[Introduction à Data Scientist] Bases du calcul scientifique, du traitement des données et comment utiliser la bibliothèque de dessin de graphes ♬ Bases de Matplotlib

Hier soir, [Introduction aux scientifiques des données] j'ai résumé les bases de Pandas comme base du calcul scientifique, du traitement des données et comment utiliser la bibliothèque de dessin de graphes, mais ce soir, je résumerai les bases de Matplotlib de la bibliothèque de dessins de graphiques. Je compléterai les explications de ce livre. 【Mise en garde】 Après avoir lu le "Cours de formation de Data Scientist à l'Université de Tokyo", je voudrais résumer les points sur lesquels j'ai des doutes ou que je trouve utiles. Par conséquent, je pense que le synopsis sera simple, mais veuillez le lire en pensant que le contenu n'a rien à voir avec ce livre.

Chapitre 2-5 Bases de Matplotlib

2-5-1 Préparation à l'utilisation de Matplotlib

La plupart du temps, j'utilise plt sur la troisième ligne. Puisqu'il est utilisé ci-dessous, numpy est également décrit.

import matplotlb as mlp
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

2-5-2 Diagramme de dispersion

Donnez x, y et dessinez un diagramme de dispersion
np.random.seed(0)
x = np.random.randn(30)
y = np.sin(x) + np.random.randn(30)
plt.figure(figsize=(20,6))
plt.plot(x,y, 'o')  #alphabet o
#plt.scatter(x,y)
plt.title('Title name')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True)
plt.show()

Figure_3.png

Faire de x un nombre continu comme les données de séries chronologiques

Augmentation du nombre de données de 10 fois La composante aléatoire a été réduite de moitié afin que la courbe sin de la fluctuation de l'axe y soit visible. Ce qui suit relie les points o de la parcelle à une ligne d'arrêt.

np.random.seed(0)
x = np.arange(30)
y = np.sin(x) + 0.5*np.random.randn(30) #Effet aléatoire réduit de moitié
plt.figure(figsize=(20,6))
plt.plot(x,y, label = 'Label') #'o'Connectez-vous avec une gomme
plt.legend()

plt.title('Title name')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True)
plt.show()

Figure_4sin30.png Quittez l'intrigue o. Modifiez l'argument de plt.plot comme suit.

La désignation Remarques
color='red' Désignation de la couleur: bleu, green, black, yellow, pink,...
lw=1 Largeur de ligne,1,2,3,...,10,..
linestyle='-' ligne:'--', '-', '--', '-.', ':', 'None', ' ', '', 'solid', 'dashed', 'dashdot', 'dotted',..
marker='o' Forme de tracé:'.', ...

matplotlib: Specifying Colors; Tableau de comparaison de l'apparence réelle des couleurs matplotlib.markers symbole de tracé et tableau de comparaison des marqueurs réels plt.plot(x,y,color='red', lw=1, linestyle='-',marker='o', label = 'Label') Figure_4sin30o-.png

Augmentez le nombre de données à 300 et ajustez le dessin à 5 cycles
np.random.seed(0)
x = np.arange(300)
y = np.sin(np.pi*x/30) + 0.5*np.random.randn(300)
plt.figure(figsize=(20,6))
plt.plot(x,y,color='blue', lw=1, linestyle='-',marker='o', label = 'Label') #linestyle='--' 'red'
plt.legend()

plt.title('Title name')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True)
plt.show()

Figure_4sin300o-.png

Dessinez une marche aléatoire au fil du temps
np.random.seed(0)
x = np.arange(300)
y = np.random.randn(300).cumsum() #Changer ici en somme cumulée cum
plt.figure(figsize=(20,6))
plt.plot(x,y,color='blue', lw=1, linestyle='-',marker='o', label = 'Label')
plt.legend()

plt.title('Title name')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True)
plt.show()

Figure_4cumsum300o-.png

X = np.arange (300) ou x = np.linspace (0,299,300) ou x = np.arange (0., 300., 1.) (Supplément)

C'est une histoire boueuse, mais je vais la compléter. Le résultat est le suivant.

x = np.arange(300)
print(type(x),len(x),type(x[0]),x)
#<class 'numpy.ndarray'> 300 <class 'numpy.int32'> [  0   1   2...299]
x = np.linspace(0,299,300)
print(type(x),len(x),x)
#<class 'numpy.ndarray'> 300 <class 'numpy.float64'> [  0.   1.   2. ...299.]
x = np.arange(0,300,1)
print(type(x),len(x),type(x[0]),x)
#<class 'numpy.ndarray'> 300 <class 'numpy.int32'> [  0   1   2 ...299]
x = np.arange(0.,300.,1.)
print(type(x),len(x),type(x[0]),x)
#<class 'numpy.ndarray'> 300 <class 'numpy.float64'> [  0.   1.   2. ...299.]

2-5-3 Division du graphique (ci-après, les étiquettes des axes, etc. sont brisées)

plt.figure(figsize=(20,6))

plt.subplot(2,1,1)
x = np.linspace(-10,10,100)
plt.plot(x,np.sin(x))

plt.subplot(2,1,2)
y = np.linspace(-10,10,100)
plt.plot(y,np.sin(2*y))

plt.grid(True)
plt.show()

Figure_5.png En 4 quadrants, il peut être dessiné comme suit.

plt.figure(figsize=(20,6))
x = np.linspace(-10,10,100)
plt.subplot(2,2,1)
plt.plot(x,np.sin(x))
plt.subplot(2,2,2)
plt.plot(x,np.sin(2*x))
plt.subplot(2,2,3)
plt.plot(x,np.sin(3*x))
plt.subplot(2,2,4)
plt.plot(x,np.sin(4*x))
plt.grid(True)
plt.show()

Figure_6multi4.png Il peut également être dessiné comme suit.

plt.figure(figsize=(20,6))
x = np.linspace(-10,10,100)
for n in range(1,5,1):
    plt.subplot(2,2,n)
    plt.plot(x,np.sin(n*x))
plt.grid(True)
plt.show()

Habituellement, il est dessiné comme suit. Le contenu du graphique est difficile, mais je pense que l'apparence est facile à comprendre.

import numpy as np
import matplotlib.pyplot as plt

# Data for plotting
t = np.arange(0.01, 20.0, 0.01)

# Create figure
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(8,6))

# log y axis
ax1.semilogy(t, np.exp(-t / 5.0))
ax1.set(title='semilogy')
ax1.grid()

# log x axis
ax2.semilogx(t, np.sin(2 * np.pi * t))
ax2.set(title='semilogx')
ax2.grid()

# log x and y axis
ax3.loglog(t, 20 * np.exp(-t / 10.0), basex=2)
ax3.set(title='loglog base 2 on x')
ax3.grid()

# With errorbars: clip non-positive values
# Use new data for plotting
x = 10.0**np.linspace(0.0, 2.0, 20)
y = x**2.0

ax4.set_xscale("log", nonposx='clip')
ax4.set_yscale("log", nonposy='clip')
ax4.set(title='Errorbars go negative')
ax4.errorbar(x, y, xerr=0.1 * x, yerr=5.0 + 0.75 * y)
# ylim must be set after errorbar to allow errorbar to autoscale limits
ax4.set_ylim(bottom=0.1)

fig.tight_layout()
plt.show()

Figure_7multi4_.png

2-5-4 Dessiner un graphe de fonctions

Affichez le graphique de la fonction suivante utilisée dans la méthode Newton. De plus, tracez la solution obtenue par la méthode de Newton.

f(x) = x^2 + 2x + 1
def my_function(x):
    return x**2 + 2 * x + 1

from scipy.optimize import newton
x0 = newton(my_function,0)

x = np.arange(-10,10)
plt.figure(figsize = (8, 6))
plt.plot(x, my_function(x))
plt.plot(x0, 0, 'red', marker = 'o',markersize=20)
plt.plot(x0, 0, 'black', marker = 'o',markersize=5)
plt.grid(True)
plt.show()

Figure_8fx.png J'ai également essayé la fonction suivante.

def my_function(x):
    return x**3 + 2 * x + 1

Cela semble instable, mais une solution est recherchée. Figure_8fx2.png Ici, le tracé des marqueurs est conçu, Référence du marqueur a une description des attributs du marqueur, et l'exemple suivant a été utilisé comme référence.

marker_style = dict(linestyle=':', color='0.8', markersize=10,
                    markerfacecolor="tab:blue", markeredgecolor="tab:blue")

Histogramme 2-5-5

np.random.seed(0)
plt.figure(figsize = (8,6))
y = np.random.randn(10**5)*10 + 50
plt.hist(y, bins = 60, range =(20,80))
plt.grid(True)
plt.show()

Figure_9hist.png

Exercice 2-11

x = np.arange(-10,10,0.1)
plt.figure(figsize = (8, 6))
plt.plot(x, np.sin(x), 'red', marker = 'o', linestyle = '-', label = 'sin')
plt.plot(x, np.cos(x), 'blue', marker = 'o', linestyle = '--', label = 'cos')
plt.legend()
plt.grid(True)
plt.show()
plt.close()

Figure_10sincos.png

Exercice 2-12

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8,6))
np.random.seed(0)
y1 = np.random.uniform(0.0,1.0,100000)
ax1.hist(y1, bins = 100, range =(0.0,1.0))
ax1.set_ylabel('y100000')
y2 = np.random.uniform(0.0,1.0,10000)
ax2.hist(y2, bins = 100, range =(0.0,1.0))
ax2.set_ylabel('y10000')
plt.grid(True)
plt.show()

Figure_11-10000.png

Problème global

-Utilisez deux ensembles de 0-1 nombres aléatoires uniformes pour trouver le rapport de circonférence à partir de la fréquence d'entrée des cercles et des carrés. · Graphique

>python pipi.py
pipi= 3.6 9 10
pipi= 3.4 17 20
pipi= 3.466666666666667 26 30
pipi= 3.3 33 40
pipi= 3.44 43 50
pipi= 3.3333333333333335 50 60
pipi= 3.3714285714285714 59 70
pipi= 3.35 67 80
pipi= 3.422222222222222 77 90
pipi= 3.4 85 100
pipi= 3.3 165 200
pipi= 3.26 326 400
pipi= 3.1266666666666665 469 600
pipi= 3.12 624 800
pipi= 3.104 776 1000
pipi= 3.024 1512 2000
pipi= 3.036 2277 3000
pipi= 3.054 3054 4000
pipi= 3.0712 3839 5000
pipi= 3.082666666666667 4624 6000
pipi= 3.0908571428571427 5409 7000
pipi= 3.0985 6197 8000
pipi= 3.104 6984 9000
pipi= 3.1068 7767 10000
pipi= 3.1224 15612 20000
pipi= 3.126 23445 30000
pipi= 3.1283 31283 40000
pipi= 3.13176 39147 50000
pipi= 3.138 47070 60000
pipi= 3.1370857142857145 54899 70000
pipi= 3.13575 62715 80000
pipi= 3.1347555555555555 70532 90000
pipi= 3.13364 78341 100000

Tout au plus, le nombre de nombres valides est de 4 chiffres jusqu'au 3ème chiffre, et il y a une erreur dans ce chiffre.

import numpy as np
import matplotlib.pyplot as plt

fig, (ax1,ax2) = plt.subplots(2, 1, figsize=(8,16))
np.random.seed(0)
s = 10000
x = np.random.uniform(0.0,1.0,s)
y = np.random.uniform(0.0,1.0,s)
x1 = np.arange(0,np.pi/2,0.01)
y1 = np.sin(x1)
y2 = np.cos(x1)
ax1.plot(y1,y2, lw = 3)
plt.grid(True)
count = 0
s1 = 0
for i in range(s):
    s1 += 1
    #print(i)
    if np.math.hypot(x[i],y[i]) <= 1:
        count += 1
        ax1.plot(x[i],y[i], color = 'green',marker = 'o', markersize = 3)
    else:
        ax1.plot(x[i],y[i], color = 'red', marker = 'o', markersize = 3)
    rate = count/s1
    ax2.plot(s1,4*rate,color = 'blue', marker = 'o',linestyle = '-', markersize = 3)
    #plt.pause(0.1)
    if i%500==499:
        print('pipi=',4*rate,count,s1)
        plt.savefig("./fig/pipi{}.png ".format(i))
#La sortie a été modifiée mais omise

Bien qu'il soit loin de la convergence, il produit jusqu'à 100 000 données. Vous pouvez voir l'atmosphère se rapprocher progressivement de 3,1415 ... montecarlot.gif

Résumé

・ Organisé les bases de l'utilisation de Matplotlib ・ La division graphique est un résumé de celles générales ・ Plt.savefig a été utilisé pour des problèmes généraux ・ Calculez π par la méthode de Monte Carlo et visualisez-le dans un graphique

・ Ce livre sera utilisé partout dans le futur.

prime

Je pense qu'il est préférable de voir des exemples aussi spécifiques que possible, je vais donc créer un lien ci-dessous. Matplotlib Gallery Le Tutrial suivant est un exemple simple et explique en fonction du niveau de difficulté. Matplotlib Tutorials

Recommended Posts

[Introduction à Data Scientist] Bases du calcul scientifique, du traitement des données et comment utiliser la bibliothèque de dessin de graphes ♬ Bases de Matplotlib
[Introduction à Data Scientist] Bases du calcul scientifique, du traitement des données et comment utiliser la bibliothèque de dessins graphiques graph Bases de Scipy
[Introduction à Data Scientist] Bases du calcul scientifique, du traitement des données et comment utiliser la bibliothèque de dessins graphiques graph Bases de Pandas
[Introduction to Data Scientist] Bases du calcul scientifique, du traitement des données et comment utiliser la bibliothèque de dessins graphiques ♬ Construction d'environnement
[Introduction au Data Scientist] Bases de Python ♬
[Introduction to Data Scientists] Bases de Python ♬ Branchements conditionnels et boucles
[Introduction aux Data Scientists] Bases de Python ♬ Fonctions et fonctions anonymes, etc.
Comment utiliser la bibliothèque de dessins graphiques Bokeh
[Introduction aux data scientists] Bases de la probabilité et des statistiques ♬ Variable de probabilité / probabilité et distribution de probabilité
[python] Comment utiliser Matplotlib, une bibliothèque pour dessiner des graphiques
Introduction de DataLiner ver.1.3 et comment utiliser Union Append
Jupyter Notebook Principes d'utilisation
Bases de PyTorch (1) -Comment utiliser Tensor-
Introduction du cadre de cybersécurité "MITRE CALDERA": utilisation et formation
Utiliser des décorateurs pour empêcher la ré-exécution du traitement des données
Comment utiliser la bibliothèque de traitement d'image basée sur PyTorch "Kornia"
[Introduction à Python] Comment utiliser l'instruction while (traitement répétitif)
J'ai essayé de résumer comment utiliser matplotlib de python
[Introduction à Azure pour les utilisateurs de kaggle] Comparaison du démarrage et de l'utilisation de la machine virtuelle Azure Notebooks et Azure Notebooks
Comment utiliser Python Kivy ① ~ Bases du langage Kv ~
Comment utiliser Matplotlib
[Introduction à Python] Utilisation basique de la bibliothèque matplotlib
[Dessin graphique] J'ai essayé d'écrire un graphique à barres multi-séries avec matplotlib et seaborn
[Introduction aux Data Scientists] Statistiques descriptives et analyse de régression simple ♬
[Introduction à l'application Udemy Python3 +] 36. Utilisation de In et Not
[Python] Résumé de l'utilisation des fonctions de fractionnement et de jointure
Comment ajouter de nouvelles données (lignes droites et tracés) à l'aide de matplotlib
Comparaison de l'utilisation des fonctions d'ordre supérieur dans Python 2 et 3
[Introduction à Scipy] Calcul de la courbe de Lorenz et du coefficient de Gini ♬
[Introduction] Comment utiliser open3d
Comment extraire des fonctionnalités de données de séries chronologiques avec les bases de PySpark
traitement pour utiliser les données notMNIST en Python (et essayé de les classer)
[Introduction à cx_Oracle] (Partie 2) Principes de base de la connexion et de la déconnexion à Oracle Database
[Introduction à Python] Comment utiliser l'opérateur booléen (et ・ ou ・ non)
Résumé de l'utilisation de pandas.DataFrame.loc
Comment installer et utiliser Tesseract-OCR
Comment utiliser les requêtes (bibliothèque Python)
Résumé de l'utilisation de pyenv-virtualenv
Comment utiliser .bash_profile et .bashrc
Comment installer et utiliser Graphviz
Résumé de l'utilisation de csvkit
De l'introduction de l'API GoogleCloudPlatform Natural Language à son utilisation
[Python] Comment spécifier la position d'affichage de la fenêtre et la taille de matplotlib
[Python] Résumé de l'utilisation des pandas
[Introduction à Python] Comment utiliser la classe en Python?
Comment installer et utiliser pandas_datareader [Python]
Comment calculer Utiliser% de la commande df
python: Comment utiliser les locals () et globals ()
Séparation de la conception et des données dans matplotlib
Comment utiliser "deque" pour les données Python
Comment utiliser le zip Python et énumérer
Résumé de l'utilisation de la liste Python
[Python2.7] Résumé de l'utilisation du sous-processus
Comment utiliser is et == en Python
Comment utiliser les pandas Timestamp et date_range
[Question] Comment utiliser plot_surface de python
[Python] De l'analyse morphologique des données CSV à la sortie CSV et à l'affichage graphique [GiNZA]
OpenGoddard Comment utiliser la bibliothèque 2-python pour un contrôle optimal non linéaire et la génération de trajectoires
[Calcul scientifique / technique par Python] Dessin d'animation de mouvement parabolique avec locus, matplotlib
Comment utiliser la bibliothèque OpenGoddard 3-python pour un contrôle optimal non linéaire et la génération de trajectoires