Cred ca abilitatea de a crea vizualizari curate (si corecte, of course) este un skill extrem de important. Hai sa vedem cum ne putem descurca cu python si minunatele sale librarii.

Matplotlib este instrumentul de baza

>>> import matplotlib.pyplot as plt

Folosirea alias-ului “plt” este oarecum obligatorie daca vreti sa inteleaga codul si altii.

>>> plt.plot([1,2,3,4],[1,5,7,15])
>>> plt.show()

Rezultatul arata cam asa:

Eo linie urata, de acord! 🙂 Nu prea ai ce-i face, in afara de grosime, culoare si alte de-astea, aka cazuri in care se folosesc argumentele functiei plot:

>>> plt.plot([1,2,3,4],[1,5,7,15], linewidth = 5.0)
>>> plt.show()

… Sau linie punctata…

Ma rog, pentru alte variante va recomand http://matplotlib.org/api/lines_api. html.

Ca sa plotati mai multe figuri deodata, se foloseste “subplot”, cam asa:

>> import numpy as np # o librarie obligatorie
>>> a = np.arange(0.0, 30.0, 0.1) # de la 0 la 30 cu pasul 0,1
>>> plt.subplot(211)
>>> plt.plot(a, np.sin(a) / a, ‘b–‘) # sin a / a cu blue
>>> plt.subplot(212)
>>> plt.plot(a, np.cos(a), ‘r–‘) # cos a cu red
>>> plt.show()

Mai intotdeauna este necesar sa se insereze text direct pe grafic. Asta se face cam asa:

>> a = np.random.random_sample((5,))
>>> plt.bar(np.arange(len(a)), a)

>>> plt.xlabel(‘indici’)
Text(0.5,23.5222,’indici’)
>>> plt.ylabel(‘valori’)
Text(31.0972,0.5,’valori’)
>>> plt.text(1, .7, r’$\mu=’ + str(np.round(np.mean(a), 2)) + ‘ $’)
Text(1,0.7,’$\\mu=0.29 $’)

>>> plt.show()

Cateodata este util un pointer

>>> ax = plt.subplot(111)
>>> t = np.arange(0.0, 5.0, 0.01)
>>> s = np.cos(2*np.pi*t)
>>> line, = plt.plot(t, s, lw=2)
>>> plt.annotate(‘local max’, xy=(2, 1), xytext=(3, 1.5),
… arrowprops=dict(facecolor=’black’, shrink=0.05),
… )
Text(3,1.5,’local max’)
>>> plt.ylim(-2,2)
(-2, 2)
>>> plt.show()

Mie, personal, imi plac ploturile astea, simple si clare. Daca vrei sa fii fancy, poti face tot felul de traznai, cum ar fi:

>>> with plt.style.context((‘dark_background’)):
… plt.plot([1, 2, 3, 4], [1, 4, 9, 16])

[]
>>> plt.show()

Box plot-ul, este folosit atunci cand vrei sa scoti in evidenta valorile medii, maximele si minimele, valorile outllier etc…

>>> np.random.seed(10)
>>> box_data_1 = np.random.normal(100, 10, 200)
>>> box_data_2 = np.random.normal(80, 30, 200)
>>> box_data_3 = np.random.normal(90, 20, 200)
>>> data_to_plot = [box_data_1, box_data_2, box_data_3]
>>> bp = plt.boxplot(data_to_plot)
>>> plt.show()

Sa faci un heatmap, adica sa inlocuiesti valorile cu culori, este intotdeauna util pentru a scoate in evidenta distributiile dataset-ului. Cam asa:

>>> x = np.random.randn(16543)
>>> y = np.random.randn(16543) # valori random
>>> heatmap, xedges, yedges = np.histogram2d(x, y, bins=50)
>>> extent = [xedges[0], xedges[-1], yedges[0], yedges[-1]]
>>> plt.imshow(heatmap, extent=extent)

>>> plt.show()

O sa continui cu vizualizarile, ca sunt multe de spus, numai sa scap de raceala asta…

http://musetoiu.ro/wp-content/uploads/2019/03/8.pnghttp://musetoiu.ro/wp-content/uploads/2019/03/8-150x150.pngdan musetoiuMLdata visualisation,matplotlib,python
Cred ca abilitatea de a crea vizualizari curate (si corecte, of course) este un skill extrem de important. Hai sa vedem cum ne putem descurca cu python si minunatele sale librarii. Matplotlib este instrumentul de baza >>> import matplotlib.pyplot as plt Folosirea alias-ului 'plt' este oarecum obligatorie daca vreti sa inteleaga codul...