Mémo Matplotlib

Comme note d'apprentissage, j'ai compilé le code qui peut être utilisé pour la visualisation autour de Matplotlib pour ma propre référence au lieu d'une feuille de triche.

Résumé du code de base

#Importer matplotlib comme plt
import matplotlib.pyplot as plt

#Créez un graphique en lignes brisées avec la liste x sur l'axe horizontal et y sur l'axe vertical
plt.plot(x, y)

#Créez un diagramme de dispersion avec la liste x sur l'axe horizontal et y sur l'axe vertical(La taille du tracé est proportionnelle à la taille, la couleur est col, la transparence est 0.8)
plt.scatter(x, y, s = size, c = col, alpha = 0.8))

#Créer un histogramme des données dans la liste des valeurs dans n bacs
plt.hist(values, bins = n)

#Titre sur le graphique(TITLE)Mettez
plt.title('TITLE')

#Libellé XXX sur l'axe horizontal et yyy sur l'axe vertical
plt.xlabel('xxx')
plt.ylabel('yyy')

#Spécifiez l'axe vertical(Exemple.De 0 à 10 par incréments de 2)
plt.yticks([0,2,4,6,8,10])
#Spécifiez l'axe vertical(Exemple.Personnalisez la notation en 2 incréments de 0 à 10)
plt.yticks([0,2,4,6,8,10],['0','20 000','40 000','60 000','80 000','Cent mille'])

#Ajouter du texte à un tracé particulier(Exemple.Pour les parcelles avec 10 sur l'axe horizontal et 52 sur l'axe vertical'text'Ajouter du texte)
plt.text(10, 52, 'text')

#Afficher les lignes de la grille
plt.grid(True)

#Dessinez la figure créée
plt.show()

#Réglez l'axe horizontal sur l'affichage logarithmique
plt.xscale('log')

Exemple de tracé réel

Graphique de la production totale et de la population de chaque préfecture

#Lire les données
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]
#Dessin graphique
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])
#Nommer des parcelles
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()

Exposition: https://www.esri.cao.go.jp/jp/sna/data/data_list/kenmin/files/contents/main_h28.html (Cabinet Office / Prefectural Economic Calculation)