Hướng dẫn which command is used to show a chart in python? - lệnh nào được sử dụng để hiển thị biểu đồ trong python?

Pythonistas thường sử dụng thư viện âm mưu matplotlib để hiển thị dữ liệu số trong các sơ đồ, đồ thị và biểu đồ trong Python. Một loạt các chức năng được cung cấp bởi Matplotlib, hai API (giao diện lập trình ứng dụng):

• Giao diện API Pyplot, cung cấp một hệ thống phân cấp các đối tượng mã làm cho matplotlib hoạt động như MATLAB.
• Giao diện API OO (hướng đối tượng), cung cấp một tập hợp các đối tượng có thể được lắp ráp với tính linh hoạt cao hơn Pyplot. API OO cung cấp quyền truy cập trực tiếp vào lớp phụ trợ Matplotlib.direct access to matplotlib’s backend layer.

Giao diện Pyplot dễ thực hiện hơn phiên bản OO và được sử dụng phổ biến hơn. Để biết thông tin về các chức năng và thuật ngữ pyplot, hãy tham khảo: pyplot trong matplotlib là gì

Hiển thị một lô trong Python: Pyplot Ví dụ

Loạt chức năng PyPlot Matplotlib sườn được sử dụng để trực quan hóa và trang trí một lô.

Cách tạo một cốt truyện đơn giản với hàm cốt truyện ()

Chức năng matplotlib.pyplot.plot () cung cấp một giao diện thống nhất để tạo các loại lô khác nhau. & NBSP; matplotlib.pyplot.plot() function provides a unified interface for creating different types of plots. 

Ví dụ đơn giản nhất sử dụng hàm lô () để vẽ các giá trị như X, Y tọa độ trong một biểu đồ dữ liệu. Trong trường hợp này, Plot () lấy 2 tham số để chỉ định tọa độ lô: & nbsp;plot() function to plot values as x,y coordinates in a data plot. In this case, plot() takes 2 parameters for specifying plot coordinates: 

• Tham số cho một mảng tọa độ trục X.X axis coordinates.
• Tham số cho một mảng tọa độ trục y.Y axis coordinates.

Một dòng từ x = 2, y = 4 đến x = 8, y = 9 được vẽ bằng cách tạo 2 mảng (2,8) và (4,9):(2,8) and (4,9):

import matplotlib.pyplot as plt
import numpy as np

# X axis parameter:
xaxis = np.array([2, 8])

# Y axis parameter:
yaxis = np.array([4, 9])

plt.plot(xaxis, yaxis)
plt.show()

Hình 1. & NBSP; Một cốt truyện đơn giản được tạo với hàm cốt truyện ():.  A simple plot created with the plot() function:

Cách tùy chỉnh cốt truyện xuất hiện với Marker & LineStyle

Điểm đánh dấu và chính là các từ khóa matplotlib có thể được sử dụng để tùy chỉnh sự xuất hiện của dữ liệu trong một biểu đồ mà không cần sửa đổi các giá trị dữ liệu. and linestyle are matplotlib keywords that can be used to customize the appearance of data in a plot without modifying data values.

• Điểm đánh dấu là một đối số được sử dụng để dán nhãn cho mỗi giá trị dữ liệu trong một biểu đồ có điểm đánh dấu ‘. is an argument used to label each data value in a plot with a ‘marker‘.
• LineStyle là một đối số được sử dụng để tùy chỉnh sự xuất hiện của các dòng giữa các giá trị dữ liệu, hoặc nếu không loại bỏ chúng hoàn toàn. is an argument used to customize the appearance of lines between data values, or else remove them altogether.

Trong ví dụ này, mỗi giá trị dữ liệu được dán nhãn bằng chữ cái O, và được cung cấp một lớp lót cắt đứt -“o”, and given a dashed linestyle “–”:

import matplotlib.pyplot as plt
import numpy as np

xaxis = np.array([2, 12, 3, 9])

# Mark each data value and customize the linestyle:
plt.plot(xcoords, marker = “o”, linestyle = “--”)
plt.show()

Một danh sách một phần các ký tự chuỗi là các tùy chọn có thể chấp nhận được cho điểm đánh dấu và kiểu chính:marker and linestyle:

“-” solid line style
“--” dashed line style
“ “ no line
“o” letter marker

Ví dụ về âm mưu phân tán matplotlib

Matplotlib cũng hỗ trợ các lô tiên tiến hơn, chẳng hạn như các lô phân tán. Trong trường hợp này, hàm scatter () được sử dụng để hiển thị các giá trị dữ liệu dưới dạng tập hợp các tọa độ x, y được biểu thị bằng các dấu chấm độc lập. In this case, the scatter() function is used to display data values as a collection of x,y coordinates represented by standalone dots.

Trong ví dụ này, 2 mảng có cùng độ dài (một mảng cho các giá trị trục X và một mảng khác cho các giá trị trục y) được vẽ. Mỗi giá trị được biểu thị bằng một dấu chấm:

Xem video ở đây.

import matplotlib.pyplot as plt

# X axis values:
x = [2,3,7,29,8,5,13,11,22,33]
# Y axis values:
y = [4,7,55,43,2,4,11,22,33,44]

# Create scatter plot:
plt.scatter(x, y)

plt.show()

Ví dụ về Matplotlib: Nhiều bộ dữ liệu trong một ô

Matplotlib rất linh hoạt và có thể chứa nhiều bộ dữ liệu trong một lô. Trong ví dụ này, chúng tôi sẽ vẽ hai bộ dữ liệu riêng biệt, XDATA1 và XDATA2:. In this example, we’ll plot two separate data sets, xdata1 and xdata2:

Xem video ở đây.

import matplotlib.pyplot as plt
import numpy as np

# Create random seed:
np.random.seed(5484849901)

# Create random data:
xdata = np.random.random([2, 8])  

# Create two datasets from the random floats: 
xdata1 = xdata[0, :]  
xdata2 = xdata[1, :]  

# Sort the data in both datasets:
xdata1.sort()  
xdata2.sort()

# Create y data points:  
ydata1 = xdata1 ** 2
ydata2 = 1 - xdata2 ** 4

# Plot the data:  
plt.plot(xdata1, ydata1)  
plt.plot(xdata2, ydata2)  

# Set x,y lower, upper limits:  
plt.xlim([0, 1])  
plt.ylim([0, 1])  

plt.title(“Multiple Datasets in One Plot")
plt.show()

Ví dụ về Matplotlib: Nhiều bộ dữ liệu trong một ôSubplots

Matplotlib rất linh hoạt và có thể chứa nhiều bộ dữ liệu trong một lô. Trong ví dụ này, chúng tôi sẽ vẽ hai bộ dữ liệu riêng biệt, XDATA1 và XDATA2:. In this example, multiple axes are enclosed in one figure and displayed in subplots:

import matplotlib.pyplot as plt
import numpy as np

# Create a Figure with 2 rows and 2 columns of subplots:
fig, ax = plt.subplots(2, 2)

x = np.linspace(0, 5, 100)

# Index 4 Axes arrays in 4 subplots within 1 Figure: 
ax[0, 0].plot(x, np.sin(x), 'g') #row=0, column=0
ax[1, 0].plot(range(100), 'b') #row=1, column=0
ax[0, 1].plot(x, np.cos(x), 'r') #row=0, column=1
ax[1, 1].plot(x, np.tan(x), 'k') #row=1, column=1

plt.show()

Ví dụ về Matplotlib: SubplotsMultiple axe in subplots displayed in one figure:

Bạn cũng có thể sử dụng matplotlib để tạo ra các số liệu phức tạp có chứa nhiều hơn một lô. Trong ví dụ này, nhiều trục được đặt trong một hình và được hiển thị trong các ô con:

Hình 2. & NBSP; Nhiều rìu trong các ô con được hiển thị trong một hình:

Ví dụ về matplotlib: Biểu đồ biểu đồ

Xem video ở đây.

import matplotlib.plot as plt
import matplotlib.ticker as maticker
import numpy as np 

# Create random variable:
data = np.random.normal(0, 3, 800)

# Create a Figure and multiple subplots containing Axes:
fig, ax = plt.subplots()
weights = np.ones_like(data) / len(data)

# Create Histogram Axe:
ax.hist(data, bins=5, weights=weights)
ax.yaxis.set_major_formatter(maticker.PercentFormatter(xmax=1.0, decimals=1))

plt.title(“Histogram Plot”)
plt.show()

Ví dụ về Matplotlib: Nhiều bộ dữ liệu trong một ô

Matplotlib rất linh hoạt và có thể chứa nhiều bộ dữ liệu trong một lô. Trong ví dụ này, chúng tôi sẽ vẽ hai bộ dữ liệu riêng biệt, XDATA1 và XDATA2:

Ví dụ về Matplotlib: Subplots signals (represented as functions) that each have different frequencies:

import matplotlib.pyplot as plt 
import numpy as np 

# Generate pseudo-random numbers:
np.random.seed(0) 

# Sampling interval:    
dt = 0.01 

# Sampling Frequency:
Fs = 1 / dt  # ex[;aom Fs] 

# Generate noise:
t = np.arange(0, 10, dt) 
res = np.random.randn(len(t)) 
r = np.exp(-t / 0.05) 

# Convolve 2 signals (functions):
conv_res = np.convolve(res, r)*dt
conv_res = conv_res[:len(t)] 
s = 0.5 * np.sin(1.5 * np.pi * t) + conv_res

# Create the plot: 
fig, (ax) = plt.subplots() 
ax.plot(t, s) 
# Function plots phase spectrum:
ax.phase_spectrum(s, Fs = Fs)

plt.title(“Phase Spectrum Plot”)
plt.show()

Bạn cũng có thể sử dụng matplotlib để tạo ra các số liệu phức tạp có chứa nhiều hơn một lô. Trong ví dụ này, nhiều trục được đặt trong một hình và được hiển thị trong các ô con: A Phase Spectrum of two signals with different frequencies is plotted in one figure:

Hình 2. & NBSP; Nhiều rìu trong các ô con được hiển thị trong một hình:

Ví dụ về matplotlib: Biểu đồ biểu đồ We’ve already created a 2D scatter plot above, but in this example we’ll create a 3D scatter plot:

Xem video ở đây.

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt

fig = plt.figure()

# Create 1 3D subplot:
ax = fig.add_subplot(111, projection='3d')

# ‘111’ is a MATlab convention used in Matplotlib
# to create a grid with 1 row and 1 column. 
# The first cell in the grid is the new Axes location.
# Create x,y,z coordinates:
x =[1,2,3,4,5,6,7,8,9,10]
y =[11,4,2,5,13,4,14,2,4,8]
z =[2,3,4,5,5,7,9,11,19,9]

# Create a 3D scatter plot with x,y,z orthogonal axis, and red "o" markers:
ax.scatter(x, y, z, c='red', marker="o")

# Create x,y,z axis labels:
ax.set_xlabel('X Axis')
ax.set_ylabel('Y Axis')
ax.set_zlabel('Z Axis')

plt.show()

Ví dụ về Matplotlib: Nhiều bộ dữ liệu trong một ô

Matplotlib rất linh hoạt và có thể chứa nhiều bộ dữ liệu trong một lô. Trong ví dụ này, chúng tôi sẽ vẽ hai bộ dữ liệu riêng biệt, XDATA1 và XDATA2: Most commonly, data scientists display plots in their Jupyter notebook, but you can also display plots within an application.  

Ví dụ về Matplotlib: SubplotsTkAgg() function to generate Agg (Anti-Grain Geometry) high-quality rendering, and the Tk mainloop() function to display a plot:

from tkinter import *
from tkinter.ttk import *

import matplotlib
matplotlib.use("TkAgg")
from matplotlib.figure import Figure 

# OO backend (Tkinter) tkagg() function:
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg

root = Tk()

figure = Figure(figsize=(5, 4), dpi=100)
plot = figure.add_subplot(1, 1, 1)

x = [ 0.1, 0.2, 0.3, 0.4 ]
y = [ -0.1, -0.2, -0.3, -0.4 ]
plot.plot(x, y, color="red", marker="o",  linestyle="--")

canvas = FigureCanvasTkAgg(figure, root)
canvas.get_tk_widget().grid(row=0, column=0)

root.mainloop()

Bạn cũng có thể sử dụng matplotlib để tạo ra các số liệu phức tạp có chứa nhiều hơn một lô. Trong ví dụ này, nhiều trục được đặt trong một hình và được hiển thị trong các ô con:  An OO backend plot displayed using Tkinter tkagg() function:

Hình 2. & NBSP; Nhiều rìu trong các ô con được hiển thị trong một hình::  matplotlib script execution creates a text output in the Python console (not part of the UI plot display) that may include warning messages or be otherwise visually unappealing. To fix this, you can add a semicolon (;) at the end of the last line of code before displaying the plot. For example:

import matplotlib.pyplot as plt
import numpy as np

xaxis = np.array([2, 12, 3, 9])

# Mark each data value and customize the linestyle:
plt.plot(xcoords, marker = “o”, linestyle = “--”)
plt.show()

Tại sao sử dụng ActivePython cho khoa học dữ liệu

Mặc dù phân phối nguồn mở của Python có thể là thỏa đáng đối với một cá nhân, nhưng nó không phải lúc nào cũng đáp ứng các yêu cầu hỗ trợ, bảo mật hoặc nền tảng của các tổ chức lớn.

Đây là lý do tại sao các tổ chức chọn ActivePython cho khoa học dữ liệu của họ, xử lý dữ liệu lớn và nhu cầu phân tích thống kê.

Được đóng gói trước với các gói mà các nhà khoa học dữ liệu quan trọng nhất cần, ActivePython được biên dịch sẵn để bạn và nhóm của bạn không phải lãng phí thời gian để cấu hình phân phối nguồn mở. Bạn có thể tập trung vào những gì mà các thuật toán xây dựng thời gian và các mô hình dự đoán quan trọng hơn của cộng đồng đối với các nguồn dữ liệu lớn của bạn và ít thời gian hơn trên cấu hình hệ thống.

ActivePython tương thích 100% với phân phối Python nguồn mở và cung cấp hỗ trợ bảo mật và thương mại mà tổ chức của bạn yêu cầu.

Với ActivePython, bạn có thể khám phá và thao tác dữ liệu, chạy phân tích thống kê và cung cấp trực quan hóa để chia sẻ những hiểu biết với người dùng doanh nghiệp và giám đốc điều hành của bạn sớm hơn không quan trọng khi dữ liệu của bạn sống.

Một số gói Python phổ biến mà bạn được biên dịch sẵn-với ActivePython cho khoa học dữ liệu/dữ liệu lớn/học máyor Data Science/Big Data/Machine Learning

• gấu trúc & nbsp; (phân tích dữ liệu) (data analysis)
• Numpy & nbsp; (Mảng đa chiều) (multi-dimensional arrays)
• Scipy & nbsp; (thuật toán để sử dụng với Numpy) (algorithms to use with numpy)
• HDF5 & NBSP; (Lưu trữ & Thao tác dữ liệu) (store & manipulate data)
• Matplotlib & nbsp; (trực quan hóa dữ liệu) (data visualization)
• Jupyter & NBSP; (Hợp tác nghiên cứu) (research collaboration)
• Pytables & nbsp; (quản lý bộ dữ liệu HDF5) (managing HDF5 datasets)
• HDFS & NBSP; (Vòng bao C/C ++ cho Hadoop) (C/C++ wrapper for Hadoop)
• Pymongo & nbsp; (Người lái xe MongoDB) (MongoDB driver)
• SQLALCHEMY & NBSP; (Bộ công cụ Python SQL) (Python SQL Toolkit)
• Redis & nbsp; (Thư viện truy cập Redis) (Redis access libraries)
• pymysql & nbsp; (đầu nối MySQL) (MySQL connector)
• Scikit-learn (học máy) (machine learning)
• Tensorflow (học sâu với mạng lưới thần kinh) (deep learning with neural networks)
• Scikit-Learn & NBSP; (Thuật toán học máy) (machine learning algorithms)
• Keras & NBSP; (API mạng lưới cấp cao) (high-level neural networks API)

Tải xuống ActiveState Python để bắt đầu hoặc liên hệ với chúng tôi để tìm hiểu thêm về việc sử dụng Python ActiveState trong tổ chức của bạn. to get started or contact us to learn more about using ActiveState Python in your organization.

Làm thế nào để bạn hiển thị một biểu đồ trong Python?

Lệnh nào được sử dụng để hiển thị biểu đồ trong Python?

Chương trình PLT trong Python là gì?

Lệnh nào được sử dụng để vẽ biểu đồ hình tròn trong Python?