Einführung in die Matplotlib -Bibliothek von Python

produzierende Veröffentlichungsbereitgrafiken ist für Forscher von entscheidender Bedeutung. Während verschiedene Tools existieren, kann es schwierig sein, visuell ansprechende Ergebnisse zu erzielen. Dieses Tutorial zeigt, wie Pythons matplotlib Bibliothek diesen Prozess vereinfacht und hochwertige Zahlen mit minimalem Code erzeugt.

Wie auf der matplotlib -Website heißt es: "matplotlib ist eine Python 2D-Ploting-Bibliothek, die Zahlen für Publikationsqualität in verschiedenen Formaten über Plattformen produziert." Es ist vielseitig, in Skripten, Shells, Webanwendungen und verschiedenen GUI -Toolkits verwendbar.

Diese Anleitung deckt matplotlib Installation und grundlegende Plot -Beispiele ab. Für tiefere Fähigkeiten zur Handhabung von Python -Daten sollten Sie relevante Online -Kurse erforschen (Links, die für Kürze weggelassen werden).

installieren matplotlib

Die Installation ist unkompliziert. Mithilfe von pip (andere Methoden finden Sie auf der Seite matplotlib Installation für Details):

curl -O https://bootstrap.pypa.io/get-pip.py
python get-pip.py
pip install matplotlib

Grundlegende Plot -Beispiele

Wir werden matplotlib.pyplot verwenden und eine matlab-ähnliche Schnittstelle anbieten.

1. Zeilendiagramm

Überlegen Sie die Punkte: x = (4, 8, 13, 17, 20), y = (54, 67, 98, 78, 45).

import matplotlib.pyplot as plt
plt.plot([4, 8, 13, 17, 20], [54, 67, 98, 78, 45], 'g--d') # Green dashed line with diamond markers
plt.show()

Lassen Sie uns den durchschnittlichen Niederschlag von New York City visualisieren:

month = ["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep", "Oct", "Nov", "Dec"]
rainfall = [83, 81, 97, 104, 107, 91, 102, 102, 102, 79, 102, 91]
plt.plot(month, rainfall)
plt.xlabel("Month")
plt.ylabel("Rainfall (mm)")
plt.title("Average Rainfall in New York City")
plt.show()

2. Streudiagramm

Um die Beziehung zwischen zwei Datensätzen zu veranschaulichen:

x = [2, 4, 6, 7, 9, 13, 19, 26, 29, 31, 36, 40, 48, 51, 57, 67, 69, 71, 78, 88]
y = [54, 72, 43, 2, 8, 98, 109, 5, 35, 28, 48, 83, 94, 84, 73, 11, 464, 75, 200, 54]
plt.xlabel('x-axis')
plt.ylabel('y-axis')
plt.title('Scatter Plot')
plt.grid(True)
plt.scatter(x, y, c='green')
plt.show()

3. Histogramm

Histogramme visualisieren Sie die Datenfrequenzverteilung:

x = [2, 4, 6, 5, 42, 543, 5, 3, 73, 64, 42, 97, 63, 76, 63, 8, 73, 97, 23, 45, 56, 89, 45, 3, 23, 2, 5, 78, 23, 56, 67, 78, 8, 3, 78, 34, 67, 23, 324, 234, 43, 544, 54, 33, 223, 443, 444, 234, 76, 432, 233, 23, 232, 243, 222, 221, 254, 222, 276, 300, 353, 354, 387, 364, 309]
num_bins = 6
n, bins, patches = plt.hist(x, num_bins, facecolor='green')
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.title('Histogram')
plt.show()

Schlussfolgerung

matplotlib befähigt die Forscher, visuell ansprechende und publikationsbereite Diagramme effizient zu erstellen. Die Benutzerfreundlichkeit und umfangreiche Anpassungsoptionen machen es zu einem wertvollen Tool für die Datenvisualisierung. Untersuchen Sie die Dokumentation und Beispiele für weitere Funktionen matplotlib.

Das obige ist der detaillierte Inhalt vonEinführung in die Matplotlib -Bibliothek von Python. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!