Cette fois, j'ai étudié matplotlib, donc je vais le sortir.
Une bibliothèque externe qui visualise les données. Comme numpy et pandas, il n'est pas inclus dans Python au début, mais il est installé dans Anacondan depuis le début.
Vous pouvez trouver rapidement les valeurs aberrantes.
Par exemple, disons que vous avez des statistiques sur le prix des bonbons. Ce serait étrange s'il y avait des données sur les bonbons pour 10 000 yens chacun parmi les bonbons pour environ 100 yens chacun, non? Il est très difficile de trouver instantanément les données étranges, mais vous pouvez les trouver instantanément en visualisant les données avec un graphique ou autre.
N'y a-t-il qu'un seul point étrange ici? (Des rires)
test.ipynb
#Importer matplotlib
import matplotlib.pyplot as plt
%matplotlib inline
Faisons ce qui précède. Utilisez% matplotlib inline uniquement lorsque vous l'utilisez avec Jupyter Notebook. Cette fois, seule la fonction pyplot est utilisée, donc seul pyplot est importé.
test.ipynb
#Réglage de la taille du graphique(4×4)
plt.figure(figsize=(4,4))
#Créer un graphique
plt.plot([1,2,3,4,5],[6,7,8,9,10],label='test')
#nom de l'axe des x
plt.xlabel('axe x')
#nom de l'axe y
plt.ylabel('axe y')
#Titre du graphique
plt.title('Titre')
#Refléter la légende ci-dessus dans le graphique
plt.legend()
#Afficher le graphique
plt.show()
La fonction de base est ci-dessus. Même si vous ne décrivez pas plt.show (), le graphique sera affiché, alors n'hésitez pas à l'utiliser.
Si vous voulez décrire le graphique du carré de x, ...
test.ipynb
import numpy as np
#1~Remplacez x par un tableau de 10
x = np.arange(0,11,1)
#Définissez la valeur de y sur le carré de x
y = x ** 2
plt.plot(x,y,label='y = x^2')
#nom de l'axe des x
plt.xlabel('axe x')
#nom de l'axe y
plt.ylabel('axe y')
#Titre du graphique
plt.title('y = x^2')
#Refléter la légende ci-dessus dans le graphique
plt.legend()
#Afficher le graphique
plt.show()
Vous pouvez le faire avec ça.
Ensuite, nous décrirons comment afficher plusieurs graphiques.
test.ipynb
#Créez un graphique d'une taille totale de 8 x 8 sur 2 lignes et 2 colonnes
fig,ax = plt.subplots(2,2,figsize=(8,8))
#x,y,Définir la plage z
x = np.arange(0,11,1)
y = x ** 2
z = x ** 3
#Créer un graphique
ax[0,0].plot(x,x,label='x = x',color='red')
ax[0,1].plot(x,y,label='y = x^2'),color='green')
ax[1,0].plot(x,z,label='z = x^3'),color='blue')
#Paramètres du graphique
for i in range(2):
for j in range(2):
ax[i,j].set_xlabel('axe x')
ax[i,j].set_ylabel('axe y')
ax[i,j].legend()
plt.tight_layout()
Créez un graphique de 8 tailles verticalement et horizontalement dans toute la taille de la fig. Quatre graphiques de deux tailles, vertical et horizontal, y sont créés.
La fonction tight_layout est une fonction qui empêche les graphiques de se chevaucher.
Jusqu'à présent, seuls les graphiques à barres étaient disponibles, mais vous pouvez bien sûr créer d'autres graphiques également.
test.ipynb
#diagramme circulaire
plt.pie()
#histogramme
plt.hist()
#Nuage de points
plt.scatter()
Bien que les arguments soient omis, le graphique circulaire et l'histogramme montrent le rapport et la transition de chaque donnée. Le nuage de points est utilisé pour vérifier les données d'ensemble, donc si vous êtes intéressé, veuillez le vérifier!
Machine learning J'ai été ici jusqu'à présent, mais c'est amusant! Je n'ai pas parlé une langue qui puisse faire diverses choses comme celle-ci, donc c'est bien de pouvoir faire beaucoup de choses. Je le publierai dans la sortie demain et au-delà, mais ne le manquez pas ...
c'est tout
Recommended Posts