Hur man ritar grafer i Jupyter Notebook

Artikel i nästa knapp: 899988

Jupyter Notebook är det främsta verktyget för dataforskare. Det erbjuder ett interaktivt webbgränssnitt som kan användas för datavisualisering, enkel analys och samarbete.

Med datavisualisering kan du hitta sammanhang för dina data via kartor eller grafer. Denna handledning erbjuder en insiktsfull guide till interaktion med grafer i Jupyter Notebook.

Förutsättningar

Du behöver har Jupyter installerat på din maskin. Om det inte är det kan du installera det genom att ange följande kod i din kommandorad:

 $ pip installera jupyter

Du behöver också pandor och matplotlib bibliotek:

$ pip installera pandor

$ pip installera matplotlib

När installationen är klar startar du Jupyter Notebook-servern. Skriv kommandot nedan i din terminal för att göra det. En Jupyter-sida som visar filer i den aktuella katalogen öppnas i datorns standardwebbläsare.

$ jupyter anteckningsbok

Notera: Stäng inte terminalfönstret som du kör det här kommandot i. Din server stannar om du gör det.

Enkel tomt

Kör den här koden på en ny Jupyter-sida:

importera matplotlib.pyplot som plt
x = [1,2,3,4,5,6,7,8]
y = [2,4,6,8,10,12,14,16]
plt.plot (x, y)
plt.show ()

Koden är för en enkel linjediagram. Den första raden importerar pyplot diagrambibliotek från matplotlib API. Den tredje och fjärde raden definierar x- och y-axlarna.

De komplott() metoden kallas för att plotta diagrammet. De show() metoden används sedan för att visa grafen.

Antag att du istället vill rita en kurva. Processen är densamma. Ändra bara värdena på python-lista för y-axeln.

importera matplotlib.pyplot som plt
x = [3,4,5,6,7,8,9,10,11,12]
y = [9,16,25,36,49,64,81,100,121,144]
plt.plot (x, y)
plt.show ()

Lägg märke till något viktigt: i båda graferna finns det ingen uttrycklig skaldefinition. Skalan beräknas automatiskt och tillämpas. Detta är en av de många intressanta funktioner som Juypter erbjuder som kan få dig att fokusera på ditt arbete (dataanalys) istället för att oroa dig för kod.

Om du också är vaksam kan du observera att antalet värden för x- och y-axlarna är desamma. Om någon av dem är mindre än den andra kommer ett fel att flaggas när du kör koden och inget diagram visas.

Typer tillgängliga

Till skillnad från linjediagrammet och kurvan ovan måste andra grafvisualiseringar (t.ex. histogram, stapeldiagram etc.) definieras uttryckligen för att kunna visas.

Stapeldiagram

För att visa en stapeldiagram måste du använda bar() metod.

importera matplotlib.pyplot som plt
x = [3,4,5,6,7,8,9,10,11,12]
y = [9,16,25,36,49,64,81,100,121,144]
plt.bar (x, y)
plt.show ()

Scatter tomt

Allt du behöver göra är att använda sprida ut() metod i föregående kod.

importera matplotlib.pyplot som plt
x = [3,4,5,6,7,8,9,10,11,12]
y = [9,16,25,36,49,64,81,100,121,144]
plt.spridare (x, y)
plt.show ()

Tårtdiagram

En cirkeldiagram är lite annorlunda än resten ovan. Linje 4 är av särskilt intresse, så ta en titt på funktionerna där.

fikonstorlek används för att ställa in bildförhållandet. Du kan ställa in detta till vad du vill (t.ex. (9,5)), men de officiella Pandas-dokumenten rekommenderar att du använder ett bildförhållande på 1.

importera matplotlib.pyplot som plt
x = [4,9,16,25,36]
fig = plt. figur (figsize = (9, 5)) # rad 4
plt.pie (x)
plt.show ()

Det finns några parametrar som cirkeldiagrammet har som är anmärkningsvärda:

etiketter - Detta kan användas för att ge en etikett till varje skiva i cirkeldiagrammet.

färger - Detta kan användas för att ge fördefinierade färger till varje skiva. Du kan ange färger både i textform (t.ex. “gul”) eller i hexform (t.ex. “# ebc713”).

Se exemplet nedan:

importera matplotlib.pyplot som plt
x = [4,9,16,25,36]
fig = plt. figur (figsize = (5.5, 5.5))
plt.pie (x, labels = ("Guavas", "Bär", "Mango", "Äpplen", "Avokado"),
färger = ("# a86544", "# eb5b13", "# ebc713", "# bdeb13", "# 8aeb13"))
plt.show ()

Det finns också andra tomter som hist, område och kde att du kan läs mer om Pandas-dokument.

Plottformatering

I diagrammen ovan finns det inga aspekter som etiketter. Så här gör du.

För att lägga till en titel, inkludera koden nedan i din Jupyter Notebook:

matplotlib.pyplot.title ("My Graph Title")

X- och y-axlarna kan märkas enligt nedan:

matplotlib.pyplot.xlabel ("min x-axel etikett")
matplotlib.pyplot.ylabel ("min y-axel etikett")

Lär dig mer

Du kan köra hjälp() kommandot i din anteckningsbok för att få interaktiv hjälp om Jupyter-kommandon. För att få mer information om ett visst objekt kan du använda hjälp (objekt).

Det är också bra att försöka rita grafer med hjälp av datamängder från csvfiler. Att lära sig att visualisera data är ett kraftfullt verktyg för att kommunicera och analysera dina resultat, så det är värt att ta lite tid att bygga din skicklighet.

Hur man importerar Excel-data till Python-skript med Panda

För avancerad dataanalys är Python bättre än Excel. Så här importerar du dina Excel-data till ett Python-skript med Pandas!

Läs Nästa

Om författaren