W tej lekcji nauczysz się podstaw wizualizacji danych za pomocą biblioteki Matplotlib w Pythonie. Poznasz sposoby tworzenia różnego rodzaju wykresów i dostosowywania ich do swoich potrzeb. Dowiesz się, jak przekształcać surowe dane w czytelne i atrakcyjne wizualizacje.
Zanim zaczniemy, musisz zainstalować bibliotekę Matplotlib. Otwórz terminal lub wiersz poleceń i wpisz następującą komendę:
pip install matplotlib
Po zakończeniu instalacji możesz zaimportować bibliotekę w swoim kodzie Pythona, używając instrukcji import matplotlib.pyplot as plt. plt to konwencja, więc będziemy jej używać w naszych przykładach.
Zacznijmy od najprostszego rodzaju wykresu: wykresu liniowego. Służy on do pokazywania trendów w danych w czasie lub w odniesieniu do innej zmiennej.
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]
plt.plot(x, y) # Tworzy wykres liniowy
plt.title('Prosty Wykres Liniowy') # Dodaje tytuł
plt.xlabel('Oś X') # Dodaje etykietę osi X
plt.ylabel('Oś Y') # Dodaje etykietę osi Y
plt.show() # Wyświetla wykres
W tym przykładzie, x i y to listy danych. plt.plot(x, y) tworzy wykres. Funkcje title, xlabel i ylabel dodają odpowiednio tytuł i etykiety. plt.show() wyświetla wykres.
Wykresy punktowe (scatter plots) są używane do wizualizacji relacji pomiędzy dwiema zmiennymi. Każdy punkt reprezentuje parę wartości (x, y).
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]
plt.scatter(x, y) # Tworzy wykres punktowy
plt.title('Wykres Punktowy')
plt.xlabel('Oś X')
plt.ylabel('Oś Y')
plt.show()
Wykres punktowy może pokazać, czy istnieje korelacja między zmiennymi.
Wykresy słupkowe (bar charts) są używane do porównywania wartości różnych kategorii.
import matplotlib.pyplot as plt
kategorie = ['A', 'B', 'C', 'D']
wartosci = [3, 7, 2, 5]
plt.bar(kategorie, wartosci) # Tworzy wykres słupkowy
plt.title('Wykres Słupkowy')
plt.xlabel('Kategorie')
plt.ylabel('Wartości')
plt.show()
Ten przykład porównuje wartości dla czterech kategorii.
Wykresy kołowe (pie charts) pokazują proporcje różnych kategorii w całości.
import matplotlib.pyplot as plt
kategorie = ['Jabłka', 'Gruszki', 'Śliwki']
wartosci = [40, 30, 30]
plt.pie(wartosci, labels=kategorie, autopct='%1.1f%%') # Tworzy wykres kołowy
plt.title('Wykres Kołowy')
plt.show()
Funkcja autopct='%1.1f%%' dodaje procentowy udział każdej kategorii na wykresie.
Matplotlib oferuje wiele opcji personalizacji. Możesz zmieniać kolory, style linii, rozmiary punktów i wiele więcej.
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]
plt.plot(x, y, color='red', linestyle='dashed', marker='o') # Personalizacja
plt.title('Sformatowany Wykres')
plt.xlabel('Oś X')
plt.ylabel('Oś Y')
plt.grid(True) # Dodanie siatki
plt.show()
W tym przykładzie, color, linestyle i marker zmieniają wygląd linii. plt.grid(True) dodaje siatkę do wykresu, co poprawia jego czytelność.
Explore advanced insights, examples, and bonus exercises to deepen understanding.
Witamy w rozszerzeniu dzisiejszej lekcji o wizualizacji danych za pomocą Matplotlib! W poprzedniej części zapoznałeś/aś się z podstawami tworzenia wykresów. Teraz zanurzymy się głębiej, poznając zaawansowane techniki i zastosowania tej potężnej biblioteki.
Przejdźmy do bardziej złożonych aspektów Matplotlib, które pozwolą Ci tworzyć jeszcze bardziej zaawansowane i interaktywne wizualizacje.
1. Kontrola Stylów Wykresów: Oprócz ustawiania kolorów i etykiet, Matplotlib oferuje bogaty wachlarz stylów. Możesz używać gotowych schematów kolorystycznych (np. 'seaborn', 'ggplot') lub definiować własne style. To pozwala na spójność i profesjonalny wygląd wykresów. Wypróbuj komendę `plt.style.use('ggplot')` przed rysowaniem wykresu, by zobaczyć efekt.
Przykład: Zastosowanie stylu `ggplot`
import matplotlib.pyplot as plt
import numpy as np
plt.style.use('ggplot') # Ustawienie stylu
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title('Wykres Sinusa (Styl ggplot)')
plt.xlabel('Oś X')
plt.ylabel('Oś Y')
plt.show()
2. Wykresy 3D: Matplotlib oferuje także możliwość tworzenia wykresów 3D. Używa się modułu `mpl_toolkits.mplot3d`. Jest to szczególnie przydatne przy analizie danych przestrzennych. Musisz importować `Axes3D` z `mpl_toolkits.mplot3d` zanim zaczniesz rysować.
Przykład: Prosty wykres 3D.
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d') # Tworzenie obiektu 3D
x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2)) # Przykład funkcji
ax.plot_surface(X, Y, Z, cmap='viridis') # Rysowanie powierzchni
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()
3. Dodawanie Anotacji i Tekstu: Anotacje i tekst pozwalają na dodanie dodatkowych informacji bezpośrednio do wykresów. Możesz użyć funkcji `plt.annotate()` do dodawania strzałek, etykiet i komentarzy. To idealne narzędzie do podkreślania kluczowych punktów i trendów.
Przykład: Dodawanie anotacji
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.annotate('Maksimum', xy=(np.pi/2, 1), xytext=(np.pi/2 + 1, 0.5),
arrowprops=dict(facecolor='black', shrink=0.05)) # Dodanie strzałki i tekstu
plt.title('Wykres Sinusa z Anotacją')
plt.xlabel('Oś X')
plt.ylabel('Oś Y')
plt.show()
Spróbuj swoich sił z poniższymi ćwiczeniami, aby utrwalić zdobytą wiedzę.
Wizualizacja danych jest kluczowa w wielu dziedzinach:
Pomyśl, jak wizualizacja danych mogłaby pomóc w analizie danych z Twojego otoczenia - może to być wyniki sportowe ulubionej drużyny, dane o pogodzie z Twojego miasta, albo nawet dane o Twoich wydatkach.
Gotowy na wyzwanie? Spróbuj wykonać następujące zadania:
Chcesz dowiedzieć się więcej? Oto kilka tematów do dalszej eksploracji:
Stwórz wykres liniowy przedstawiający zmiany temperatury w ciągu dnia. Użyj następujących danych: czas = [6, 9, 12, 15, 18], temperatura = [10, 18, 22, 20, 15]. Dodaj tytuł i etykiety osi.
Stwórz wykres słupkowy, który pokazuje wyniki wyborów. Użyj danych: partie = ['Partia A', 'Partia B', 'Partia C'], głosy = [1500, 2000, 1000]. Dodaj tytuł i etykiety osi.
Zmodyfikuj wykres liniowy z Ćwiczenia 1, zmieniając kolor linii na niebieski, dodając marker w kształcie kółka oraz styl linii na przerywaną. Dodaj również siatkę.
Wyobraź sobie, że pracujesz w firmie zajmującej się analizą danych. Twoim zadaniem jest stworzenie wykresu przedstawiającego sprzedaż produktów w ciągu roku. Musisz wybrać odpowiedni typ wykresu (liniowy, słupkowy, kołowy) i dostosować go tak, aby był czytelny i informatywny dla kierownictwa.
Przed następną lekcją spróbuj pobawić się różnymi opcjami personalizacji wykresów w Matplotlib. Poszukaj w dokumentacji Matplotlib więcej informacji na temat dostępnych funkcji i parametrów. Przygotuj się na lekcję o Pandas - bibliotece do analizy danych.
We're automatically tracking your progress. Sign up for free to keep your learning paths forever and unlock advanced features like detailed analytics and personalized recommendations.