Matplotlib
Matplotlib является математической библиотекой зарисовки для Python , которая предоставляет множество различного функционального черчения.
Документацию Matplotlib можно найти здесь , с SO Docs будет доступна здесь .
Matplotlib предоставляет два различных метода для построения графиков, хотя по большей части они взаимозаменяемы:
- Во - первых, Matplotlib обеспечивает
pyplotинтерфейс, прямой и простой в использовании интерфейс , который позволяет прорисовку сложных графиков в MATLAB-подобный стиль. - Во-вторых, matplotlib позволяет пользователю управлять различными аспектами (осями, линиями, галочками и т. Д.) Напрямую, используя систему на основе объектов. Это сложнее, но позволяет полностью контролировать весь сюжет.
Ниже приведен пример использования pyplot интерфейса для построения некоторых сгенерированных данные:
import matplotlib.pyplot as plt
# Generate some data for plotting.
x = [0, 1, 2, 3, 4, 5, 6]
y = [i**2 for i in x]
# Plot the data x, y with some keyword arguments that control the plot style.
# Use two different plot commands to plot both points (scatter) and a line (plot).
plt.scatter(x, y, c='blue', marker='x', s=100) # Create blue markers of shape "x" and size 100
plt.plot(x, y, color='red', linewidth=2) # Create a red line with linewidth 2.
# Add some text to the axes and a title.
plt.xlabel('x data')
plt.ylabel('y data')
plt.title('An example plot')
# Generate the plot and show to the user.
plt.show()
Обратите внимание , что plt.show() , как известно, проблематично в некоторых средах за счет запуска matplotlib.pyplot в интерактивном режиме, и если да, то поведение блокировки может быть переопределен в явном виде путем передачи в дополнительный аргумент, plt.show(block=True) , чтобы облегчить эту проблему.
рожденное море
Seaborn является оберткой Matplotlib , что позволяет легко создавать общие статистические графики. Список поддерживаемых графиков включает в себя одномерные и двумерные графики распределения, графики регрессии и ряд методов для построения категориальных переменных. Полный список участков Seaborn предоставляет в их справочнике API .
Создание графиков в Seaborn так же просто, как вызов соответствующей графической функции. Вот пример создания гистограммы, оценки плотности ядра и графика коврика для случайно сгенерированных данных.
import numpy as np # numpy used to create data from plotting
import seaborn as sns # common form of importing seaborn
# Generate normally distributed data
data = np.random.randn(1000)
# Plot a histogram with both a rugplot and kde graph superimposed
sns.distplot(data, kde=True, rug=True)
Стиль сюжета также можно контролировать с помощью декларативного синтаксиса.
# Using previously created imports and data.
# Use a dark background with no grid.
sns.set_style('dark')
# Create the plot again
sns.distplot(data, kde=True, rug=True)
В качестве дополнительного бонуса, обычные команды matplotlib могут по-прежнему применяться к участкам Seaborn. Вот пример добавления заголовков осей к нашей ранее созданной гистограмме.
# Using previously created data and style
# Access to matplotlib commands
import matplotlib.pyplot as plt
# Previously created plot.
sns.distplot(data, kde=True, rug=True)
# Set the axis labels.
plt.xlabel('This is my x-axis')
plt.ylabel('This is my y-axis')
MayaVi
MayaVi это инструмент 3D визуализации научных данных. Он использует набор инструментов визуализации или VTK под капотом. Используя силу ВТК , MayaVi способен производить различные 3-мерных графиков и цифр. Он доступен в виде отдельного программного приложения, а также в виде библиотеки. Подобно Matplotlib , эта библиотека предоставляет объектно - ориентированный язык интерфейса программирования для создания графиков без необходимости знать о ВТК.
MayaVI доступен только в серии Python 2.7x! Ожидается, что он скоро будет доступен в серии Python 3-x! (Хотя некоторый успех замечен при использовании его зависимостей в Python 3)
Документация может быть найдена здесь.Некоторые примеры галереи находятся здесь
Вот пример сюжет создан с использованием MayaVi из документации.
# Author: Gael Varoquaux <gael.varoquaux@normalesup.org>
# Copyright (c) 2007, Enthought, Inc.
# License: BSD Style.
from numpy import sin, cos, mgrid, pi, sqrt
from mayavi import mlab
mlab.figure(fgcolor=(0, 0, 0), bgcolor=(1, 1, 1))
u, v = mgrid[- 0.035:pi:0.01, - 0.035:pi:0.01]
X = 2 / 3. * (cos(u) * cos(2 * v)
+ sqrt(2) * sin(u) * cos(v)) * cos(u) / (sqrt(2) -
sin(2 * u) * sin(3 * v))
Y = 2 / 3. * (cos(u) * sin(2 * v) -
sqrt(2) * sin(u) * sin(v)) * cos(u) / (sqrt(2)
- sin(2 * u) * sin(3 * v))
Z = -sqrt(2) * cos(u) * cos(u) / (sqrt(2) - sin(2 * u) * sin(3 * v))
S = sin(u)
mlab.mesh(X, Y, Z, scalars=S, colormap='YlGnBu', )
# Nice view from the front
mlab.view(.0, - 5.0, 4)
mlab.show()
Plotly
Plotly современная платформа для построения и визуализации данных. Полезно для производства различных участков, особенно для науки данных, Plotly доступна как библиотека для Python, R, JavaScript, Юль и, MATLAB. Он также может быть использован как веб-приложение с этими языками.
Пользователи могут установить библиотеку plotly и использовать ее в автономном режиме после аутентификации пользователя. Установка этой библиотеки и в автономном режиме аутентификации дается здесь.Кроме того , участки могут быть сделаны в Jupyter ноутбуков , а также.
Для использования этой библиотеки требуется учетная запись с именем пользователя и паролем. Это дает рабочее пространство для сохранения графиков и данных в облаке.
Бесплатная версия библиотеки имеет несколько ограниченные возможности и рассчитана на 250 сюжетов в день. Платная версия имеет все функции, неограниченное количество скачиваний сюжетов и более приватное хранилище данных. Для получения более подробной информации можно посетить главную страницу здесь .
Для документации и примеров, можно пойти здесь
Пример сюжета из примеров документации:
import plotly.graph_objs as go
import plotly as ply
# Create random data with numpy
import numpy as np
N = 100
random_x = np.linspace(0, 1, N)
random_y0 = np.random.randn(N)+5
random_y1 = np.random.randn(N)
random_y2 = np.random.randn(N)-5
# Create traces
trace0 = go.Scatter(
x = random_x,
y = random_y0,
mode = 'lines',
name = 'lines'
)
trace1 = go.Scatter(
x = random_x,
y = random_y1,
mode = 'lines+markers',
name = 'lines+markers'
)
trace2 = go.Scatter(
x = random_x,
y = random_y2,
mode = 'markers',
name = 'markers'
)
data = [trace0, trace1, trace2]
ply.offline.plot(data, filename='line-mode')
