Sådan tegnes grafer i Jupyter notebook

Sådan tegnes grafer i Jupyter notebook

Jupyter Notebook er værktøj nummer to til data forskere. Det tilbyder en interaktiv webgrænseflade, der kan bruges til datavisualisering, let analyse og samarbejde.





Datavisualisering giver dig mulighed for at finde kontekst for dine data gennem kort eller grafer. Denne vejledning tilbyder en indsigtsfuld guide til interaktion med grafer i Jupyter Notebook.



Forudsætninger

Du skal har Jupyter installeret på din maskine. Hvis det ikke er det, kan du installere det ved at indtaste følgende kode i din kommandolinje:





$ pip install jupyter

Du skal også bruge pandaer og matplotlib bibliotek:

hvordan aktiverer jeg flash i chrome
$ pip install pandas $ pip install matplotlib

Når installationerne er færdige, skal du starte Jupyter Notebook -serveren. Indtast kommandoen nedenfor i din terminal for at gøre det. En Jupyter -side, der viser filer i det aktuelle bibliotek, åbnes i din computers standardbrowser.



$ jupyter notebook

Bemærk: Luk ikke det terminalvindue, du kører denne kommando i. Din server stopper, hvis du gør det.

Enkelt plot

Kør denne kode på en ny Jupyter -side:



import matplotlib.pyplot as plt
x=[1,2,3,4,5,6,7,8]
y=[2,4,6,8,10,12,14,16]
plt.plot(x,y)
plt.show()

Koden er til et enkelt linjeplot. Den første linje importerer pyplot grafbibliotek fra matplotlib API. Den tredje og fjerde linje definerer henholdsvis x- og y -akserne.

Det grund() metode kaldes til at plotte grafen. Det at vise() metode bruges derefter til at vise grafen.



Antag, at du vil tegne en kurve i stedet. Processen er den samme. Bare ændre værdierne for python liste for y-aksen.

import matplotlib.pyplot as plt
x=[3,4,5,6,7,8,9,10,11,12]
y= [9,16,25,36,49,64,81,100,121,144]
plt.plot(x,y)
plt.show()

Bemærk noget vigtigt: I begge grafer er der ingen eksplicit skaladefinition. Vægten beregnes og anvendes automatisk. Dette er en af ​​de mange interessante funktioner, som Juypter tilbyder, som kan få dig til at fokusere på dit arbejde (dataanalyse) i stedet for at bekymre dig om kode.

Hvis du også er på vagt, kan du bemærke, at antallet af værdier for x- og y -akserne er det samme. Hvis en af ​​dem er mindre end den anden, markeres en fejl, når du kører koden, og der vises ingen graf.

Tilgængelige typer

I modsætning til linjediagrammet og kurven ovenfor skal andre grafvisualiseringer (f.eks. Et histogram, søjlediagram osv.) Defineres eksplicit for at blive vist.

Søjlediagram

For at vise et stregdiagram skal du bruge bar () metode.

import matplotlib.pyplot as plt
x=[3,4,5,6,7,8,9,10,11,12]
y= [9,16,25,36,49,64,81,100,121,144]
plt.bar(x,y)
plt.show()

Spred plot

Alt du skal gøre er at bruge sprede() metode i den tidligere kode.

import matplotlib.pyplot as plt
x=[3,4,5,6,7,8,9,10,11,12]
y= [9,16,25,36,49,64,81,100,121,144]
plt.scatter(x,y)
plt.show()

Lagkagediagram

Et tærteplot er lidt anderledes end resten ovenfor. Linje 4 er af særlig interesse, så tag et kig på funktionerne der.

figsize bruges til at indstille billedformatet. Du kan indstille dette til alt, hvad du kan lide (f.eks. (9,5)), men de officielle Pandas -dokumenter anbefaler, at du bruger et billedformat på 1.

import matplotlib.pyplot as plt
x=[4,9,16,25,36]
fig = plt.figure(figsize =(9, 5)) # line 4
plt.pie(x)
plt.show()

Der er nogle parametre, cirkeldiagrammet har, der er bemærkelsesværdigt:

etiketter - Dette kan bruges til at give en etiket til hver skive i cirkeldiagrammet.

farver - Dette kan bruges til at give foruddefinerede farver til hver af skiverne. Du kan angive farver både i tekstform (f.eks. Gul) eller i hexform (f.eks. '#Ebc713').

Se eksemplet herunder:

import matplotlib.pyplot as plt
x=[4,9,16,25,36]
fig = plt.figure(figsize =(5.5, 5.5))
plt.pie(x, labels=('Guavas', 'Berries','Mangoes','Apples', 'Avocado'),
colors = ( '#a86544', '#eb5b13', '#ebc713', '#bdeb13', '#8aeb13'))
plt.show()

Der er også andre parceller som hist , areal , og hvor at du kan læs mere om på Pandas docs .

Plotformatering

I plottene ovenfor er der ingen aspekter som f.eks. Etiketter. Sådan gør du det.

For at tilføje en titel skal du inkludere nedenstående kode i din Jupyter Notebook:

matplotlib.pyplot.title('My Graph Title')

X- og y -akserne kan henholdsvis mærkes som nedenfor:

matplotlib.pyplot.xlabel('my x-axis label')
matplotlib.pyplot.ylabel('my y-axis label')

Lær mere

Du kan køre Hjælp() kommando i din notesbog for at få interaktiv assistance om Jupyter -kommandoer. For at få flere oplysninger om et bestemt objekt kan du bruge hjælp (objekt) .

Du finder det også en god praksis at prøve at tegne grafer ved hjælp af datasæt fra csv filer. At lære at visualisere data er et stærkt værktøj til at kommunikere og analysere dine fund, så det er værd at tage lidt tid at opbygge dine færdigheder.

Del Del Tweet E -mail Sådan importeres Excel -data til Python -scripts ved hjælp af pandaer

Til avanceret dataanalyse er Python bedre end Excel. Sådan importerer du dine Excel -data til et Python -script ved hjælp af Pandas!

Læs Næste Relaterede emner
  • Programmering
  • Python
  • Kodning Tutorials
  • Dataanalyse
Om forfatteren Jerome Davidson(22 artikler udgivet)

Jerome er personaleforfatter på MakeUseOf. Han dækker artikler om programmering og Linux. Han er også en kryptoentusiast og holder altid øje med kryptoindustrien.

Mere fra Jerome Davidson

Abonner på vores nyhedsbrev

Tilmeld dig vores nyhedsbrev for at få tekniske tips, anmeldelser, gratis e -bøger og eksklusive tilbud!

Klik her for at abonnere