Великий специалист по данным — это не только хороший программист и прикладной математик, но и хороший рассказчик. Его/ее основная работа состоит в том, чтобы извлекать знания и идеи из огромного количества явно бессмысленных данных. Лучший способ объяснить и получить представление — это визуализация.
Визуализация данных для науки о данных и искусственного интеллекта — это то же, что геометрия для математики. Это отличный способ для новичков осознать мощь науки о данных и программирования на Python в целом.
В этом уроке мы научимся рисовать некоторые из наиболее широко используемых графиков, используя библиотеку matplot в python, и рассмотрим значение основных функций, используемых в коде.
Прежде чем мы начнем, давайте рассмотрим некоторые предварительные условия, такие как функции numpy, которые используются в нашем коде:
np.random.seed() принимает целочисленный аргумент и использует его в качестве начального значения для генерации случайных чисел.
np.random.normal() : numpy.random.normal(loc=0.0, scale=1.0, size=None)
Нарисуйте случайные выборки из нормального (гауссовского) распределения.
Параметры loc : float или array_like чисел с плавающей запятой Среднее значение («центр») распределения.
scalefloat или array_like для чисел с плавающей запятой
Стандартное отклонение (разброс или «ширина») распределения. Должно быть неотрицательным.
sizeint или кортеж целых чисел, необязательно
Форма вывода. Если задана форма, например, (m, n, k), то берется m * n * k выборок. Если size равен None (по умолчанию), возвращается одно значение, если loc и scale являются скалярами. В противном случае отрисовываются образцы np.broadcast(loc, scale).size.
Возвращает
непрямой или скалярный
Нарисованные выборки из параметризованного нормального распределения.
np.linspace() numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
Возвращает равномерно распределенные числа за указанный интервал.
Возвращает число равноотстоящих выборок, рассчитанных по интервалу [начало, стоп].
Конечная точка интервала может быть дополнительно исключена.
Сначала мы собираемся импортировать необходимые библиотеки: (numpy и matplot lib)
Мы будем использовать pyplot, Text, Line2D, Axe3D, Rectangle и Polygon из соответствующих библиотек.
import numpy as np import matplotlib.pyplot as plt from matplotlib.text import Text from matplotlib.lines import Line2D from mpl_toolkits.mplot3d import Axes3D from matplotlib.patches import Rectangle, Polygon
Эта функция помогает в настройке параметра clip_path атрибута разброса plt(pyplot) , проще говоря, clip path позволяет указать конкретную область элемента для отображения.
plt.rcParams[‘figure.dpi’] = 100 #here we are setting the rc parameter def clip_path(ax): T1 = [(0,0),(0,1),(1,1)] T2 = [(0,0),(1,0),(1,1)] clip1 = Polygon(T1, closed=True, transform=ax.transAxes, edgecolor=’None’, facecolor=’None’) clip2 = Polygon(T2, closed=True, transform=ax.transAxes, edgecolor=’None’, facecolor=’None’) line = Line2D([0, 1], [0, 1], transform=ax.transAxes, linewidth=0.5, color=”black”, clip_on=False, zorder=50) ax.add_artist(line) return clip1, clip2
Теперь мы увидим разные типы сюжетов:
1) Точечная диаграмма. Точечная диаграмма представляет собой диаграмму, на которой каждое значение в наборе данных представлено точкой.
def scatter(ax): np.random.seed(123) n = 500 X = np.random.normal(0, 0.5, n) Y = np.random.normal(0, 0.5, n) S = 25 clip1, clip2 = clip_path(ax) ax.scatter(X, Y, S, clip_path=clip1, linewidth=0.75, facecolor=”None”, edgecolor=”.25") ax.scatter(X, Y, S, clip_path=clip1, linewidth=0.00, facecolor=”white”, edgecolor=”None”) ax.scatter(X, Y, S/2, clip_path=clip1, linewidth=0.00, facecolor=”black”, edgecolor=”None”, alpha=0.5) ax.scatter(X, Y, S, clip_path=clip2, linewidth=0.75, facecolor=”None”, edgecolor=”.25") ax.scatter(X, Y, S, clip_path=clip2, linewidth=0.00, facecolor=”white”, edgecolor=”None”) ax.scatter(X, Y, S/2, clip_path=clip2, linewidth=0.00, facecolor=”red”, edgecolor=”None”, alpha=0.5) ax.set_xlabel(“Scatter plot”) We have generated 500 random tuples (x,y) to serve as data for plotting, we are using the scatter()
Функция:
Axes.scatter(self, x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=<deprecated parameter>, edgecolors=None, *, plotnonfinite=False, data=None, **kwargs)
x, y :число с плавающей запятой или массив, форма (n, )
Позиции данных.
S :число с плавающей запятой или массив, форма (n, ), необязательно
Размер маркера в пунктах**2. По умолчанию rcParams[‘lines.markersize’] ** 2.
C :подобный массиву или список цветов или цвет, необязательно
2) Линейный график:
def lineplot(ax): ax.set_xlabel(“Line plot”) clip1, clip2 = clip_path(ax) X = np.linspace(-1,1,100) Y = 0.25*np.cos(1+np.pi*X) ax.plot(X, Y, color=”black”, linewidth=2, clip_path=clip1) ax.fill_between(X, Y+0.25, Y-0.25, clip_path=clip1, facecolor=”black”, edgecolor=”None”, alpha=0.15) X = np.linspace(-1,1,100) Y = 0.25*np.cos(1+np.pi*X) ax.plot(X, Y, color=”red”, linewidth=2, clip_path=clip2) ax.fill_between(X, Y+0.25, Y-0.25, clip_path=clip2, facecolor=”red”, edgecolor=”None”, alpha=0.15)
Линейная диаграмма, линейный график, линейный график или кривая диаграмма — это тип диаграммы, которая отображает информацию в виде серии точек данных, называемых «маркерами», соединенных отрезками прямой линии.
Linespace создает n равноотстоящих точек между двумя заданными числами
seaborn.lineplot(*, x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator=’mean’, ci=95, n_boot=1000, seed=None, sort=True, err_style=’band’, err_kws=None, legend=’auto’, ax=None, **kwargs)
3) график колчана: начертите двухмерное поле стрелок.
def quiverplot(ax): clip1, clip2 = clip_path(ax) n = 10 X,Y = np.mgrid[0:n, 0:n] X,Y = 2*X/(n-1)-1, 2*Y/(n-1)-1 T = np.arctan2(Y, X) U, V = np.cos(T), np.sin(T) ax.quiver(X, Y, 0.1*U, 0.1*V, scale=1, width=0.015, clip_path=clip1, edgecolor=’black’, facecolor=’.9', linewidth=.5) ax.quiver(X, Y, 0.1*U, 0.1*V, T-1, scale=1, width=0.015, clip_path=clip2, edgecolor=’black’, linewidth=.5, cmap=”hot”) ax.set_xlabel(“Quiver plot”)
колчан([X, Y], U, V, [C], **kw)
Где X, Y определяют расположение стрелок, U, V определяют направления стрелок, а C дополнительно устанавливает цвет.
matplotlib.pyplot.quiver(*args, data=None, **kw)
4) Контурный график:
Контурные графики (иногда называемые Уровнями Графиками) — это способ отображения трехмерной поверхности на двухмерной плоскости. Он отображает две переменные-предикторы X Y на оси Y и переменную отклика Z в виде контуров. Эти контуры иногда называют z-срезами или значениями изоответа.
def contourplot(ax): clip1, clip2 = clip_path(ax) def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2) n = 100 x = np.linspace(-3,3,n) y = np.linspace(-3,3,n) X,Y = np.meshgrid(x,y) Z = f(X,Y) CF = ax.contourf(Z, 10, extent=[-1,+1,-1,+1], alpha=.5, origin=”upper”, cmap=”gray”, zorder=-10) for collection in CF.collections: collection.set_clip_path(clip1) CS = ax.contour(Z, 10, extent=[-1,+1,-1,+1], colors=”black”, linewidths=.5, origin=”upper”) for collection in CS.collections: collection.set_clip_path(clip1) CF = ax.contourf(Z, 10, extent=[-1,+1,-1,+1], alpha=.75, origin=”upper”, cmap=”viridis”, zorder=-10) for collection in CF.collections: collection.set_clip_path(clip2) CS = ax.contour(Z, 10, extent=[-1,+1,-1,+1], colors=”white”, linewidths=.5, origin=”upper”) for collection in CS.collections: collection.set_clip_path(clip2)
5)Сюжет изображения:
def imageplot(ax): def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2) n = 32 x = np.linspace(-3,3,n) y = np.linspace(-3,3,n) X,Y = np.meshgrid(x,y) Z = f(X,Y) clip1, clip2 = clip_path(ax) ax.imshow(Z, extent=[-1,+1,-1,+1], origin=”upper”, zorder=50, cmap=”gray”, interpolation=”nearest”, clip_path=clip1) ax.imshow(Z, extent=[-1,+1,-1,+1], origin=”upper”, cmap=”hot”, interpolation=”bicubic”, clip_path=clip2) ax.set_xlabel(“Image plot”)
6) круговая диаграмма:
matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, data=None)
Постройте круговую диаграмму.
Создайте круговую диаграмму массива x. Дробная площадь каждого клина определяется как x/sum(x). Если sum(x) ‹ 1, то значения x напрямую дают дробную площадь, и массив не будет нормализован. В полученном круге будет пустой клин размера 1 - сумма(х).
Клинья строятся против часовой стрелки, по умолчанию начиная с оси x.
def pieplot(ax): clip1, clip2 = clip_path(ax) size = 0.3 vals = np.array([[60., 32.], [37., 40.], [29., 10.]]) cmap = plt.get_cmap(“gray”) outer_colors = cmap(.1+np.arange(3)/4) inner_colors = cmap(np.array([1, 2, 5, 6, 9, 10])/12) patches, _ = ax.pie(vals.sum(axis=1), radius=1, colors=outer_colors, wedgeprops=dict(width=size, edgecolor=’w’)) for patch in patches: patch.set_clip_on(True) patch.set_clip_path(clip1) patches, _ = ax.pie(vals.flatten(), radius=1-size, colors=inner_colors, wedgeprops=dict(width=size, edgecolor=’w’)) for patch in patches: patch.set_clip_on(True) patch.set_clip_path (clip1) cmap = plt.get_cmap(“tab20c”) outer_colors = cmap(+np.arange(3)) inner_colors = cmap(np.array([1, 2, 5, 6, 9, 10])) patches, _ = ax.pie(vals.sum(axis=1), radius=1, colors=outer_colors, wedgeprops=dict(width=size, edgecolor=’w’)) for patch in patches: patch.set_clip_on(True) patch.set_clip_path(clip2) patches, _ = ax.pie(vals.flatten(), radius=1-size, colors=inner_colors, wedgeprops=dict(width=size, edgecolor=’w’)) for patch in patches: patch.set_clip_on(True) patch.set_clip_path (clip2) rect = Rectangle((0,0), 1, 1, transform=ax.transAxes, linewidth=0.75, edgecolor=”black”, facecolor=”None”, clip_on=False) ax.add_artist(rect) ax.set_xlabel(“Pie plot”)
7) Трехмерный график:
Отображает данные в трех измерениях, то есть каждая точка имеет координаты (x, y, z).
def threedplot(ax): T1 = [(0,0),(0,1),(1,1)] T2 = [(0,0),(1,0),(1,1)] clip1 = Polygon(T1, closed=True, transform=ax.transAxes, edgecolor=’None’, facecolor=’None’) clip2 = Polygon(T2, closed=True, transform=ax.transAxes, edgecolor=’None’, facecolor=’None’) ax.set_axis_off() ax.set_xlim(-1, 1), ax.set_ylim(-1, 1), ax.set_zlim(-2, 2) X,Y= np.meshgrid(np.linspace(-1, 1, 25), np.linspace(-1, 1, 25)) Z = np.sin(5*np.sqrt(X**2+Y**2)) ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=”gray”, clip_path=clip1, linewidth=.25, edgecolor=”black”, vmin=-1.5, vmax=1) ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=”magma”, clip_path=clip2, linewidth=0, edgecolor=”black”, vmin=-1.5, vmax=1) line = Line2D([0, 1], [0, 1], transform=ax.transAxes, linewidth=0.5, color=”black”, clip_on=False, zorder=10) ax.add_artist(line) rect = Rectangle((0,0), 1, 1, transform=ax.transAxes, linewidth=0.75, edgecolor=”black”, facecolor=”None”, clip_on=False) ax.add_artist(rect) text = Text(0.5, -0.025, “3D plot”, clip_on=False, ha=”center”, va=”top”, transform=ax.transAxes) ax.add_artist(text)
8) гистограмма:
def barplot(ax): clip1, clip2 = clip_path(ax) n = 16 X = np.arange(n) Y1 = (1–0.25*X/n) * np.random.uniform(0.25, 0.75, n) Y2 = (1–0.25*X/n) * np.random.uniform(0.25, 0.75, n) ax.bar(X, +Y1, 1, facecolor=’#cccccc’, edgecolor=’white’, clip_path=clip1) ax.bar(X, -Y2, 1, facecolor=’#999999', edgecolor=’white’, clip_path=clip1) ax.bar(X, +Y1, 1, facecolor=’#ffaaaa’, edgecolor=’white’, clip_path=clip2) ax.bar(X, -Y2, 1, facecolor=’#ff7777', edgecolor=’white’, clip_path=clip2) ax.set_xlim(-1,n) ax.set_xlabel(“Bar plot”)
9) блочная диаграмма:
Коробчатая диаграмма (также известная как диаграмма с ячейками и усами) – это тип диаграммы, часто используемый в пояснительном анализе данных для визуального отображения распределения числовых данных и асимметрии путем отображения квартили данных (или процентили) и средние значения.
def boxplot(ax): clip1, clip2 = clip_path(ax) n = 5 data = np.random.normal(0, .25, (100,n)) bplots = ax.boxplot(data, patch_artist=True) for patch in bplots[‘boxes’]: patch.set_facecolor(“0.9”) for line in bplots[‘medians’]: line.set_color(“black”) for element in [“boxes”,”medians”,”whiskers”, “caps”, “fliers”,”means”]: for item in bplots[element]: item.set_clip_path(clip1) bplots = ax.boxplot(data, patch_artist=True) for patch in bplots[‘boxes’]: patch.set_facecolor(“0.9”) for line in bplots[‘medians’]: line.set_color(“black”) for element in [“boxes”,”medians”,”whiskers”, “caps”, “fliers”,”means”]: for item in bplots[element]: item.set_color(“red”) try: item.set_markerfacecolor (“red”) item.set_markeredgecolor (“red”) except: pass item.set_clip_path(clip2) ax.set_xlim(0,n+1), ax.set_xticks([]) ax.set_xlabel(“Box plot”)
Теперь давайте установим ось и фон и вызовем наши функции
fig, axes = plt.subplots(3, 3, figsize=(8, 8)) for ax in axes.ravel(): ax.set(xticks=[], yticks=[], xlim=[-1,1], ylim=[-1,1]) axes[2,2] = plt.subplot(339, projection=”3d”) lineplot(axes[0,0]) scatter(axes[0,1]) barplot(axes[0,2]) imageplot(axes[1,0]) contourplot(axes[1,1]) boxplot(axes[1,2]) quiverplot(axes[2,0]) pieplot(axes[2,1]) threedplot(axes[2,2])
ВЫВОД:
