Comment dessiner des graphiques dans Jupyter Notebook

Article dans le bouton suivant: 899988

Jupyter Notebook est l'outil incontournable des data scientists. Il offre une interface Web interactive qui peut être utilisée pour la visualisation des données, l'analyse facile et la collaboration.

La visualisation des données vous permet de trouver le contexte de vos données via des cartes ou des graphiques. Ce didacticiel propose un guide perspicace sur l'interaction avec les graphiques dans Jupyter Notebook.

Conditions préalables

Tu dois installer Jupyter sur votre machine. Si ce n'est pas le cas, vous pouvez l'installer en entrant le code suivant dans votre ligne de commande:

 $ pip installer jupyter

Vous aurez également besoin du pandas et matplotlib bibliothèque:

$ pip installer des pandas

$ pip installer matplotlib

Une fois les installations terminées, démarrez le serveur Jupyter Notebook. Tapez la commande ci-dessous dans votre terminal pour ce faire. Une page Jupyter affichant les fichiers du répertoire en cours s'ouvrira dans le navigateur par défaut de votre ordinateur.

Cahier $ jupyter

Noter: Ne fermez pas la fenêtre de terminal dans laquelle vous exécutez cette commande. Votre serveur s'arrêtera si vous le faites.

Tracé simple

Dans une nouvelle page Jupyter, exécutez ce code:

importer matplotlib.pyplot comme 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 ()

Le code est pour un tracé linéaire simple. La première ligne importe le pyplot bibliothèque graphique de matplotlib API. Les troisième et quatrième lignes définissent respectivement les axes x et y.

le parcelle() est appelée pour tracer le graphique. le spectacle() est ensuite utilisée pour afficher le graphique.

Supposons que vous souhaitiez plutôt dessiner une courbe. Le processus est le même. Changez simplement les valeurs de liste python pour l'axe y.

importer matplotlib.pyplot comme 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 ()

Remarquez quelque chose d'important: dans les deux graphiques, il n'y a pas de définition d'échelle explicite. L'échelle est automatiquement calculée et appliquée. C'est l'une des nombreuses fonctionnalités intéressantes proposées par Juypter qui peuvent vous permettre de vous concentrer sur votre travail (analyse de données) au lieu de vous soucier du code.

Si vous êtes également vigilant, vous remarquerez peut-être que le nombre de valeurs pour les axes x et y est le même. Si l'un d'entre eux est inférieur à l'autre, une erreur sera signalée lorsque vous exécuterez le code et aucun graphique ne sera affiché.

Types disponibles

Contrairement au graphique linéaire et à la courbe ci-dessus, d'autres visualisations de graphiques (par exemple, un histogramme, un graphique à barres, etc.) doivent être explicitement définies pour être affichées.

Graphique à barres

Pour afficher un graphique à barres, vous devrez utiliser le bar() méthode.

importer matplotlib.pyplot comme 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 ()

Nuage de points

Tout ce que vous avez à faire est d'utiliser le dispersion() méthode dans le code précédent.

importer matplotlib.pyplot comme 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 ()

Diagramme circulaire

Un diagramme à secteurs est un peu différent du reste ci-dessus. La ligne 4 est particulièrement intéressante, alors jetez un œil aux fonctionnalités.

figue est utilisé pour définir le rapport hauteur / largeur. Vous pouvez définir ce que vous voulez (par exemple (9,5)), mais la documentation officielle de Pandas vous conseille d'utiliser un rapport hauteur / largeur de 1.

importer matplotlib.pyplot comme plt
x = [4,9,16,25,36]
fig = plt.figure (figsize = (9, 5)) # ligne 4
plt.pie (x)
plt.show ()

Il y a certains paramètres du graphique à secteurs qui méritent d'être signalés:

Étiquettes - Cela peut être utilisé pour donner une étiquette à chaque tranche du graphique à secteurs.

couleurs - Cela peut être utilisé pour donner des couleurs prédéfinies à chacune des tranches. Vous pouvez spécifier les couleurs à la fois sous forme de texte (par exemple «jaune») ou sous forme hexadécimale (par exemple «# ebc713»).

Voir l'exemple ci-dessous:

importer matplotlib.pyplot comme plt
x = [4,9,16,25,36]
fig = plt.figure (figsize = (5.5, 5.5))
plt.pie (x, labels = ("Goyaves", "Baies", "Mangues", "Pommes", "Avocat"),
couleurs = ("# a86544", "# eb5b13", "# ebc713", "# bdeb13", "# 8aeb13"))
plt.show ()

Il y a aussi d'autres parcelles comme hist, surface et kde Que tu peux en savoir plus sur la documentation Pandas.

Formatage du tracé

Dans les graphiques ci-dessus, il n'y a pas d'aspects tels que les étiquettes. Voici comment faire cela.

Pour ajouter un titre, incluez le code ci-dessous dans votre bloc-notes Jupyter:

matplotlib.pyplot.title ("Mon titre de graphique")

Les axes x et y peuvent être respectivement étiquetés comme ci-dessous:

matplotlib.pyplot.xlabel ("mon libellé de l'axe x")
matplotlib.pyplot.ylabel ("mon libellé de l'axe y")

Apprendre plus

Vous pouvez exécuter le aider() dans votre notebook pour obtenir une assistance interactive sur les commandes Jupyter. Pour obtenir plus d'informations sur un objet particulier, vous pouvez utiliser aide (objet).

Vous trouverez également une bonne pratique d'essayer de dessiner des graphiques en utilisant des ensembles de données à partir de fichiers csv. Apprendre à visualiser les données est un outil puissant pour communiquer et analyser vos résultats, il vaut donc la peine de prendre le temps de développer vos compétences.

Comment importer des données Excel dans des scripts Python à l'aide de Pandas

Pour l'analyse avancée des données, Python est meilleur qu'Excel. Voici comment importer vos données Excel dans un script Python à l'aide de Pandas!

Lire la suite

A propos de l'auteur