OS X El Capitan 10.11.6 python: 2.7.11 pandas: 0.18.0 matplotlib: 1.5.1 numpy: 1.10.4 IPython: 4.1.2
Dessin recommandé avec Python 10 Il existe différentes méthodes de dessin en Python, et il est basique d'utiliser une bibliothèque appelée matplotlib. Cependant, il y a un rappeur appelé seaborn qui facilite le dessin à la mode car il est un peu démodé. Si vous n'êtes pas satisfait de cela, peut-être que Bokeh est un bon choix. Si vous utilisez ggplot dans R, vous le connaissez peut-être.
Cependant, dans tous les cas, pandas, qui est nécessaire pour le formatage des données, a également une fonction de tracé en tant que wrapper pour matplotlib, donc je vais l'utiliser. J'ai visité les sites suivants et étudié, mais j'étais un peu confus car il y avait une légère différence dans la notation, probablement à cause de la différence de version. http://sinhrks.hatenablog.com/entry/2015/11/15/222543 http://qiita.com/hik0107/items/de5785f680096df93efa http://qiita.com/y__sama/items/9676f148a66c16d8f47c http://qiita.com/TomokIshii/items/d786d25c69f20a0fc3c8
Le point le plus important pour moi était;
DataFrame.plot()
Est le dessin le plus simple, mais s'il s'agit d'un diagramme de dispersion
DataFrame.plot(kind='scatter')
Ou
DataFrame.plot.scatter()
Je me demandais lequel était le meilleur (correct), mais pandas original "Visualization" J'étais convaincu qu'il y avait la description suivante dans "Other Plots" de.
You can also create these other plots using the methods DataFrame.plot.kind instead of providing the kind keyword argument. This makes it easier to discover plot methods and the specific arguments they use:
Donc les deux sont corrects
DataFrame.plot.scatter()
Le fait était que ce serait plus facile à comprendre.
Vous trouverez ci-dessous un bref résumé du déroulement du dessin et des points que j'ai remarqués. Comme vous pouvez le voir en lisant matplotlib Honke et pandas Honke.
import numpy as np import pandas as pd import matplotlib.pyplot as plt
%matplotlib inline
Spécifier le chemin du fichier
file_path="/Users/username/Documents/file_name.csv"
data_frame=pd.read_csv(file_path)
data_frame=pd.read_table(file_path)
Lorsque data_frame = pd.read_table (file_path, sep = '.') # "."
sep = '' # Séparateur
Autres réglages header = '' # Nombre de lignes à sauter
data_frame.head () #Vérifiez les premières lignes de la trame de données
data_frame.tail () #Vérifiez les dernières lignes de la trame de données
data_frame ['column_name'] # Extrait comme série
data_frame.column_name # Identique à ci-dessus
data_frame [['column_name1', 'column_name2']] # 2 extraction de colonne
data_frame.ix ['index_name'] #ix est un champ de référence d'index
data_frame [: n] # Extraire toutes les lignes jusqu'à n
data_frame [data_frame ['column_name']> x] #column_name Extraire les lignes avec des valeurs de colonne supérieures à x
data_frame.query ('nom_colonne == x & nom_colonne == y') # Si vous voulez en conditionner deux ou plus, c'est ça.
data_frame.query ('nom_colonne == x | nom_colonne == y') Pour #ou
fig, axes = plt.subplots(2,2,figsize=(19,19)) plt.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=0.1, hspace=0.1)
Lorsque vous dessinez plusieurs feuilles dans la phrase for. «I» est le nombre de compteurs.
data_frame.plot(x='column1',y='column2',xlim=(x1,x2),linestyle='',marker='.',ax=axes.flatten()[i],color='k',title=title_list[i])
data_frame.plot.scatter(x='column1',y='column2',xlim=(x1,x2),ax=axes.flatten()[i],color='k',s=15,title=title_list[i])
Dans les deux cas, c'est bien, mais (probablement) plot.scatter () est censé avoir une correspondance un à un, donc il n'y a pas de légende. Vous pouvez omettre «x =» si vous souhaitez utiliser un index sur l'axe des x dans le cas de «plot ()». La norme étant un graphique à lignes brisées, elle est transformée en diagramme de dispersion en éliminant le style de ligne et en spécifiant un marqueur.
Même s'il existe une colonne contenant NaN, elle sera ignorée et tracée, mais si vous tracez à partir de deux colonnes en même temps, une erreur se produira. Il est nécessaire de changer la zone de dessin à chaque fois.
xlim = (x1, x2) #x plage ylim = (y1, y2) #y plage color = 'k' # spécification de la couleur k noir, r rouge, b bleu, g vert, c cyan, m magenta, w blanc, y jaune linestyle = '-' # ls. -: solide, -: pointillé, '': rien largeur de ligne = 1 # lw. marker='.' #.:point, o:circle, v:triangle,s:square,+:plus, '':nothing markersize = 12 # ms. markeredgecolor = '' # méc. markeredgewidth = 1 # mew. markerfacecolor = '' # mfc. label = 'nom' # légende ax = axes.flatten () [i] #Draw au i-ème endroit yerr = '' # barre d'erreur de l'axe y
s = 20 # taille du marqueur
axes.flatten( )[i].legend(loc='best') # 'upper right','center left','lower center','center'
http://yagays.github.io/blog/2014/08/15/ipython-notebook-matplotlib-inline/
http://qiita.com/HirofumiYashima/items/51d8dac9a784de356c5b
import numpy as np import matplotlib.pyplot as plt
Devrait lire respectivement numpy et pyplot. pylab peut porter un nom en raison d'une importation approximative.
pandas en général. L'un des membres développeurs est bien organisé. http://sinhrks.hatenablog.com/entry/2015/04/28/235430
wiki de matplotlib http://seesaawiki.jp/met-python/d/matplotlib
Pour aller et venir entre python standard, numpy, pandas http://qiita.com/richi40/items/6b3af6f4b00d62dbe8e1
Python (2.7) Langage de script. Peut être écrit plus clairement que Perl (peut seulement être écrit). Plus populaire que Ruby à l'étranger. Il est souvent utilisé pour des calculs scientifiques et il existe de nombreuses bibliothèques associées.
Bibliothèque Une collection de programmes très polyvalents sous une forme réutilisable. Une collection de code qui fournit des fonctionnalités à d'autres programmes. Les modules et packages suivants qui sont inclus en standard sont appelés bibliothèques standard.
module Une collection de pièces telles que des fonctions pour chaque usage. maths, sys, etc.
--Paquet Un répertoire contenant les fichiers du module. NumPy, pandas, etc.
pandas is a Python package providing fast, flexible, and expressive data structures designed to make working with “relational” or “labeled” data both easy and intuitive. It aims to be the fundamental high-level building block for doing practical, real world data analysis in Python. Additionally, it has the broader goal of becoming the most powerful and flexible open source data analysis / manipulation tool available in any language. It is already well on its way toward this goal.
Numpy Package de base pour les calculs scientifiques en Python
matplotlib Les packages les plus couramment utilisés pour la visualisation de données
Jupyter Une application web qui vous permet de créer et de partager des codes, des formules, des diagrammes qui y sont dessinés et leurs explications. Vous pouvez organiser et mettre en forme des données, effectuer des calculs numériques, des analyses statistiques, du machine learning, etc. Vous pouvez facilement effectuer un travail d'analyse tout en explorant, partager et stocker les résultats.
The Jupyter Notebook is a web application that allows you to create and share documents that contain live code, equations, visualizations and explanatory text. Uses include: data cleaning and transformation, numerical simulation, statistical modeling, machine learning and much more.
À partir des différents graphiques (Other Plots) dans pandas Honke Visualization
In addition to these kind s, there are the DataFrame.hist(), and DataFrame.boxplot() methods, which use a separate interface.
Outre l'utilisation de kind, DataFrame.hist () et DataFrame.boxplot () existent en tant qu'interfaces séparées.
Par conséquent, comment écrire un histogramme
DataFrame.plot(kind='hist')
DataFrame.plot.hist()
DataFrame.hist()
Il existe trois types.
Recommended Posts