Возможности Pyplot

1. Основы Pyplot

Создание простого графика

Теперь, когда Matplotlib у нас в руках, давайте разберемся с его основными частями. Pyplot — это небольшой, но очень полезный модуль в составе Matplotlib. Он позволяет быстро и просто создавать графики, приблизительно так же, как вы рисовали бы на канвасе.

import matplotlib.pyplot as plt

# Создаем простейший график
plt.plot([0, 1, 2, 3], [0, 1, 4, 9])
plt.show()

Вот вы и создали свой первый график! Он не выиграет ни одной премии за красоту, но, поверьте, это только начало.

Улучшаем график

Создание графика в pyplot включает несколько основных шагов:

1. Подготовка данных для графика.
2. Выбор типа графика (например, plot() для линейного графика).
3. Настройка графика (метки, заголовок и легенда).
4. Отображение графика с помощью функции show().

Давайте попробуем улучшить наш первый график...

Линейный график

import matplotlib.pyplot as plt

# Данные для графика
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

# Построение линейного графика
plt.plot(x, y)

# Настройка меток осей и заголовка
plt.xlabel("X")
plt.ylabel("Y")
plt.title("Пример линейного графика")

# Отображение графика
plt.show()

Этот код создаёт линейный график, отображающий значения y по оси Y в зависимости от значений x по оси X. Функции xlabel(), ylabel() и title() добавляют метки и заголовок к графику.

2. Основные типы графиков в Pyplot

1. Линейный график plot()

Линейные графики часто используются для отображения данных во времени или для анализа трендов.

x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

plt.plot(x, y, marker="o", color="b", linestyle="--")
plt.xlabel("Время")
plt.ylabel("Значение")
plt.title("Линейный график")
plt.show()

Здесь мы используем параметры marker, color и linestyle для настройки внешнего вида графика.

2. Гистограмма hist()

Гистограммы полезны для отображения распределения данных и анализа частоты появления значений.

data = [1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5]

plt.hist(data, bins=5, color="skyblue", edgecolor="black")
plt.xlabel("Значение")
plt.ylabel("Частота")
plt.title("Гистограмма")
plt.show()

Здесь параметр bins определяет количество столбцов гистограммы, а edgecolor добавляет обводку к каждому столбцу.

3. Круговая диаграмма pie()

Круговые диаграммы отображают доли категорий в общей массе данных.

labels = ["Кошки", "Собаки", "Птицы"]
sizes = [40, 35, 25]

plt.pie(sizes, labels=labels, autopct="%1.1f%%", startangle=90)
plt.title("Круговая диаграмма")
plt.show()

Здесь autopct отображает процентное значение для каждой категории, а startangle поворачивает диаграмму.

4. Диаграмма рассеяния scatter()

Диаграммы рассеяния полезны для анализа зависимости между двумя переменными.

x = [1, 2, 3, 4, 5]
y = [5, 7, 8, 5, 6]

plt.scatter(x, y, color="red")
plt.xlabel("X")
plt.ylabel("Y")
plt.title("Диаграмма рассеяния")
plt.show()

Диаграмма рассеяния подходит для поиска корреляций между значениями по осям X и Y.

5. Столбчатая диаграмма bar()

Столбчатые диаграммы полезны для сравнения значений между категориями.

categories = ["A", "B", "C", "D"]
values = [10, 15, 7, 20]

plt.bar(categories, values, color="lightblue")
plt.xlabel("Категории")
plt.ylabel("Значения")
plt.title("Столбчатая диаграмма")
plt.show()

Здесь categories и values представляют метки категорий и соответствующие значения для построения столбцов.

Теперь вы ознакомились с основами установки и настройки Matplotlib, и полностью готовы к созданию первых графиков. Но это только начало нашего путешествия. В следующих лекциях мы будем углубляться в создание различных типов графиков и их настройку. В конце концов, вы сможете создавать произведения искусства, которые не только красивы, но и информативны.

Не забывайте, что визуализация данных — это не только про графики, но и про рассказ историй, и Matplotlib станет вашим рассказчиком. До скорой встречи на следующей лекции, где мы усовершенствуем ваши навыки и откроем новые горизонты в мире графиков!