Home-theater-designers
Jupyter Notebook är det främsta verktyget för datavetenskapare. Det erbjuder ett interaktivt webbgränssnitt som kan användas för datavisualisering, enkel analys och samarbete.
Med datavisualisering kan du hitta sammanhang för dina data genom kartor eller grafer. Denna handledning erbjuder en insiktsfull guide till hur du interagerar med grafer i Jupyter Notebook.
Förkunskaper
Du behöver har Jupyter installerat på din maskin. Om det inte är det kan du installera det genom att ange följande kod på kommandoraden:
$ pip install jupyterDu behöver också pandor och matplotlib bibliotek:
hur man delar plats på Android
$ pip install pandas $ pip install matplotlibNär 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 notebookNotera: Stäng inte terminalfönstret som du kör det här kommandot i. Servern stannar om du gör det.
Enkel tomt
Kör den här koden på en ny Jupyter -sida:
import matplotlib.pyplot as 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 raddiagram. Den första raden importerar pyplot grafbibliotek från matplotlib API. Den tredje och fjärde raden definierar x- och y -axlarna.
De komplott() metod kallas för att plotta diagrammet. De show() metod används sedan för att visa diagrammet.
Antag att du vill rita en kurva istället. Processen är densamma. Ändra bara värdena på python lista för y-axeln.
import matplotlib.pyplot as 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 tydlig 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 ingen graf visas.
Typer tillgängliga
Till skillnad från linjediagrammet och kurvan ovan måste andra grafvisualiseringar (t.ex. ett histogram, stapeldiagram, etc.) definieras uttryckligen för att visas.
Stapeldiagram
För att visa en stapeldiagram måste du använda bar () metod.
import matplotlib.pyplot as 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()
Sprida tomt
Allt du behöver göra är att använda sprida ut() metod i föregående kod.
import matplotlib.pyplot as plt
x=[3,4,5,6,7,8,9,10,11,12]
y= [9,16,25,36,49,64,81,100,121,144]
plt.scatter(x,y)
plt.show()
Tårtdiagram
En pajplott skiljer sig lite från resten ovan. Linje 4 är av särskilt intresse, så ta en titt på funktionerna där.
figsize används för att ställa in bildförhållandet. Du kan ställa in det du vill (t.ex. (9,5)), men de officiella Pandas -dokumenten rekommenderar att du använder ett bildförhållande på 1.
import matplotlib.pyplot as plt
x=[4,9,16,25,36]
fig = plt.figure(figsize =(9, 5)) # line 4
plt.pie(x)
plt.show()Det finns några parametrar 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 var och en av skivorna. Du kan ange färger både i textform (t.ex. gul) eller i hexform (t.ex. '#ebc713').
Se exemplet nedan:
import matplotlib.pyplot as plt
x=[4,9,16,25,36]
fig = plt.figure(figsize =(5.5, 5.5))
plt.pie(x, labels=('Guavas', 'Berries','Mangoes','Apples', 'Avocado'),
colors = ( '#a86544', '#eb5b13', '#ebc713', '#bdeb13', '#8aeb13'))
plt.show()
Det finns också andra tomter som hist , område , och var att du kan läs mer om Pandas docs .
Plotformatering
På tomterna ovan finns det inga aspekter som etiketter. Så här gör du.
För att lägga till en titel, inkludera koden nedan i din Jupyter Anteckningsbok:
matplotlib.pyplot.title('My Graph Title')X- och y -axlarna kan märkas enligt nedan:
matplotlib.pyplot.xlabel('my x-axis label')
matplotlib.pyplot.ylabel('my y-axis label')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) .
Du tycker också att det är bra att prova att rita grafer med hjälp av datamängder från csv filer. 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 upp din skicklighet.
Dela med sig Dela med sig Tweet E-post Så här importerar du Excel -data till Python -skript med PandasFör avancerad dataanalys är Python bättre än Excel. Så här importerar du dina Excel -data till ett Python -skript med Pandas!
Läs Nästa Relaterade ämnen- Programmering
- Pytonorm
- Handledning för kodning
- Dataanalys
Jerome är personalförfattare på MakeUseOf. Han täcker artiklar om programmering och Linux. Han är också en kryptoentusiast och håller alltid koll på kryptoindustrin.
Mer från Jerome DavidsonPrenumerera på vårt nyhetsbrev
Gå med i vårt nyhetsbrev för tekniska tips, recensioner, gratis e -böcker och exklusiva erbjudanden!
Klicka här för att prenumerera