Seuraava artikkeli auttaa sinua: Opas julkaisulaatuisen datan visualisointiin Proplotin avulla
Visualisoinnilla on tärkeä rooli yritysanalytiikassa ja koneoppimisessa. Datan asianmukainen visualisointi auttaa yritysjohtajaa ja mallinkehittäjää tekemään päätöksensä asianmukaisesti. Tietojen poimiminen tiedoista vaatii valtavan määrän koodia, ja joidenkin kirjastojen avulla voimme tehdä tästä oivalluksen poimintaprosessista erittäin helppoa. Proplot on myös sellainen kirjasto, joka auttaa visualisoimaan dataa ja se on suositun matplotlib-kirjaston kääre. Tässä artikkelissa aiomme keskustella proplot-kirjastosta ja siitä, kuinka voimme käyttää sitä tietojen visualisointiin. Tärkeimmät artikkelissa käsiteltävät kohdat on lueteltu alla.
Sisällysluettelo
- Mikä on Proplot?
- Piirtää Proplotia käyttäen.
- Figuurin luominen
- Alapalojen luominen
- Raportin luominen
Aloitetaan esittelemällä Proplot.
Mikä on Proplot?
Proplot on avoimen lähdekoodin python-kirjasto tietojen visualisointiin ja voidaan myös sanoa, että se on matplotlib-kirjaston kääre. Tämä voi auttaa meitä tekemään tiedoista kauniita ja julkaisuvalmiita kaavioita. Tämän kääreen kehittämisen tavoitteena on tarjota sujuvampi visualisointikokemus käyttäjille, jotka käyttävät enimmäkseen matplotlib-kirjastoa. Tämän tavoitteen saavuttamiseksi Proplot käyttää laajennusta matplotlibin oliopohjaisessa käyttöliittymässä. Tässä kääreessä voimme hyödyntää kehittäjän tekemiä muutoksia, joita on vaikea sisällyttää matplotlibiin.
Tämä kirjasto auttaa meitä tekemään kaavioita matalan koodin asetuksella, mikä tarkoittaa, että kaavioiden tekemiseen meidän ei tarvitse työntää paljon koodeja, kuten teimme matplotlibillä. Kuten olemme edellä käsitelleet, se on kääre, joka tarkoittaa, että tämän kirjaston ominaisuudet ovat matplotlib-superjoukko ja voimme käyttää matplotlib-komentoja, kuten plot, scatter, contour ja pcolor proplot-paketin kanssa. Tämä kääre tarjoaa kahdenlaisia ominaisuuksia
- Integrointiominaisuudet: Tämän tyyppisessä ominaisuudessa tämä paketti voi käyttää neljää ulkoista pakettia, joissa pandaa ja xarraya voidaan käyttää taulukoiden työskentelyyn ja taulukko ja cartopy ja basemap ovat paketteja maantieteelliseen piirtämiseen.
- Lisäominaisuudet: Näissä ominaisuuksissa proplot tarjoaa paljon hyödyllisiä luokkia ja konstruktoritoimintoja, jotka sisältävät luokat kuvioiden ja akselien muokkaukseen, värikarttaan ja syklikonstruktoriin.
Toteutuksessa voimme havaita, että suurin osa proplotin kanssa käyttämistämme koodeista on samankaltaisia kuin matplotlibin kanssa käyttämiämme koodeja, koska proplotin kova riippuvuus on matplotlib, ja puhutaan toisesta pehmeästä riippuvuudesta, jota se käyttää pandassa, Xrrayssä, cartopyssa ja pohjakartta. Voimme asentaa tämän kirjaston käyttämällä seuraavia koodirivejä.
!pip install proplot
Jos jokin olemassa oleva vanha versio on jo asennettu ympäristöön, voimme päivittää sen käyttämällä seuraavia koodirivejä.
!pip install — upgrade proplot
Proplot-kirjaston asennuksen jälkeen olemme valmiita käyttämään sitä tietojen visualisointiin. Katsotaanpa joitain esimerkkejä.
Piirtää Proplotia käyttäen
Koska tiedämme, että visualisointia tarvitaan pääasiassa, kun yritämme ymmärtää tietoja tai teemme raportteja, joten tässä osiossa käymme ensin läpi joitakin yksittäisiä kaavioita ja sitten tarkastelemme, kuinka voimme tehdä raportteja, kuten kaavioita proplot-paketin avulla. .
Kuvan luominen:
Aloitetaan tekemällä yksi hahmo.
tuo proplot muodossa pplt fig = pplt.figure() ax = fig.subplot() ax.plot()
Lähtö:
Yllä olevasta voimme nähdä, että käyrän tekemiseen käytämme kolmea menetelmää, jotka määrittelevät graafin tilan, sitten alikaavioiden osakuvaajat vastaavat graafin tietojen peittämisestä ja plot-menetelmää voidaan käyttää graafin sisällä olevien tietojen täyttämiseen. Täytetään tämä luku.
yksinkertainen kaavio satunnaisesti luotujen tietojen avulla.
Luodaan tietoja:
Luodaan tietoja: tuonti numpy np:nä tuonti proplot pplt-tilana = np.random.RandomState(51423) data = 2 * (state.rand(500, 5) – 0.5).cumsum(axis=0) Tietojen piirtäminen: fig= pplt.figure(suptitle=”First Plot”) ax = fig.subplot(xlabel=”x”, ylabel=”y”) ax.plot(data)
Lähtö:
Tässä näemme kaavion täyttyneillä tiedoilla. Koodeista näemme, että olemme määrittäneet otsikon kuvafunktiossa, akselin yksityiskohdat osakuvaajafunktiossa ja tiedot plot-funktiossa.
Alapalojen luominen:
Katsotaan kuinka voimme tehdä kuvassa olevat osakuvat.
tuo proplot muodossa pplt fig, axs = pplt.subplots(ncols=2, nrows = 1) axs.format(color=”grey”, linewidth=1)
Lähtö:
Tästä nähdään, että kuvan alikaavioiden tekemiseen olemme käyttäneet kuvamoduulin osakuvaajia ja tehneet kuvaan 2 tyhjää kuvaajaa.
Täytetään kaavioiden tiedot.
tuonti numpy as np tuonti proplot pplt tilana = np.random.RandomState(42) data1 = 2 * (state.rand(500, 5) – 0.5).cumsum(axis=0) fig = pplt.figure() ax = fig.subplot(121) ax.plot(data1) ax = fig.subplot(122) state = np.random.RandomState(42) data2 = 4 * (state.rand(500, 5) – 0.5).cumsum(axis =0) ax.plot(data2) fig.format( suptitle=”Yksinkertainen alikaavioruudukko”, otsikko=”Otsikko”, xlabel=”x-akseli”, ylabel=”y-akseli”
Lähtö:
Tässä näemme, että olemme täyttäneet tiedot kaavioihin.
Raportin luominen
Yllä olevassa olemme nähneet, kuinka voimme yksinkertaisesti tehdä kaavioita proplot-kirjaston avulla. Tässä osiossa yhdistämme nämä kaikki raporttimaiseksi visualisoimiseksi. Katsotaanpa, kuinka voimme tehdä sen.
Tehdään esimerkkidata
tila = np.random.RandomState(51423) data = 4 * (state.rand(40) – 0,5)
Määrittelevä luku:
pplt.rc.abc=”a.” pplt.rc.titleloc=”l” fig, axs = pplt.subplots(nrows=3, refaspect=2, figwidth=5) axs.format( xmargin=0, xlabel=”xlabel”, ylabel=”ylabel”, grid =True, subtitle=”värien erotus pylväsdiagrammeilla”, ) for ax in axs: ax.axhline(0, color=”k”, linewidth=1)
Kaavioiden piirtäminen kuvassa:
# Pylväskaavio kirves = kirveet[0]
ax.bar(data, width=2, negpos=True, edgecolor=”B”) ax.format(title=”Bar plot”) # Aluekuvaaja ax = akselit[1]
ax.area(data, negpos=True, edgecolor=”B”) ax.format(title=”Area plot”) # Line plot ax = akselit[2]
ax.vlines(data, linewidth=1, negpos=True) ax.format(title=”Line plot”)
Lähtö:
Täällä näemme kolmen kaavion raportin ja kolme erilaista kuvaajaa, samoin voimme noudattaa näitä lähestymistapoja tehdäksemme raportteja työssämme proplot-kirjaston avulla.
Viimeiset sanat
Tässä artikkelissa olemme keskustelleet proplot-kirjastosta, joka on matplotlib-kirjaston kääre ja voi auttaa meitä visualisoimaan tietoja. Tämän lisäksi olemme nähneet joitain menetelmiä, joilla voimme visualisoida tietomme.
