Вступление
Для Python существует ряд различных библиотек визуализации данных. Однако из всех библиотек Matplotlib - самая популярная и широко используемая библиотека. С Matplotlib вы можете создавать как простые, так и сложные визуализации.
Блокноты Jupyter - один из самых популярных методов обмена проектами, кодом и визуализацией в области науки о данных и анализа данных. Хотя вы можете знать, как визуализировать данные с помощью Matplotlib, вы можете не знать, как использовать Matplotlib в записной книжке Jupyter.
В этой статье мы расскажем, как использовать записную книжку IPython для построения графиков Matplotlib inline .
Он также будет охватывать цель «встроенных» и «записных» магических методов Matplotlib, которые используются для установки бэкэндов Matplotlib.
Настройка IPython
Блокноты Jupyter интерактивны, и если они позволяют вам делиться своей работой с другими программистами и аналитиками в воспроизводимом формате. Но прежде чем вы сможете работать с ноутбуком Jupyter, вам необходимо его установить .
Самый простой и легкий способ установить блокнот Jupyter - использовать диспетчер пакетов. Если вы используете Conda, вы можете установить файловую систему Jupyter с помощью следующей команды:
$ conda install -c conda-forge notebook
Если вы используете pip, вы можете вместо этого установить Jupyter с помощью этой команды:
$ pip install notebook
После установки лаборатории Jupyter вы можете запустить экземпляр записной книжки Jupyter, открыв командную строку и используя следующую командную строку с интуитивно понятным названием:
Jupyter Notebook
Затем вы можете получить доступ к своей записной книжке Jupyter, указав в браузере следующий URL-адрес:
http://localhost:8888/tree?
Импорт данных и визуализация данных
Мы будем использовать знаменитый набор данных Tips .
Мы импортируем Pandas для чтения .csv , а также matplotlib.pyplot
для визуализации. После этого мы можем построить простой график
рассеяния :
{.ezlazyload}
Вот как вы обычно визуализируете данные в записной книжке Jupyter. Однако, если вы поделились этой записной книжкой с кем-то в ее текущем виде, им придется самостоятельно запустить код, чтобы увидеть визуализации.
Если вы хотите, чтобы сами визуализации были включены в тело записной
книжки, вы можете использовать inline команду, которая относится к
бэкэнду Matplotlib.
Бэкенды Matplotlib
Обычно для отображения графиков используется show() из PyPlot. В
записных книжках Jupyter в этом нет необходимости, поскольку графики
отображаются после запуска ячеек, содержащих код, который их генерирует.
Эти графики по умолчанию отображаются встроенными , что означает, что
они отображаются в самой записной книжке.
Однако вы также можете отобразить график за пределами записной книжки,
что можно сделать, изменив серверную часть Matplotlib. Jupyter
автоматически устанавливает бэкэнд Matplotlib, хотя это можно
переопределить с помощью магических функций , которые вызываются с
помощью символа %
График Matplotlib во внешнем окне с использованием IPython / Jupyter
Начнем с попытки построить график во внешнем окне из записной книжки:
%matplotlib qt
Здесь мы сказали записной книжке Jupyter использовать Qt для генерации кадра на нашей локальной машине. Этот вызов функции находится перед импортом Matplotlib:
{.ezlazyload}
Matplotlib Plot Inline с использованием IPython / Jupyter (встроенный)
Некоторые версии Jupyter могут неправильно устанавливать бэкэнд для Matplotlib и не отображать встроенные графики. В этом случае встроенное построение может быть выполнено одним из двух способов.
Вы можете установить inline функцию вместо qt чтобы заставить
Jupyter отображать графики встроенными:
%matplotlib inline
Это помогает убедиться, что любой, кто откроет записную книжку, сможет видеть визуализации, без необходимости повторно запускать ячейки кода:
{.ezlazyload}
Matplotlib Plot Inline с использованием IPython / Jupyter (блокнот)
Второй метод рендеринга графика Matplotlib в записной книжке -
использовать внутреннюю часть notebook
%matplotlib notebook
Использование %matplotlib notebook создает интерактивные графики,
которые встроены в сам блокнот, позволяя тем, кто просматривает блокнот,
делать такие вещи, как изменение размера фигуры или увеличение фигуры:
{.ezlazyload}
Заключение
В этом руководстве мы рассмотрели, как строить внешние (с
использованием Qt) и встроенные (с использованием inline функций и
notebook ) в записных книжках IPython / Jupyter.
Если вас интересует визуализация данных и вы не знаете, с чего начать, обязательно ознакомьтесь с нашим комплектом книг по визуализации данных в Python{.ebook-link} :
::: {style=“border: 1px solid #ebebeb;padding: 15px;”} {.ebook-link}
Визуализация данных в Python
::: {.row}
::: {.col-md-4 .col-xs-12}
{.ezlazyload
.img-responsive .center-block}
:::
::: {.col-md-8 .col-xs-12 .my-auto} Станьте опасными с визуализацией данных
✅ 30-дневная гарантия возврата денег без вопросов
✅ от новичка до продвинутого
✅ Регулярно обновляется бесплатно (последнее обновление в апреле 2021 г.)
✅ Обновлено с бонусными ресурсами и руководствами ::: ::: :::
Визуализация данных в Python с помощью Matplotlib и Pandas - это книга, предназначенная для абсолютных новичков в работе с Pandas и Matplotlib с базовыми знаниями Python и позволяющая им создать прочную основу для расширенной работы с этими библиотеками - от простых графиков до анимированных трехмерных графиков с интерактивными кнопки.
Он служит подробным руководством, которое научит вас всему, что вам нужно знать о Pandas и Matplotlib, в том числе о том, как создавать типы графиков, которые не встроены в саму библиотеку.
Книга «Визуализация данных в Python» , книга для начинающих и средних разработчиков Python, проведет вас через простые манипуляции с данными с помощью Pandas, охватит основные библиотеки построения графиков, такие как Matplotlib и Seaborn, и покажет, как использовать преимущества декларативных и экспериментальных библиотек, таких как Altair. В частности, на протяжении 11 глав эта книга охватывает 9 библиотек Python: Pandas, Matplotlib, Seaborn, Bokeh, Altair, Plotly, GGPlot, GeoPandas и VisPy.
Он служит уникальным практическим руководством по визуализации данных в виде множества инструментов, которые вы можете использовать в своей карьере.