[PYTHON] Matplotlib-Memo

Als Lernnotiz habe ich den Code zusammengestellt, der für die Visualisierung von Matplotlib verwendet werden kann, und zwar als Referenz anstelle eines Spickzettel.

Zusammenfassung des Basiscodes

#Importieren Sie matplotlib als plt
import matplotlib.pyplot as plt

#Erstellen Sie ein gestricheltes Liniendiagramm mit der Liste x auf der horizontalen Achse und y auf der vertikalen Achse
plt.plot(x, y)

#Erstellen Sie ein Streudiagramm mit der Liste x auf der horizontalen Achse und y auf der vertikalen Achse(Die Plotgröße ist proportional zur Größe, die Farbe ist farbig, die Transparenz ist 0.8)
plt.scatter(x, y, s = size, c = col, alpha = 0.8))

#Erstellen Sie ein Histogramm der Daten in den Listenwerten in n Bins
plt.hist(values, bins = n)

#Titel in der Grafik(TITLE)Anziehen
plt.title('TITLE')

#Beschriften Sie XXX auf der horizontalen Achse und JJJ auf der vertikalen Achse
plt.xlabel('xxx')
plt.ylabel('yyy')

#Geben Sie die vertikale Achse an(Beispiel.Von 0 bis 10 in 2 Schritten)
plt.yticks([0,2,4,6,8,10])
#Geben Sie die vertikale Achse an(Beispiel.Passen Sie die Notation in 2 Schritten von 0 bis 10 an)
plt.yticks([0,2,4,6,8,10],['0','20.000','40.000','60.000','80.000','Hunderttausend'])

#Fügen Sie einem bestimmten Plot Text hinzu(Beispiel.Für Diagramme mit 10 auf der horizontalen Achse und 52 auf der vertikalen Achse'text'Text hinzufügen)
plt.text(10, 52, 'text')

#Gitterlinien anzeigen
plt.grid(True)

#Zeichnen Sie die erstellte Figur
plt.show()

#Stellen Sie die horizontale Achse auf logarithmische Anzeige ein
plt.xscale('log')

Aktuelles Handlungsbeispiel

#
with open('data.csv','r',encoding='shift_jis') as f:
    dataReader = csv.reader(f)
    list1 = [row for row in dataReader]  
    district = list1[0]
    population = list1[1]
    GDP = list1[2]
    district = district[1:]
    population = population[1:]
    GDP = GDP[1:]
    population = [int(s) for s in population]
    GDP = [int(s) for s in GDP]
#
import matplotlib.pyplot as plt
plt.scatter(GDP, population)
plt.title('Relationship between GDP and population')
plt.xlabel('GDP')
plt.ylabel('Population')
plt.xticks([0,30000000,60000000,90000000,120000000])
plt.yticks([0,3000000,6000000,9000000,12000000,15000000])
#
plt.text(104470026,13623937, 'Tokyo')
plt.text(1864072,569554, 'Tottori')
plt.text(39409405,7506900, 'Aichi')
plt.text(38994994,8832512, 'Osaka')
plt.text(11944686,2837348, 'Hiroshima')
plt.text(9475481,2330120, 'Miyagi')
plt.text(19018098,5351828, 'Hokkaido')
plt.text(34609343,9144504, 'Kanagawa')
plt.text(22689675,7289429, 'Saitama')
plt.text(20391622,6235725, 'Chiba')
plt.grid(True)
plt.show()