Можливості Pyplot

1. Основи Pyplot

Створення простого графіка

Тепер, коли Matplotlib у нас в руках, давайте розберемося з його основними частинами. Pyplot — це невеликий, але дуже корисний модуль у складі Matplotlib. Він дозволяє швидко і просто створювати графіки, приблизно так само, як ви малювали б на полотні.

import matplotlib.pyplot as plt

# Створюємо найпростіший графік
plt.plot([0, 1, 2, 3], [0, 1, 4, 9])
plt.show()

Ось ви і створили свій перший графік! Він не виграє жодної премії за красу, але, повірте, це лише початок.

Покращуємо графік

Створення графіка в pyplot включає кілька основних кроків:

1. Підготовка даних для графіка.
2. Вибір типу графіка (наприклад, plot() для лінійного графіка).
3. Налаштування графіка (мітки, заголовок та легенда).
4. Відображення графіка за допомогою функції show().

Давайте спробуємо покращити наш перший графік...

Лінійний графік

import matplotlib.pyplot as plt

# Дані для графіка
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

# Побудова лінійного графіка
plt.plot(x, y)

# Налаштування міток осей та заголовка
plt.xlabel("X")
plt.ylabel("Y")
plt.title("Приклад лінійного графіка")

# Відображення графіка
plt.show()

Цей код створює лінійний графік, який відображає значення y по осі Y залежно від значень x по осі X. Функції xlabel(), ylabel() і title() додають мітки та заголовок до графіка.

2. Основні типи графіків у Pyplot

1. Лінійний графік plot()

Лінійні графіки часто використовуються для відображення даних у часі або для аналізу трендів.

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

plt.plot(x, y, marker="o", color="b", linestyle="--")
plt.xlabel("Час")
plt.ylabel("Значення")
plt.title("Лінійний графік")
plt.show()

Тут ми використовуємо параметри marker, color і linestyle для налаштування зовнішнього вигляду графіка.

2. Гістограма hist()

Гістограми корисні для відображення розподілу даних та аналізу частоти появи значень.

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

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

Тут параметр bins визначає кількість стовпців гістограми, а edgecolor додає обводку до кожного стовпця.

3. Кругова діаграма pie()

Кругові діаграми відображають частки категорій в загальній масі даних.

labels = ["Коти", "Собаки", "Птахи"]
sizes = [40, 35, 25]

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

Тут autopct відображає процентне значення для кожної категорії, а startangle обертає діаграму.

4. Діаграма розсіювання scatter()

Діаграми розсіювання корисні для аналізу залежності між двома змінними.

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("Діаграма розсіювання")
plt.show()

Діаграма розсіювання підходить для пошуку кореляцій між значеннями по осях X і Y.

5. Стовпчаста діаграма bar()

Стовпчасті діаграми корисні для порівняння значень між категоріями.

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

plt.bar(categories, values, color="lightblue")
plt.xlabel("Категорії")
plt.ylabel("Значення")
plt.title("Стовпчаста діаграма")
plt.show()

Тут categories і values представляють мітки категорій і відповідні значення для побудови стовпців.

Тепер ви ознайомилися з основами встановлення і налаштування Matplotlib і цілком готові до створення перших графіків. Але це лише початок нашої подорожі. У наступних лекціях ми будемо заглиблюватися в створення різноманітних типів графіків та їх налаштування. Зрештою, ви зможете створювати витвори мистецтва, які не лише красиві, але й інформативні.

Не забувайте, що візуалізація даних — це не лише про графіки, але й про розповіді, і Matplotlib стане вашим оповідачем. До зустрічі на наступній лекції, де ми удосконалимо ваші навички і відкриємо нові горизонти в світі графіків!