSdsaW5lYXInKVxuXG4jIEFkZCBhIGxlZ2VuZFxucGx0LmxlZ2VuZCgpXG5cbiMgU2hvdyB0aGUgcGxvdFxucGx0LnNob3coKSJ9

Линия пл.show () действительно говорит, что вы хотите увидеть сюжет. Если вы выполните эту строку, вы увидите всплывающее окно. И вы увидите, похоже ли это на то, что у вас на уме!

Но вот тут начинаются ваши вопросы. Как я могу сохранить это изображение, и если оно вам не нравится, можете ли вы очистить изображение, чтобы начать заново? Следующие короткие разделы будут охватывать эти вопросы.

Как сохранить участок в файл изображения

Вы можете легко сохранить фигуру, например, в файл png, используя plt.savefig () . Единственный аргумент, который нужно передать этой функции - это имя файла, как в этом примере:

  # Сохранить рисунок
plt.savefig ( "foo.png")

# Сохранить прозрачную фигуру
plt.savefig ("foo.png", прозрачный = True)  

Просто выполнив эту строку кода, вы сохраните созданный вами график в файл изображения вместо его отображения.

Как сохранить график в файл PDF

Если вы хотите сохранить несколько графиков в PDF-файл, вы хотите использовать PDF-бэкэнд, который вы можете легко импортировать:

  # Импорт PdfPages
из матплотлиб.backends.backend_pdf import PdfPages

# Инициализировать файл PDF
pp = PdfPages ('multipage.pdf')

# Сохранить рисунок в файл
pp.savefig ()

# Закройте файл
pp.close ()  

Когда использовать cla () , clf () или close () ?

Когда вы, наконец, готовы к осмотру своего участка, самое время перейти к другому вопросу (возможно, к другому участку!). Когда вы работаете с этой библиотекой визуализации данных в первый раз, это может быть странно при запуске, потому что вы, конечно, можете закрыть окно GUI, которое появляется, но обычно это не тот способ, которым вы хотите управлять, потому что он не всегда хорошо работает, когда вы работаете над несколькими вещами одновременно.

Вы должны явно сказать Matplotlib закрыть график, над которым вы работали, чтобы вы могли двигаться дальше. Есть три функции, которые пригодятся вам, когда вы окажетесь на этом этапе:

• Используйте plt.cla () , чтобы очистить ось,
• plt.clf () , чтобы очистить всю фигуру, и
• plt.close () , чтобы закрыть всплывающее окно, чтобы показать вам ваш график.

Настройка Matplotlib

К настоящему времени вы уже знакомы с некоторыми основными опциями для настройки своих графиков.Но что, если настройки, которые вы хотите сделать, располагаются больше на уровне библиотеки, а не на уровне графика? В таких случаях вам также не нужно паниковать: Matplotlib предлагает вам несколько вариантов настройки некоторых внутренних операций. В этом разделе будут рассмотрены только две опции: таблицы стилей и настройки rc.

Если вы хотите узнать больше, обязательно посетите эту страницу.

Как использовать стиль ggplot2

Для энтузиастов R среди вас Matplotlib также предлагает вам возможность установить стиль графиков на ggplot .Вы можете легко сделать это, запустив следующий фрагмент кода:

  # Импорт `Пиплот`
импортировать matplotlib.pyplot как plt

# Установите стиль в `ggplot`
plt.style.use ("ggplot")  

RC Настройки

«rc» является общим для файлов конфигурации: они обычно заканчиваются на rc . Это происходит из практики использования конфигов в качестве исполняемых файлов: они, например, автоматически устанавливают r, un и c . Вы можете прочитать больше об этом здесь.Matplotlib имеет такой rc-файл, в который вы можете вносить коррективы динамически и статически.

Для динамического изменения настроек RC по умолчанию вы можете использовать переменную rcParams :

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 =

Вы только что отрегулировали ширину линии в приведенном выше примере, но вы также можете изменить размер фигуры и dpi, ширину линии, цвет и стиль, оси, свойства оси и сетки, свойства текста и шрифта,…

Если вы хотите работать более статично, вам, вероятно, также следует знать, что у вас есть файл конфигурации matplotlibrc , который вы можете использовать для настройки всех видов свойств (как вы это делали выше с параметром ширины линии).Если вы хотите найти этот конкретный файл, вы можете просто запустить следующее:

  импорт матплотлиб

matplotlib.matplotlib_fname ()  

Далее вы можете открыть файл и начать играть с настройками!

продолжить обучение

Поздравляем! Вы успешно прошли сегодняшний урок Matplotlib! Еще есть чему поучиться, но вы определенно готовы выходить самостоятельно и создавать свои собственные удивительные сюжеты. Не пропустите шпаргалку Matclotlib от DataCamp, которая поможет вам создавать графики в кратчайшие сроки, шаг за шагом.

Если вы хотите узнать больше о Matplotlib, рассмотрите руководство DataCamp по просмотру объемных данных 3D с помощью Matplotlib, чтобы узнать, как работать с API-обработчиком событий matplotlib, или это руководство, в котором вы узнаете все об анимации своих графиков.

Если вы готовы приступить к изучению интерактивных визуализаций данных с помощью Python, подумайте о прохождении курса Bokeh от DataCamp и не пропустите наш шпаргалку по Bokeh.

 boston = load_boston () 
 x = boston.data 
 y = boston.target 
 columns = boston.feature_names # создать фрейм данных 
 boston_df = pd.DataFrame (boston.data) 
 boston_df.columns_ columns 9001 bost () 

 импорт seaborn as sns 
 sns.boxplot (x = boston_df ['DIS']) 

 fig, ax = plt.subplots (figsize = (16,8)) 
 ax.scatter (boston_df ['INDUS'], boston_df ['TAX']) 
 ax.set_xlabel ('Доля сторонних торговых площадей) на город ') 
 ax.set_ylabel (' Ставка налога на полную стоимость недвижимости на 10 000 долларов США) 
 plt.show () 

 от scipy import stats 
 import numpy as npz = np.abs (stats.zscore (boston_df)) 
 print (z) 

 = 3 
 отпечатков (np.where (z> 3)) 

 print (z [55] [1]) 3.375038763517309 

 Q1 = boston_df_o1.quantile (0.25) 
 Q3 = boston_df_o1.quantile (0.75) 
 IQR = Q3 - Q1 
 print (IQR) 

 print (boston_df_o1 <(Q1 - 1.5 * IQR)) | (boston_df_o1> (Q3 + 1.5 * IQR)) 

 boston_df_o = boston_df_o [(z <3) .all (axis = 1)] 

 boston_df_out = boston_df_o1 [~ ((boston_df_o1 <(Q1 - 1.5 * IQR)) | (boston_df_o1> (Q3 + 1.5 * IQR))). Any (axis = 1)] boston_df_out.shape