[PYTHON] Datenvisualisierungsmethode mit Matplotlib (2)

In Fortsetzung von Gestern werde ich die Funktionen von matplotlib erläutern.

Farbe, Markierung, Linientyp

import numpy as np
from pandas import *
from pylab import *
import matplotlib.pyplot as plt
from matplotlib import font_manager
from numpy.random import randn

prop = matplotlib.font_manager.FontProperties(fname="/usr/share/fonts/truetype/fonts-japanese-gothic.ttf")

r = randn(30).cumsum()

#Geben Sie Farbe, Linientyp und Markierung an
#Schwarze, gestrichelte Linie, Markierung ist o
plt.plot(r, color='k', linestyle='dashed', marker='o')

plt.show()
plt.savefig("image.png ")

Standardmäßig sind die Faltlinien durch eine gerade Linie verbunden. Sie können dies mit der Option Drawstyle ändern.

#Expliziter RGB-Wert
plt.plot(r, color='#ff0000', linestyle='dashed', marker='o', label='dashed')
#Zeichnungsstil ändern
plt.plot(r, color='#0000ff', drawstyle='steps-post', label='steps-post')
#Fügen Sie eine Legende hinzu
plt.legend(loc='best')

plt.show()
plt.savefig("image2.png ")

Skala, Etikett

plt.xlim () und plt.xticks () geben den aktuellen Wert zurück, wenn sie ohne Argumente aufgerufen werden. Sie können Parameter festlegen, indem Sie einen Wert dafür als Argument angeben.

#Überprüfen Sie den aktuellen Wert ohne Argument
print( plt.xlim() )
# => (0.0, 30.0)
print( plt.xticks() )
# => (array([  0.,   5.,  10.,  15.,  20.,  25.,  30.]), <a list of 7 Text xticklabel objects>)

#Stellen Sie einen neuen Wert ein
plt.xlim([0, 40])
plt.xticks([0,4,8,12,16,20,24,28,32,36,40])

print( plt.ylim() )
# => (-7.0, 3.0)
print( plt.yticks() )
# => (array([-8., -6., -4., -2.,  0.,  2.,  4.]), <a list of 7 Text yticklabel objects>)

plt.ylim([-10, 10])
plt.yticks([-10,-8,-6,-4,-2,0,2,4,6,8,10])

plt.show()
plt.savefig("image3.png ")

Achsenanpassung

Betrachten Sie das folgende zufällige Walk-Diagramm.

fig = plt.figure()
ax = fig.add_subplot(1,1,1)

r = randn(1000).cumsum()
ax.plot(r)

plt.show()
plt.savefig("image4.png ")

Passen wir den Maßstab und die Beschriftung an. Beispielsweise ist die X-Achse nach 250 geordnet, die Zeichen sind um 30 Grad geneigt und werden auf Japanisch angezeigt.

ax.set_xticks([0, 250, 500, 750, 1000])
ax.set_xticklabels(['A', 'B', 'C', 'D', 'E'], rotation=30, fontsize='small')
ax.set_title('Testen Sie das Matplotlib-Diagramm', fontproperties=prop)
ax.set_xlabel('Rang', fontproperties=prop)

plt.show()
plt.savefig("image5.png ")

Legende hinzufügen

Eine einfache Möglichkeit, die gezeichneten Daten zu identifizieren, besteht darin, eine Beschriftung anzugeben und in einer Legende anzuzeigen. Es ist einfacher zu verstehen, wenn Sie die Farben und Linientypen für die einzelnen Daten trennen.

fig = plt.figure()
ax = fig.add_subplot(1,1,1)

def randn1000():
    return randn(1000).cumsum()

ax.plot(randn1000(), 'k', label='one')
ax.plot(randn1000(), 'b--', label='two')
ax.plot(randn1000(), 'r.', label='three')
ax.plot(randn1000(), 'g+', label='four')
ax.plot(randn1000(), 'b*', label='five')

plt.ylim([-100, 100])

ax.legend(loc='best')

plt.show()
plt.savefig("image6.png ")

Optionen beim Speichern einer Datei

Sie können Bilddateioptionen mit plt.savefig () angeben.

Diesmal sind Pandas noch nicht aufgetaucht, bisher sprechen wir nur über Matplotlib. Ab dem nächsten Mal werde ich in Kombination mit Pandas planen.

Referenz

Hinweise zur Verwendung von Matplotlib http://www.geocities.jp/showa_yojyo/note/python-matplotlib.html

Einführung in die Datenanalyse mit Python-Datenverarbeitung mit NumPy und Pandas http://www.oreilly.co.jp/books/9784873116556/