Możliwości Pyplot

1. Podstawy Pyplot

Tworzenie prostego wykresu

Teraz, kiedy mamy już Matplotlib, zrozummy jego podstawowe elementy. Pyplot to mały, ale bardzo przydatny moduł w Matplotlib. Pozwala szybko i łatwo tworzyć wykresy, w przybliżeniu tak, jakbyś rysował na płótnie.

import matplotlib.pyplot as plt

# Tworzymy najprostszy wykres
plt.plot([0, 1, 2, 3], [0, 1, 4, 9])
plt.show()

Stworzyłeś właśnie swój pierwszy wykres! Może nie wygląda jeszcze oszałamiająco, ale uwierz mi, to dopiero początek.

Ulepszamy wykres

Tworzenie wykresu w pyplot obejmuje kilka podstawowych kroków:

1. Przygotowanie danych do wykresu.
2. Wybór typu wykresu (np. plot() dla wykresu liniowego).
3. Konfiguracja wykresu (etykiety, tytuł i legenda).
4. Wyświetlenie wykresu za pomocą funkcji show().

Spróbujmy ulepszyć nasz pierwszy wykres...

Wykres liniowy

import matplotlib.pyplot as plt

# Dane do wykresu
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

# Tworzenie wykresu liniowego
plt.plot(x, y)

# Konfiguracja etykiet osi i tytułu
plt.xlabel("X")
plt.ylabel("Y")
plt.title("Przykład wykresu liniowego")

# Wyświetlenie wykresu
plt.show()

Ten kod tworzy wykres liniowy, który pokazuje wartości y na osi Y w zależności od wartości x na osi X. Funkcje xlabel(), ylabel() i title() dodają etykiety i tytuł do wykresu.

2. Podstawowe typy wykresów w Pyplot

1. Wykres liniowy plot()

Wykresy liniowe są często używane do przedstawiania danych w czasie lub analizy trendów.

x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

plt.plot(x, y, marker="o", color="b", linestyle="--")
plt.xlabel("Czas")
plt.ylabel("Wartość")
plt.title("Wykres liniowy")
plt.show()

Tutaj korzystamy z parametrów marker, color i linestyle do zmiany wyglądu wykresu.

2. Histogram hist()

Histogramy są przydatne do przedstawiania rozkładu danych i analizy częstotliwości.

data = [1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5]

plt.hist(data, bins=5, color="skyblue", edgecolor="black")
plt.xlabel("Wartość")
plt.ylabel("Częstotliwość")
plt.title("Histogram")
plt.show()

Parametr bins określa liczbę słupków histogramu, a edgecolor dodaje obramowanie do każdego słupka.

3. Wykres kołowy pie()

Wykresy kołowe przedstawiają udział kategorii w całej masie danych.

labels = ["Koty", "Psy", "Ptaki"]
sizes = [40, 35, 25]

plt.pie(sizes, labels=labels, autopct="%1.1f%%", startangle=90)
plt.title("Wykres kołowy")
plt.show()

Tutaj autopct pokazuje wartość procentową dla każdej kategorii, a startangle obraca wykres.

4. Wykres rozrzutu scatter()

Wykresy rozrzutu są przydatne do analizy zależności między dwoma zmiennymi.

x = [1, 2, 3, 4, 5]
y = [5, 7, 8, 5, 6]

plt.scatter(x, y, color="red")
plt.xlabel("X")
plt.ylabel("Y")
plt.title("Wykres rozrzutu")
plt.show()

Wykres rozrzutu jest odpowiedni do znalezienia korelacji między wartościami na osiach X i Y.

5. Wykres słupkowy bar()

Wykresy słupkowe są przydatne do porównywania wartości między kategoriami.

categories = ["A", "B", "C", "D"]
values = [10, 15, 7, 20]

plt.bar(categories, values, color="lightblue")
plt.xlabel("Kategorie")
plt.ylabel("Wartości")
plt.title("Wykres słupkowy")
plt.show()

Tutaj categories i values reprezentują etykiety kategorii i odpowiednie wartości do budowy słupków.

Teraz zapoznałeś się z podstawami instalacji i konfiguracji Matplotlib, i jesteś w pełni gotowy do tworzenia pierwszych wykresów. Ale to dopiero początek naszej podróży. W kolejnych wykładach zgłębimy tworzenie różnych typów wykresów i ich konfigurację. W końcu będziesz w stanie tworzyć arcydzieła, które są nie tylko piękne, ale i informacyjne.

Pamiętaj, że wizualizacja danych to nie tylko wykresy, ale i opowiadanie historii, a Matplotlib stanie się twoim narratorem. Do zobaczenia na kolejnym wykładzie, gdzie ulepszymy twoje umiejętności i otworzymy nowe horyzonty w świecie wykresów!