Скачать "Matplotlib Full Python Course - Data Science Fundamentals"

Обложка аудиозаписи

Подождите немного, мы готовим ссылки для удобного просмотра видео без рекламы и его скачивания.

Предыдущее видео: Exploring the Math Behind Crash | Roobet Cryptocurrency Casino Game Следующее видео: Perfect Nothing - animation meme

0:00

Intro

2:42

Installation

5:52

Scatter Plots

12:04

Line Plots

16:50

Bar Plots

20:29

Histograms

24:29

Pie Charts

29:22

Boxplots

33:25

Plot Customization

40:10

Legends & Multiple Plots

44:02

Plot Styling

45:50

Multiple Figures

47:39

Subplots

50:47

Exporting Plots

54:00

3D Plotting

59:30

Animating Plots

1:02:08

Outro

Perfect Nothing - animation meme

Perfect Nothing - animation meme

Канал: Sky Heart

Exploring the Math Behind Crash | Roobet Cryptocurrency Casino Game

Exploring the Math Behind Crash | Roobet Cryptocurrency Casino Game

Канал: Minding The Data

Reinforcement Learning Made Simple - Policy

Reinforcement Learning Made Simple - Policy

Канал: Edan Meyer

YFMTS - (Episode 3) Zombillies

YFMTS - (Episode 3) Zombillies

Канал: Your Favorite Martian

matplotlib

python

data visualization

plot types

styling

3d plots

3d plotting

animation

animations

matplotlib course

matplotlib crash course

matplotlib full crash course

python matplotlib course

data science

00:00:00

что происходит, ребята, добро пожаловать обратно, это

00:00:02

видео сегодня будет полным

00:00:04

курсом по матовому графику губ с нуля.

00:00:06

matplotlip — это пакет визуализации данных

00:00:09

для Python, он должен перейти к

00:00:12

наиболее используемому пакету визуализации данных в

00:00:13

Python, и сегодня мы собираемся охватить

00:00:15

различные типы графиков, различные

00:00:17

варианты стилей, а как мы можем построить

00:00:19

несколько графиков одновременно с

00:00:21

подсюжетами с несколькими фигурами, мы

00:00:23

поговорим об анимации, мы

00:00:25

поговорим о 3D-графике, так что это

00:00:27

будет всеобъемлющий

00:00:28

ускоренный курс matplotlib, так что давайте

00:00:30

сразу перейдем к делу

00:00:35

[Музыка]

00:00:40

теперь, прежде чем мы перейдем к самому

00:00:42

уроку, я хотел бы упомянуть, что

00:00:43

это видео спонсируется Formula

00:00:45

Studio, которая представляет собой расширение Google Sheets на базе GPT,

00:00:47

которое может быть очень

00:00:49

интересно для многие из вас, ребята, так что

00:00:51

не пропустите эту часть, сейчас мы можем посмотреть на

00:00:53

функциональность здесь, в этом примере.

00:00:55

Я собираюсь открыть его в новой вкладке.

00:00:56

Это анимированное изображение, и

00:00:59

здесь мы можем увидеть одну из функций. это

00:01:00

редактор справа, который позволяет нам

00:01:03

редактировать эти формулы Google Sheets таким

00:01:06

образом, чтобы мы также редактировали

00:01:08

код Python с подсветкой синтаксиса и

00:01:09

несколькими строками, и вторая функция

00:01:11

здесь — мы можем попросить GPT сгенерировать

00:01:14

формулы Google Sheets для us Я

00:01:17

подготовил простой пример: у нас есть

00:01:18

два столбца: имя и фамилия, а

00:01:21

также пустой столбец почты,

00:01:24

и теперь мы хотим просто взять имя и

00:01:26

фамилию. Я хочу объединить

00:01:28

их в электронное письмо, которое имеет шаблон

00:01:30

имя точка фамилия на mail.com

00:01:33

очень простой пример, но он

00:01:34

покажет вам, как работает этот инструмент, поэтому я просто

00:01:37

открою здесь расширение

00:01:38

открытого редактора Formula Studio,

00:01:41

а затем мы перейдем

00:01:44

к Формула Ай, и я

00:01:46

собираюсь сказать, что

00:01:47

из

00:01:49

двух столбцов имен

00:01:52

возьмите имя и фамилию

00:01:57

и объедините их в строчные буквы электронной почты,

00:02:04

используя этот шаблон, а затем я смогу

00:02:07

предоставить шаблон имени, точки,

00:02:10

фамилии по почте. com,

00:02:12

и я могу просто сгенерировать формулу здесь,

00:02:15

и это даст мне что-то,

00:02:17

что я могу просто скопировать и вставить в

00:02:19

столбец почты, и если я не удовлетворен

00:02:22

результатом, конечно, я могу изменить запрос,

00:02:24

но в этом случае я Я собираюсь просто скопировать и вставить

00:02:26

это

00:02:27

сюда, и теперь я могу просто перетащить

00:02:30

это вниз, и вы увидите, что это

00:02:32

дало результат, которого я ожидал,

00:02:34

как я уже упоминал, это очень простой

00:02:36

и тривиальный пример, но вы можете сделать гораздо

00:02:38

больше с этим инструментом, поэтому обязательно

00:02:39

ознакомьтесь с ним по ссылке в

00:02:41

описании ниже, хорошо, поэтому сегодня в этом видео мы

00:02:43

собираемся провести полный ускоренный курс по

00:02:45

matplotlib, и, как я

00:02:47

уже упоминал, matpatlib — это наиболее

00:02:49

используемый пакет визуализации данных в

00:02:51

Python, и он очень важен для

00:02:53

процессов обработки данных и машинного обучения,

00:02:55

потому что многие из этих шагов в этих

00:02:57

процессах включают визуализацию данных или,

00:02:59

по крайней мере, могут извлечь выгоду из

00:03:01

визуализации данных, поэтому, например, вы

00:03:03

обычно делаете, это получаете данные, которые вы изучаете,

00:03:05

данные, которые вы предварительно обрабатываете. данные, вы тренируете

00:03:07

модель на данных, а затем оцениваете

00:03:09

модель, используя тестовые данные, и,

00:03:12

например, в части исследования вы

00:03:13

обычно не хотите просто просматривать в виде текста

00:03:16

или чисел статистику, которая

00:03:19

не визуализируется, но вы обычно хотите ее просмотреть.

00:03:21

посмотрите на гистограммы или любые

00:03:23

другие графические представления

00:03:25

данных, чтобы получить интуитивное

00:03:28

понимание данных и

00:03:30

сразу увидеть определенные закономерности, которые вы

00:03:32

не увидите, если просто посмотрите на

00:03:34

кучу чисел, а затем вы также можете

00:03:35

получить еще несколько расширенные визуализации,

00:03:37

такие как тепловые карты корреляции, и, конечно,

00:03:39

когда вы оцениваете модель, вы можете иметь

00:03:41

определенные графические представления

00:03:44

результатов, которые более интуитивно понятны,

00:03:46

особенно когда вам нужно представить их

00:03:47

деловому человеку, а не техническому

00:03:49

специалисту, который может сделать много смысл,

00:03:52

а затем у вас также есть определенные

00:03:54

ситуации, такие как кластеризация k-средних, чтобы

00:03:57

выбрать оптимальное количество кластеров, у

00:03:58

вас есть определенные графики, которые вы

00:04:01

можете нарисовать, чтобы вы могли найти

00:04:04

оптимальное количество кластеров без кавычек, так что

00:04:06

есть много использования случаи в

00:04:08

науке о данных и машинном обучении, где

00:04:09

визуализация может помочь вам не только

00:04:11

понять результаты, но также

00:04:15

найти лучшие параметры для

00:04:17

самого обучения и фактически понять

00:04:19

данные, прежде чем вы построите модель

00:04:22

интуитивно понятным способом,

00:04:24

а Matlab — очень мощный инструмент это

00:04:27

позволяет нам это сделать, и сегодня мы

00:04:28

собираемся охватить различные аспекты

00:04:30

matplotlip, мы собираемся начать с

00:04:32

некоторых основных типов графиков, затем мы собираемся

00:04:33

перейти к стилизации, построению

00:04:36

нескольких графиков в

00:04:39

UM, анимации, 3D-графике. и

00:04:41

все в таком духе, так что это будет

00:04:44

очень удобно для новичков, мы собираемся

00:04:45

начать с нуля, а затем мы собираемся

00:04:46

перейти к более сложным темам, поскольку

00:04:50

сегодня мы рассмотрим все в одном видео, так что, конечно, первое, что нужно сделать.

00:04:53

вам нужно, чтобы

00:04:54

в вашей системе был установлен matplotlip, и

00:04:56

для этого мы собираемся открыть

00:04:57

командную строку и использовать pip,

00:04:58

в моем случае pip3, и мы собираемся

00:05:01

установить mat.lib теперь в этом видео сегодня

00:05:04

мы также собираемся использовать numpy теперь numpy

00:05:07

не обязательно является обязательным условием для

00:05:10

matplotlib, вы можете использовать matplotlib с

00:05:12

обычными списками Python, но в

00:05:14

науке о данных обычно у вас есть наборы данных, которые

00:05:16

вы обрабатываете с помощью pandas, у вас есть

00:05:18

визуализации, которые вы делайте с

00:05:19

matlablip, и у вас есть numpy, который вы

00:05:22

используете практически для всего, для

00:05:24

эффективной работы с гонкой для

00:05:26

сбора данных и подачи их в

00:05:30

алгоритмы машинного обучения для транспонирования их

00:05:32

для предварительной обработки в целом для выполнения

00:05:35

всех видов вещей, которые вы используете numpy, поэтому я

00:05:37

Также на моем канале есть ускоренный курс по numpy,

00:05:39

если вы хотите это проверить,

00:05:41

но для этого сегодняшнего видео нам не понадобится

00:05:43

какой-то Advanced numpy, мы просто собираемся

00:05:45

сгенерировать некоторые данные, которые затем сможем

00:05:46

визуализировать с помощью numpy, но из-за

00:05:49

этого мы мы также собираемся установить

00:05:51

здесь numpy, поэтому pip установите matplotlib и numpy,

00:05:54

и как только вы это сделаете, вы можете просто войти

00:05:56

в python в файл python, и вы

00:06:00

можете импортировать numpy SNP, и мы можем импортировать

00:06:04

matplotlib dot Piplot splt, это

00:06:07

обычное соглашение потому что большая часть

00:06:09

того, что нам нужно, будет

00:06:11

предоставлена модулем piplot в

00:06:13

matplotlib, и поэтому мы импортируем

00:06:16

его специально и импортируем как PLT,

00:06:19

это просто псевдоним, который по

00:06:22

существу используется везде,

00:06:24

так что мы Сначала

00:06:26

нам понадобятся некоторые данные, которые мы

00:06:27

можем визуализировать, как я уже сказал, вы также можете использовать

00:06:29

обычные списки Python, но мы

00:06:30

собираемся просто использовать numpy для генерации некоторых

00:06:32

случайных данных, поэтому мы собираемся сказать здесь x

00:06:35

подчеркивание данных равно,

00:06:37

а затем numpy случайный, позвольте мне

00:06:41

немного опустить микрофон, чтобы я мог

00:06:43

видеть свою клавиатуру, чтобы свести к минимуму

00:06:46

ошибки при вводе здесь, поэтому nprandom точка случайный у

00:06:50

нас будет 50 значений, а, и

00:06:53

мы собираемся умножить на 100, то

00:06:55

здесь мы также получим данные Y по

00:06:57

тому же принципу, а затем мы собираемся

00:06:59

использовать первый тип графика, о котором мы собираемся

00:07:01

узнать сегодня в этом видео, а именно

00:07:02

диаграмму рассеяния.

00:07:04

множество различных точек данных,

00:07:07

отображаемых в виде точек, поэтому для

00:07:11

создания диаграммы рассеяния нам просто нужно

00:07:13

сказать plt.scatter, и мы передаем данные X

00:07:17

и данные Y,

00:07:19

а затем каждый раз, когда вы строите график в

00:07:22

Matlab, вам также нужно покажите результат

00:07:24

конкретно, если, конечно, вы не

00:07:26

работаете в какой-либо среде блокнота Jupyter,

00:07:28

тогда график

00:07:31

обычно отображается автоматически, но если вы

00:07:34

работаете в таком приложении, вам

00:07:36

нужно сказать PLT show, чтобы действительно показать

00:07:38

график, чтобы действительно увидеть результат и

00:07:40

когда вы запустите это, вы увидите, что это

00:07:43

первый график этого видео сегодня, так что,

00:07:45

по сути, у нас просто есть отдельные

00:07:47

точки данных, в данном случае случайно

00:07:49

сгенерированные точки, э-э, от 0 до 100, так что это

00:07:53

логика этих двух строк, у нас

00:07:55

есть случайные числа и когда вы просто

00:07:57

используете случайную функцию numpy, вы получаете

00:07:59

значения от 0 до 1, мы получаем 50 значений

00:08:02

от 0 до 1 и умножаем

00:08:04

их все на 100, чтобы получить точки данных от 0

00:08:07

до 100.

00:08:10

хм, и это результат, так что разброс

00:08:12

график просто берет отдельные

00:08:14

точки данных и отображает их как точки,

00:08:17

и, конечно, когда я запускаю это снова, мы

00:08:19

каждый раз будем получать разные данные,

00:08:21

потому что теперь точки генерируются случайным образом

00:08:22

для тех из вас, у кого

00:08:25

нет интуиции numpy, мы можем распечатать

00:08:29

данные X и вы можете видеть, что это всего лишь

00:08:32

значения X, это всего лишь 50 значений

00:08:34

от 0 до 100. В этом нет ничего особенного,

00:08:36

и данные Y

00:08:39

то же самое,

00:08:41

поэтому у нас просто есть сто значений для

00:08:43

оси X, 100 значений для оси Y и

00:08:46

тогда комбинация этих двух значений

00:08:47

является точкой, поэтому у нас есть это значение x, это

00:08:50

значение y, и это точка данных, и,

00:08:52

таким образом, мы рисуем ее,

00:08:54

мы собираемся перейти к стилизации позже.

00:08:56

Я не собираюсь обсуждать различные

00:08:57

параметры. что у нас здесь есть

00:08:59

тип ширины цветной линии, или в этом случае у нас

00:09:02

нет линий, но вы можете использовать

00:09:03

маркеры, вы можете иметь размеры, вы можете иметь

00:09:05

цвета, но сейчас мы просто рассмотрим,

00:09:08

гм, или на самом деле мы собираемся чтобы сделать это таким образом,

00:09:10

я собираюсь показать вам основные

00:09:11

параметры стилизации для отдельных

00:09:13

функций, но позже мы

00:09:14

поговорим о стилизации в целом более

00:09:16

подробно,

00:09:18

но, конечно, если вы хотите иметь

00:09:20

полную картину для каждой функции. что

00:09:22

я показываю здесь сегодня для каждой концепции для

00:09:24

каждого типа графика, это гораздо больше, чем

00:09:26

я могу показать в одном видео, поэтому, если вы хотите

00:09:28

иметь полные параметры,

00:09:30

полные описания всех различных

00:09:32

значений, которые вы можете иметь, это всегда

00:09:34

хорошая практика. в

00:09:36

документацию и найдите отдельные

00:09:38

функции, отдельные параметры в

00:09:39

отдельных примерах, потому что, конечно, у

00:09:41

вас

00:09:43

здесь много вариантов, но мы собираемся

00:09:46

сказать здесь сейчас, например, если я хочу

00:09:48

иметь другой цвет, что я могу сделать, это

00:09:50

Я могу сказать, что C равно, и я могу сказать красный,

00:09:52

например S, как слово, и теперь вы можете видеть, что у меня

00:09:57

здесь, на точечной диаграмме, красные точки вместо синих точек, но, конечно,

00:09:59

вам не обязательно указывать названия цветов, которые

00:10:01

вы также можете предоставить. шестнадцатеричные цвета, поэтому я могу

00:10:04

сказать хэштег, чтобы указать шестнадцатеричный код цвета,

00:10:07

и я могу сказать, например, ноль ноль ноль,

00:10:10

который будет черным,

00:10:13

или технически это ноль ноль ноль

00:10:15

ноль ноль ноль, но вы можете сократить его

00:10:17

или написать в короткой форме

00:10:20

просто используя три нуля, а затем вы

00:10:22

также можете сделать, например, зеленый RGB означает, что 0

00:10:26

255 0 будет 0 f 0 для зеленого,

00:10:31

так что вы также можете указать такие цвета,

00:10:33

а затем мы также

00:10:35

можем предоставить другой маркер, который мы могу

00:10:37

сказать: «Хорошо, я не хочу иметь точки, я

00:10:39

хочу иметь звезды, поэтому я могу указать

00:10:42

здесь этот символ звездочки, и теперь вы можете видеть,

00:10:44

что точки данных являются звездами, и, возможно,

00:10:46

вы увидите это лучше, если я выберу

00:10:50

там синий цвет» вы идете,

00:10:52

так что теперь это отдельные точки данных

00:10:54

с другим маркером, и если вы

00:10:56

думаете, что они слишком малы, вы можете

00:10:58

просто пойти дальше и сказать, что s равно 150. Я

00:11:02

думаю, что это должно быть больше, вот и все,

00:11:05

но я удалил маркер, так что теперь у нас

00:11:07

снова есть точки,

00:11:09

давайте снова перейдем к звездам, вот и

00:11:13

все, и, конечно, я также могу сделать их

00:11:14

прозрачными, чтобы вы могли видеть, что это

00:11:16

может иметь смысл, если у меня есть

00:11:18

тысяча, или на самом деле это

00:11:21

число, которое нужно изменить, если у меня тысяча

00:11:23

точек данных

00:11:25

вместо 50 вы можете видеть, что многие из

00:11:27

них перекрываются, и, чтобы увидеть, где у

00:11:31

меня больше элементов, я могу просто пойти дальше

00:11:33

и сказать, что альфа

00:11:35

равна 0,3, что означает, что здесь есть некоторая

00:11:38

прозрачность, и вы можете увидеть,

00:11:40

перекрываются ли эти звезды, у нас есть

00:11:43

более темные зоны. здесь я имею в виду, что на самом деле сейчас,

00:11:45

когда я увеличиваю масштаб, они не перекрываются, но если у

00:11:48

нас есть некоторое перекрытие, вы можете видеть, что у нас

00:11:50

есть более темные области и более

00:11:52

светлые области, если нет перекрытия,

00:11:55

так что да, это некоторые основные интересные

00:11:57

параметры для рассеяния. Графики: вы можете

00:11:59

настроить цвет, размер маркера и

00:12:01

прозрачность,

00:12:03

теперь иногда вы не хотите

00:12:06

отображать точки данных, потому что у вас нет просто

00:12:08

двух атрибутов, и вы хотите

00:12:09

разбросать точки, которые вы хотите иметь

00:12:11

на самом деле некоторые связи, которые вы хотите

00:12:13

построить линию, потому что у вас есть, например,

00:12:15

данные временных рядов, у вас есть определенные

00:12:18

годы, и у вас есть еще один атрибут,

00:12:20

который вы хотите отслеживать с течением времени,

00:12:22

в этом случае имеет смысл не использовать

00:12:25

точечную диаграмму, а использовать линейную диаграмму и

00:12:28

для этого примером было бы сказать, что

00:12:32

я собираюсь использовать обычный список Python,

00:12:34

скажем, у меня есть годы, а

00:12:36

годы, скажем, 2006, и я собираюсь

00:12:40

использовать для этого формулу, потому что я

00:12:42

не хочу используйте э-э, я не хочу

00:12:43

сам записывать здесь все эти значения, я

00:12:46

могу сказать плюс x 4x в диапазоне 16, так что я

00:12:52

собираюсь сократить половину

00:12:54

16 лет, поэтому я собираюсь распечатать это,

00:12:57

чтобы вы могли увидеть, что это на самом деле

00:12:58

это как 2006 7 8 9 10 и так далее

00:13:02

до 2021 года, поэтому я просто сгенерировал

00:13:05

здесь несколько лет и собираюсь сделать то же

00:13:07

самое с весами или, на самом деле, с

00:13:08

весами, которые я собираюсь ввести сам, и

00:13:11

идея в том, что Я хочу визуализировать

00:13:13

изменение веса человека за

00:13:16

все эти годы здесь, и как я могу

00:13:19

это сделать, у меня просто есть годы и

00:13:21

некоторый вес, поэтому я буду использовать

00:13:22

килограммы 80 83

00:13:24

84 85 86,

00:13:28

а затем, возможно, 82

00:13:30

81 79 83

00:13:34

[Музыка]

00:13:36

ну, сколько значений нам

00:13:39

нужно, нам нужно 16, итак, один, два, три, четыре, пять, шесть, семь, восемь,

00:13:43

девять,

00:13:47

давайте возьмем 80, 10,

00:13:50

итак, теперь у нас есть 82, 82, 83,

00:13:54

81, 80.

00:13:57

79 Я думаю, это должно быть 16.

00:14:01

хм на самом деле мы можем подтвердить это,

00:14:02

указав продолжительность лет и длину без

00:14:06

весов, но это, конечно, некоторые типичные данные,

00:14:08

которые вы хотели бы построить в виде

00:14:10

линейной диаграммы, и

00:14:12

здесь мы можем просто сказать

00:14:14

plt.plot, что мы не делаем нужно сказать «линия PLT»,

00:14:16

потому что функция построения графика по умолчанию строит

00:14:18

линейную диаграмму,

00:14:20

поэтому PLT отображает годы и вес

00:14:25

или веса, а затем снова показывает PLT, чтобы

00:14:27

фактически отобразить диаграмму, и тогда вы

00:14:29

можете видеть, что теперь у нас есть линейная диаграмма, поэтому

00:14:32

точки взаимосвязаны, а не

00:14:34

теперь, конечно, только отдельные точки, я

00:14:36

также могу построить это как диаграмму рассеяния, это,

00:14:38

конечно, все равно будет работать, но тогда вы

00:14:40

получите другую картину, поэтому у меня есть

00:14:42

отдельные точки данных вместо

00:14:43

связи, которая здесь не имеет особого

00:14:46

смысла, потому что у нас есть прогресс

00:14:48

или изменения в течение нескольких лет, и,

00:14:52

конечно, эти точки связаны,

00:14:53

они не просто отдельные точки данных,

00:14:56

поэтому имеет смысл использовать линейный график,

00:15:01

как вы можете видеть здесь,

00:15:03

и, конечно, здесь у нас снова есть

00:15:04

различные варианты настройки поэтому я могу

00:15:06

сказать, что хочу снова иметь определенный цвет,

00:15:08

то же самое, я могу сказать, что цвет равен

00:15:11

красному, и у меня есть красная линейная диаграмма, я

00:15:14

также могу, кстати, просто сказать, что цвет равен R,

00:15:16

и если R уникален, он будет красным,

00:15:18

поэтому в данном случае r - красный, я думаю, если я

00:15:21

выберу синий, он будет синим, если я

00:15:24

выберу, или если я выберу B, он будет

00:15:26

синим, если я выберу G, он будет

00:15:28

зеленым, да,

00:15:30

так что вы можете сделать это так это также,

00:15:33

а затем мы можем сделать такие вещи, как ширина линии,

00:15:35

чтобы я мог сказать: «Хорошо, я хочу иметь более

00:15:37

толстую линию, чтобы LW было равно

00:15:39

3.

00:15:41

и теперь вы можете видеть, что линия толще,

00:15:43

я могу даже сделать это более экстремальным»

00:15:44

установив для этого значения значение 10, и вы увидите, что у

00:15:47

нас здесь очень толстая линия,

00:15:50

а также я могу изменить тип линии, чтобы я

00:15:52

мог сказать, например, что я хочу иметь

00:15:54

пунктирную линию, я хочу сказать, что

00:15:56

стиль линии

00:15:58

будет равен тире тире, как

00:16:02

этот дефис, дефис, и это приведет к

00:16:04

созданию пунктирной линии, и, конечно, в

00:16:06

этом случае это выглядит не слишком хорошо,

00:16:07

потому что у нас такая толстая линия,

00:16:09

но да, именно так вы также можете изменить

00:16:12

стиль здесь, э-э,

00:16:15

кстати, это также можно сделать,

00:16:19

просто указав позиционные

00:16:20

параметры, чтобы я мог сказать годы и

00:16:22

веса, а затем я могу передать

00:16:24

сюда строку и сказать R тире, чтобы получилась

00:16:27

красная пунктирная линия, так что это тоже работает,

00:16:31

я думаю, хотя линия ширину нужно

00:16:33

передавать отдельно, поэтому я должен был бы

00:16:35

сказать LW и три, вот и все, так что это

00:16:38

также работает здесь и сейчас,

00:16:41

так что теперь мы, по сути, просто разбрасываемся,

00:16:44

просто наносим на график разные точки,

00:16:46

соединяющие их, например, во временном ряду,

00:16:49

и теперь мы хотим посмотрите на

00:16:51

категориальные данные, поэтому иногда у вас может

00:16:53

быть опрос, вы можете спросить людей,

00:16:55

какой ваш любимый

00:16:57

язык программирования, а затем вы хотите визуализировать

00:16:58

результаты этого опроса этого опроса,

00:17:00

например, вы могли бы,

00:17:04

ну, давайте продолжим, и сказать, что

00:17:07

x равно и я собираюсь сказать C плюс

00:17:11

плюс

00:17:12

C Sharp

00:17:16

Python

00:17:17

Java и вперед,

00:17:21

а затем у нас есть данные Y, которые

00:17:24

будут голосами,

00:17:27

поэтому я могу сказать, что у нас есть 20 голосов за C

00:17:30

plus плюс у нас есть 50 голосов за C Sharp, у

00:17:33

нас есть 140 голосов за python, у нас есть один для

00:17:36

Java, и я не знаю, 45 для go,

00:17:40

а затем я хотел бы иметь

00:17:42

гистограмму, показывающую это сейчас, я не уверен,

00:17:45

собираюсь ли я по умолчанию попробовать это сейчас, я

00:17:47

думаю, по умолчанию это

00:17:49

тоже должно работать так, но

00:17:52

здесь мы используем функцию plt.bar, и мы можем передать ее,

00:17:55

о, на самом деле она работает прямо из

00:17:57

коробки. Я подумал, что, возможно, мне придется

00:17:59

сначала передать числовые значения, а

00:18:01

затем придется пометьте их, но на самом деле это

00:18:03

работает, если у вас сразу есть только текстовые

00:18:06

значения,

00:18:08

так что вы можете видеть здесь, это простая

00:18:10

гистограмма. У меня просто есть значения Y,

00:18:13

значения X, и это, конечно, имеет смысл

00:18:15

для категориальных данных, если я хочу скажем,

00:18:17

хорошо, сколько людей проголосовало за Python,

00:18:19

сколько людей проголосовало за Java и так далее,

00:18:22

хм, что, конечно, не следует путать

00:18:24

с гистограммой, о которой мы собираемся

00:18:25

поговорить здесь дальше, потому что

00:18:26

гистограмма — это статистический график,

00:18:29

показывающий частоту значений на

00:18:31

оси X, а не только

00:18:36

категориальных сумм, так что это не

00:18:38

гистограмма, хотя во многих случаях

00:18:39

гистограммы и гистограммы выглядят очень

00:18:42

похоже. Одна вещь, которую вы можете запомнить

00:18:44

в большинстве гистограмм, у вас не

00:18:46

будет пробелы в большинстве гистограмм у вас

00:18:48

будут пробелы,

00:18:50

хм, но да, здесь, конечно, мы также можем

00:18:52

сделать

00:18:53

некоторые стили, мы можем сказать, ок, цвет

00:18:56

будет красным, я могу также сказать выравнивание,

00:19:00

вы можете сказать, что выравнивание равно травлению,

00:19:04

а что такое проблема здесь, на

00:19:06

самом деле здесь нам нужно указать цвет,

00:19:08

а не C,

00:19:10

и Alignment Edge по сути говорит нам,

00:19:13

что сама полоса будет начинаться

00:19:15

здесь, в определенной точке, поэтому здесь у нас

00:19:18

есть C плюс плюс, вот точка, и

00:19:20

вы можете видеть полосу, в которой она находится. справа

00:19:22

от C плюс плюс конец это верно для всех

00:19:25

языков здесь, если я опущу этот

00:19:27

параметр, вы увидите, что линия

00:19:29

фактически находится в центре гистограммы,

00:19:31

поэтому у нас есть точка C плюс плюс здесь

00:19:33

и полоса над ней по центру

00:19:36

Итак, мы можем сделать линию,

00:19:38

равную краю,

00:19:41

тогда мы также можем сказать, что ширина

00:19:44

полос должна быть, например, 0,5, а затем у

00:19:47

вас есть несколько более тонких полосок меньшего размера,

00:19:50

я также могу сказать 0,1,

00:19:52

и теперь вы можете видеть, что у нас очень тонкие

00:19:54

полоски.

00:19:55

тогда мы также можем сказать, что хотим иметь

00:19:58

другой цвет края, допустим,

00:20:00

цвет края

00:20:02

будет

00:20:04

зеленым,

00:20:07

и теперь вы можете видеть, я не знаю,

00:20:09

хорошо ли вы это видите на видео, но

00:20:11

вы можете видеть, что у нас есть несколько зеленых краев

00:20:13

вокруг красных полос, теперь мы

00:20:16

сможем увидеть это лучше, если я скажу, что

00:20:18

ширина линии равна шести, например, вот и все,

00:20:21

теперь вы можете видеть, что у нас есть зеленые линии

00:20:23

вокруг красных полос,

00:20:26

так что да, у вас есть множество

00:20:28

вариантов стиля здесь а

00:20:29

теперь давайте перейдем к гистограммам, которые

00:20:32

мы только что упомянули,

00:20:34

для этого мы собираемся просто сгенерировать

00:20:35

здесь некоторые данные, используя нормальное

00:20:37

распределение, поэтому я собираюсь сказать,

00:20:39

например, что возраст равен numpy и случайный или

00:20:45

на самом деле не numpy, извините, NP случайный а

00:20:49

затем нормальное, то есть нормальное распределение

00:20:51

со средним значением 20 лет и

00:20:55

стандартным отклонением 1,5 года, а затем

00:20:58

мы хотим сгенерировать тысячу разных

00:20:59

возрастов, чтобы я мог распечатать это,

00:21:03

чтобы вы могли увидеть, как это выглядит, у нас

00:21:04

есть куча возрастов со средним значением 20

00:21:06

и стандартным отклонением 1,5, и

00:21:10

теперь я могу просто сказать

00:21:12

plt.histogram по возрастам, поэтому постройте

00:21:15

гистограмму на основе краев,

00:21:18

а затем PLT не покажет результат, и теперь у

00:21:22

нас есть гистограмма вы можете увидеть здесь среднее значение, равное

00:21:23

20, и вы можете видеть, что у нас есть,

00:21:27

я думаю, наименьшее значение где-то

00:21:29

около

00:21:32

да 16 15 что-то в этом роде

00:21:36

хм и да, так что

00:21:39

это гистограмма, конечно, здесь мы

00:21:41

также можем изменить некоторые вещи, которые мы можем сказать, э-э,

00:21:44

это

00:21:45

[Музыка] хм,

00:21:47

мы можем указать ячейки, чтобы мы могли

00:21:49

настроить их вручную. Я не

00:21:52

уверен, что мы также можем указать

00:21:53

здесь число, позвольте мне просто поискать функцию,

00:21:56

потому что я знаю, что в pandas мы можем установить

00:21:58

bin, равный число, а затем мы можем

00:22:01

получить столько-то ячеек. Я собираюсь

00:22:03

попробовать это, чтобы увидеть, работает ли это,

00:22:06

кажется, на самом деле также работает здесь,

00:22:08

да, поэтому мы можем сделать это так, что мы можем

00:22:10

указать количество ячеек, мы можем сказать 20

00:22:13

ячеек и тогда у нас есть 20 разных ячеек

00:22:15

на гистограмме, но мы также

00:22:17

можем указать здесь конкретные ячейки как

00:22:20

коллекцию, чтобы я мог сказать, что минимальный возраст точки

00:22:22

до 18 лет будет интервалом

00:22:26

гм или на самом деле от нуля до

00:22:28

возраста Мин будет корзиной от Aegis.

00:22:30

Мин до 18 будет корзиной

00:22:32

от 18 до 21, а затем от 21

00:22:35

до возраста. Макс. до самого высокого уровня,

00:22:39

ну или на самом деле это уже

00:22:41

минимум, поэтому у нас есть только это к этому к этому

00:22:43

к этому

00:22:45

это основная идея здесь, и

00:22:48

я думаю, что на самом деле да, это работает, как вы

00:22:52

можете видеть здесь,

00:22:54

так что вы можете либо передать здесь число, либо

00:22:56

вы можете передать коллекцию реальных ячеек,

00:22:58

так что либо вы хотите заставить ее иметь

00:23:01

20 разные ячейки, или вы просто

00:23:03

сами указываете 20 разных ячеек, если

00:23:05

хотите, мы также можем

00:23:08

немного изменить значения, если я изменю

00:23:09

стандартное отклонение на 7,5, например,

00:23:12

вы можете видеть, что теперь у нас есть значения в

00:23:15

диапазоне, ну, на самом деле у нас есть значения ниже

00:23:18

нуля, что, конечно, не то, что мы хотим,

00:23:19

но это то, что происходит, когда у вас есть

00:23:22

нормальное распределение с этим стандартным

00:23:23

отклонением, вероятно, это произойдет, если вы

00:23:25

сгенерируете тысячи значений ниже нуля,

00:23:28

но да, именно так мы можем строить

00:23:30

гистограммы, мы также можем постройте кумулятивную

00:23:33

гистограмму, чтобы мы могли сказать, что на самом деле

00:23:35

здесь кумулятивная равняется истине, чтобы построить

00:23:39

кумулятивную функцию распределения,

00:23:42

чтобы вы могли видеть, что она идет от 0 до 1000,

00:23:46

в основном сообщая нам, сколько людей

00:23:49

в этом или в этом возрасте или ниже этого

00:23:53

H, поэтому максимальный возраст, кажется, где-то

00:23:56

около 24 пунктов, что-то э-э, все

00:24:00

эти люди 1 000 человек, потому что у нас

00:24:03

есть 1 000 точек данных, они ниже

00:24:05

этого H или равны этому H, и вы можете

00:24:08

увидеть, перейдем ли мы к этому возрасту только все

00:24:10

люди эээ, ниже 18

00:24:14

или сколько у нас здесь должно

00:24:16

быть около 100 около 100 человек

00:24:20

имеют H 18 или ниже вот

00:24:23

как вы читаете эту функцию,

00:24:26

все в порядке, так что еще мы можем сделать, мы

00:24:29

также можем иногда сделать круговую диаграмму у нас

00:24:31

есть

00:24:32

независимые сюжеты, поэтому иногда у нас

00:24:35

есть независимые категории,

00:24:37

например, вы либо то, либо что-то

00:24:39

еще, что не обязательно перекрывается, и

00:24:42

тогда имеет смысл показать соотношение

00:24:44

разных людей, и для этого

00:24:48

мы можем использовать круговая диаграмма,

00:24:51

скажем, на этот раз мы не спрашиваем

00:24:54

просто о языках программирования в целом,

00:24:55

какой язык программирования вы используете,

00:24:57

но мы хотим знать, окей, какой

00:24:59

язык программирования является вашим

00:25:01

любимым, поэтому вы можете иметь только один, если он

00:25:03

ваш любимый языки программирования

00:25:04

python, это не может быть C плюс плюс

00:25:06

одновременно, поэтому мы можем сделать это, сказав

00:25:10

еще раз, что

00:25:11

языки будут равны

00:25:14

Python

00:25:17

C плюс

00:25:20

Java

00:25:22

C, и я думаю, что до того, как у нас был C Sharp,

00:25:26

давайте сделаем согласованность Sharp, а затем

00:25:29

у нас снова есть голоса,

00:25:31

и у нас будет 24 питона, или давайте

00:25:34

возьмем 54 питона, 24 для C плюс плюс 14

00:25:37

для Java,

00:25:39

6 для C-диез и 17 для го, а затем

00:25:42

мы просто скажем PLT pi,

00:25:45

я собираюсь есть голоса, и метки

00:25:48

для этих голосов будут

00:25:50

языками.

00:25:51

PLT show вы увидите результат,

00:25:53

и теперь вы можете видеть, что у нас есть круговая диаграмма,

00:25:57

и вы можете видеть, что у нас есть

00:25:59

Python — это синий C плюс плюс — оранжевый

00:26:01

зеленый — Java красный — это C Sharp, а фиолетовый —

00:26:04

идти, и, конечно, эта диаграмма имеет

00:26:07

смысл, если сообщества не

00:26:09

пересекаются, поэтому, если вопрос,

00:26:11

например, в том, сколько из вас, ребята, используют Python,

00:26:13

сколько из вас, ребята, используют C, плюс

00:26:15

человек, использующий Python, также может используйте C

00:26:16

plus plus, но если это так, если

00:26:19

это наш вопрос,

00:26:22

этот график не имеет особого смысла,

00:26:24

потому что он показывает,

00:26:26

сколько людей используют Python по сравнению с C plus

00:26:28

plus, и он не должен перекрываться,

00:26:30

когда вы используете круговая диаграмма в оптимальном

00:26:33

случае

00:26:34

теперь у нас есть много

00:26:37

вариантов настройки, поэтому, например,

00:26:39

мы можем взорвать

00:26:41

определенные части, чтобы мы могли взять определенные

00:26:42

части из диаграммы и

00:26:46

вытащить их из круговой диаграммы немного диаграммы,

00:26:48

чтобы выделить их, например, чтобы мы

00:26:50

могли сказать, что здесь взрывается равно, а затем мы

00:26:52

можем сказать, что для Python, может быть, мы хотим

00:26:54

вытащить его немного 0,3, а остальное

00:26:56

останется там, где оно равно нулю, нолю,

00:27:00

и тогда мы сможем увидеть здесь взрыв

00:27:04

равен взрыву,

00:27:07

и в результате мы

00:27:09

немного вытягиваем питон или, может быть, мы хотим

00:27:11

сделать это с до-диезом, потому что это

00:27:13

наименьшее число, поэтому оно перешло бы в эту

00:27:15

позицию здесь, и я бы сказал,

00:27:17

например, 0,2 и сейчас вы можете видеть, что он

00:27:20

немного вытянут за пределы круговой диаграммы,

00:27:25

хм, другие параметры настройки, конечно,

00:27:27

вы также можете

00:27:29

написать процент внутри или за

00:27:32

пределами круговой диаграммы, сказав «

00:27:36

Автопроцент равен», а затем вы можете указать

00:27:38

формат например, проценты до

00:27:41

эх или процентная точка до F, так что два

00:27:44

знака после запятой, проценты,

00:27:48

итак, у нас есть эти два знака процента,

00:27:50

а внутри у нас есть число с плавающей запятой

00:27:52

до двух десятичных знаков

00:27:54

процентов. Я думаю, что этого уже достаточно,

00:27:57

чтобы показать здесь проценты, как вы мы можем

00:27:59

видеть

00:28:00

так 45,05 Python

00:28:04

для э-э или пять целых четыре целых один процент

00:28:06

для до-диеза,

00:28:08

а затем, конечно, мы также можем указать

00:28:10

процентное расстояние, чтобы мы могли

00:28:12

сказать, что процентное расстояние э-э равно 0,8,

00:28:16

например, два не имеют его полностью

00:28:19

посередине, мы можно также увеличить это

00:28:21

на самом деле, чтобы

00:28:23

я думаю, что 1,88 - это слишком много, может быть, нам следует

00:28:25

использовать 1,2,

00:28:28

э, может быть, 1,3,

00:28:34

да, я имею в виду, что все в порядке, поэтому у нас теперь есть

00:28:36

проценты, удаленные от центра,

00:28:40

и что мы также можем сделать, это

00:28:43

выбрать начальный уровень угол, поэтому, когда вы посмотрите

00:28:45

на это, вы можете увидеть, что гистограмма

00:28:46

или не гистограмма, извините, круговая диаграмма

00:28:48

начинается здесь, а затем она проходит

00:28:50

полный круг, вы также можете начать ее с э-э,

00:28:54

90 градусов, так что, если вы пойдете, это ноль,

00:28:57

90 градусов здесь Итак, вы можете начать его

00:28:59

сверху и сделать это, сказав, что

00:29:01

начальный угол равен 90.

00:29:05

И тогда вы можете видеть, что на самом деле он начинается

00:29:07

здесь, и кажется, что он идет на самом деле

00:29:10

назад, поэтому кажется, что он идет

00:29:13

против часовой стрелки влево, но он

00:29:16

начинается с наверху,

00:29:18

так что это некоторые параметры настройки

00:29:20

круговой диаграммы. Теперь последний тип графика,

00:29:24

который мы собираемся рассмотреть, - это коробчатая

00:29:26

диаграмма, поэтому диаграмма коробчатой диаграммы, по сути, является

00:29:29

статистическим графиком, показывающим

00:29:31

различные квартили, показывающие вам

00:29:33

медиану, показывающую вам максимум в

00:29:36

минимуме и показывать вам выбросы, поэтому для

00:29:38

этого мы

00:29:39

собираемся снова сделать нормальное распределение,

00:29:42

мы собираемся сказать, что на этот раз у нас есть

00:29:43

Высота высоты будет NP, случайная

00:29:47

точка, нормальная и у нас будет

00:29:49

нормальное распределение со 172 сантиметрами

00:29:52

в качестве стандартного отклонения, восемь сантиметров в качестве

00:29:55

стандартного отклонения, и мы собираемся

00:29:56

сгенерировать 300 высот,

00:29:59

так что еще раз, вот как

00:30:00

выглядят цифры,

00:30:04

реалистично это или нет, на

00:30:06

самом деле это не так. имеет значение, но вот как

00:30:07

выглядят цифры,

00:30:09

и что мы собираемся сделать сейчас, так это

00:30:11

построить коробчатую диаграмму, сказав «

00:30:14

Высоты блондинки в квадрате», а затем показать PLT,

00:30:18

и вы можете видеть здесь, теперь у нас есть коробчатая

00:30:20

диаграмма и как вы читаете коробчатую диаграмму, у вас

00:30:24

есть медиана, второй квартиль,

00:30:27

у вас есть третий, первый квартиль,

00:30:29

и, в

00:30:31

основном, у вас есть минимальное значение,

00:30:33

максимальное значение, и все эти точки являются

00:30:35

выбросами, вот как вы это читаете, и

00:30:38

внутри этих блоков здесь, так что отсюда и

00:30:40

сюда у вас столько же значений, сколько и здесь.

00:30:44

Причина, по которой это поле шире, заключается в том, что

00:30:46

значения расположены дальше друг от друга,

00:30:50

поэтому они идут отсюда

00:30:52

сюда, и вот более крайний пример, поэтому

00:30:55

значения варьируются отсюда сюда, но

00:30:59

это одно и то же. количество значений, которые у нас

00:31:01

есть, как здесь, это просто расстройство, ну,

00:31:04

шире,

00:31:05

это основная идея для коробчатой диаграммы, и

00:31:07

это также может быть полезно для изучения

00:31:09

данных, чтобы увидеть, как распределяется

00:31:12

определенная функция в процессе обработки данных,

00:31:16

так что на самом деле я Я собираюсь скопировать и вставить

00:31:18

пример, который у меня есть здесь, на втором

00:31:20

экране, потому что я подготовил здесь некоторый код

00:31:22

и собираюсь показать вам,

00:31:25

что это так, поэтому я собираюсь

00:31:27

скопировать его очень быстро,

00:31:29

я собираюсь вставьте его сюда, у нас здесь

00:31:32

есть искусственно созданные

00:31:35

разделы для коробчатой диаграммы, которую я собираюсь

00:31:38

скопировать или на самом деле я собираюсь написать

00:31:40

это сам, данные равны конкатенации NP,

00:31:42

мы собираемся просто объединить эти

00:31:44

числовые массивы здесь: первый, второй,

00:31:48

третий и четвертый и все это нужно

00:31:51

взять в скобки,

00:31:54

тогда мы просто скажем, что данные коробчатой диаграммы PLT

00:32:00

показывают PLT,

00:32:03

и теперь вы можете видеть, что у нас

00:32:04

довольно экстремальная коробчатая диаграмма, означающая, что у нас

00:32:08

здесь очень широкий диапазон значений.

00:32:11

Я думаю, это второй, так что вы

00:32:14

можете видеть, что в первом у нас есть значения

00:32:15

от 0 до 10, в третьем у нас есть от

00:32:17

200 до 210, а здесь у нас есть от 210 до 200

00:32:21

230, но здесь у нас есть от 10 до 200,

00:32:24

что является широкий диапазон, но вы можете видеть,

00:32:26

что все они имеют 25 значений, и именно поэтому у нас

00:32:28

есть

00:32:31

ящичковая диаграмма, которая у нас есть,

00:32:33

потому что количество значений, которые у нас есть

00:32:36

отсюда и здесь, такое же количество

00:32:38

значений, что и у нас. отсюда до сюда,

00:32:41

но диапазон здесь намного шире, так что

00:32:44

да, это эффект, который такие

00:32:46

числа производят на коробчатой диаграмме, это

00:32:49

все в порядке, так что это некоторые основные

00:32:51

типы графиков, список не полный, вы

00:32:53

всегда можете придумать там какие-нибудь причудливые графики

00:32:55

есть много сюжетов, которые мы

00:32:56

сегодня не рассматриваем, потому что я не хочу

00:32:58

просто просматривать все различные типы

00:33:00

сюжетов, которые у нас есть. Это очень

00:33:02

важные сюжеты, о которых вам следует знать,

00:33:03

но, конечно, у вас есть и еще кое-

00:33:05

что. расширенные графики, такие как тепловые карты,

00:33:07

сумасшедшие графики силуэтов и тому

00:33:09

подобное, но, конечно,

00:33:12

также имеет смысл иногда использовать

00:33:15

некоторые более продвинутые пакеты, такие как Seaborn,

00:33:17

для построения тепловых карт, потому что они упрощают это,

00:33:19

чем когда вы делаете это каждый раз, когда

00:33:21

вы делаете все из поцарапайте в

00:33:23

matplotlip,

00:33:25

но это все, что касается типов графиков, теперь

00:33:26

мы собираемся перейти к настройке

00:33:29

осей, заголовков и тому подобного,

00:33:31

потому что все графики, которые у нас были до

00:33:33

этого момента, были просто самими сюжетами,

00:33:36

и, возможно, у нас был некоторый текст здесь и

00:33:38

там, но график не говорил нам,

00:33:40

что он на самом деле визуализирует, поэтому,

00:33:43

что мы собираемся сделать сейчас, мы

00:33:44

собираемся сказать здесь, что некоторые примеры данных за годы

00:33:47

равны 2014. на самом деле позвольте мне также скопировать это,

00:33:50

потому что руководство не должно

00:33:53

заключаться в простом наборе текста,

00:33:57

так что позвольте мне просто

00:34:00

скопировать это здесь, а затем мы собираемся

00:34:05

вставить это сюда, так что у нас есть

00:34:07

примерные данные, у нас есть годы, у нас есть

00:34:09

доход, и у нас есть отметки дохода, поэтому

00:34:12

отметки дохода - это просто э-э, для

00:34:15

э-э

00:34:17

для Y действовать для оси Y,

00:34:21

чтобы у нас был фактический э-э-текст, который мы

00:34:23

хотим построить. Я собираюсь показать вам здесь,

00:34:25

что это значит, через секунду, но мы можем

00:34:27

просто продолжить сейчас и мы можем сказать

00:34:29

plt.plot годы и доход,

00:34:34

и, конечно, нам нужно показать график, вот и вы

00:34:37

видите, что доход

00:34:39

растет, что является оптимальным, но теперь мы хотим

00:34:42

внести здесь некоторые настройки, поэтому в

00:34:44

первую очередь мы хотим сделать это хочу, чтобы

00:34:46

заголовок действительно объяснял то, что мы

00:34:48

здесь визуализируем, потому что мы видим, окей, у нас есть

00:34:49

несколько лет, мы можем

00:34:51

предположить, что это годы, о которых мы

00:34:52

на самом деле не знаем,

00:34:54

гм, и тогда у нас есть некоторые значения здесь, но

00:34:56

что это такое на самом деле идея в том,

00:34:58

что это годы, это цифры

00:35:01

дохода, так что это доход в долларах США в

00:35:04

тысячах, так что это не 55 долларов в

00:35:07

год, а на самом деле 55 000 в год,

00:35:11

вся диаграмма - это доход, скажем, Джона,

00:35:13

а это не так. рассказать нам еще много, поэтому у нас

00:35:17

есть просто линия, которая, вероятно, существует

00:35:19

несколько лет, и у нас есть некоторые значения с

00:35:20

левой стороны, но мы хотим сделать это

00:35:22

более явным. Я хочу на самом деле объяснить,

00:35:24

что происходит на графике, и именно поэтому у

00:35:26

нас есть эти

00:35:28

здесь у нас есть просто от 50 до 81.

00:35:31

хм, так что это включает в себя все эти значения

00:35:34

в этом диапазоне,

00:35:35

и мы хотим взять эти тики дохода,

00:35:37

чтобы на самом деле отформатировать их во что-то,

00:35:40

говоря, что это в тысячах

00:35:42

долларов США, поэтому у нас нет 50, но мы у нас есть 50

00:35:45

000 долларов США,

00:35:47

поэтому мы

00:35:49

собираемся сказать, что

00:35:51

после или до построения графика не имеет особого

00:35:53

значения, мы собираемся сказать, что plt.title — это

00:35:56

первое, что мы хотим сделать, если мы хотим сделать

00:35:58

заголовок функция задает заголовок

00:35:59

графика, поэтому, если я скажу здесь «доход Джона»,

00:36:04

это то, что мы увидим

00:36:06

здесь вверху, так что на самом деле это говорит нам о том, что

00:36:08

этот график — это доход Джона,

00:36:11

и, возможно, я хочу добавить, э-

00:36:14

э, США. долларов или что-то в этом роде,

00:36:19

теперь для каждой оси по осям X и Y

00:36:21

мы также можем указать метку, чтобы я

00:36:24

мог сказать, что метка PLT X для оси X — это

00:36:28

год,

00:36:29

а метка PLT y

00:36:32

— это доход в долларах США,

00:36:38

поэтому

00:36:40

мы есть год, у нас есть доход в

00:36:42

долларах США, и у нас есть доход

00:36:43

Джона в качестве названия здесь, конечно, это

00:36:46

пока не совсем правильно, потому что у нас

00:36:48

нет 55 э-э,

00:36:51

55 долларов дохода, нам нужно добавить

00:36:54

здесь k, чтобы сделать это правильно и, возможно, мне

00:36:56

также следует указать, что это

00:36:59

годовой доход в долларах США, чтобы

00:37:03

фактически отформатировать отметки Y, теперь мы

00:37:05

снова используем подоходный налог, который мы сгенерировали здесь,

00:37:07

просто чтобы объяснить это. Единственная причина, по которой я

00:37:09

сгенерировал таким образом, заключается в том, что у нас есть

00:37:11

значения от 55 до 75, и если я хочу

00:37:15

построить график,

00:37:16

ну, если я хочу показать все тики

00:37:19

между 50 и 81, я могу просто

00:37:23

я могу включить сюда весь этот диапазон,

00:37:25

и у меня есть больше, чем просто данные, которые

00:37:28

я хочу показать, поэтому я хочу пойти

00:37:29

немного ниже минимума и немного

00:37:31

выше максимума, поэтому вместо 55

00:37:34

и 75 я возьму 50 и 80 и использую

00:37:37

81, потому что тогда он не включается,

00:37:41

хм, но да, что я могу сделать сейчас, так это сказать

00:37:44

«plt» .y тики, и я могу сказать здесь

00:37:47

тики дохода для фактических значений, а затем

00:37:50

мы собираемся указать

00:37:51

понимание списка здесь в строке F, которая

00:37:54

говорит некоторое значение X, а затем K долларов США

00:37:58

четыре x в виде подоходного налога,

00:38:03

так что это логика здесь и что

00:38:06

происходит здесь сейчас, как вы можете видеть

00:38:08

по оси Y, у нас сейчас есть 80 тысяч долларов США,

00:38:12

78 тысяч долларов США и так далее и тому подобное,

00:38:16

так что теперь это правильное

00:38:18

представление, или, может быть, вы хотите сделать

00:38:20

это с таким символом доллара

00:38:25

это, конечно, тоже работает,

00:38:29

и да, вот как вы можете, гм, или

00:38:32

именно так вам также следует настраивать

00:38:34

свои графики, потому что вы не хотите

00:38:36

просто рисовать что-то и не объяснять, что

00:38:37

именно вы хотите показать в

00:38:39

самом сюжете, что такое это именно то,

00:38:42

что мы также можем здесь сделать: мы

00:38:44

можем стилизовать отдельные элементы, которые мы

00:38:46

не можем просто сказать, окей, есть заголовок,

00:38:47

есть метка, мы также можем установить

00:38:49

размер шрифта, семейство шрифтов и все такое,

00:38:51

так что я могу пойти дальше и сказать здесь для

00:38:53

заголовка я хочу иметь размер шрифта 30,

00:38:57

который довольно большой, но вы можете видеть, что

00:38:59

это тогда извините, затем

00:39:02

заголовок преобразуется в очень большой

00:39:05

заголовок, и я также могу изменить семейство шрифтов

00:39:10

или на самом деле имя шрифта является ключевым словом

00:39:12

Я могу изменить это на Ariel. Я не уверен, что

00:39:15

это значение по умолчанию, может быть, мы можем

00:39:17

изменить его на Comic Sans,

00:39:20

нет, на самом деле у меня нет этого в моей

00:39:22

системе,

00:39:24

а какой шрифт у меня в

00:39:25

системе?

00:39:28

Шрифт jetbrains mono nerd

00:39:31

тоже не работает, позвольте мне просто

00:39:34

проверить шрифты, давайте выберем шрифт,

00:39:37

который легко распознать,

00:39:41

может быть, что-то вроде чего-то с

00:39:44

простым именем, без засечек,

00:39:46

может быть, вот и

00:39:51

вы видите, я могу изменить

00:39:52

семейство шрифтов здесь, имя шрифта и

00:39:55

это можно сделать для всех различных

00:39:57

функций здесь. Я могу сделать это с

00:39:59

меткой X, а также с меткой Y, просто

00:40:03

используйте те же параметры, размер шрифта,

00:40:05

имя шрифта, и это изменит

00:40:06

стиль реальных меток, что

00:40:08

теперь мы мы также можем

00:40:11

добавить легенду к графику, так что, возможно, у вас

00:40:14

есть разные вещи, которые вы хотите

00:40:17

построить, и это тоже то, что вы

00:40:18

можете сделать, вы можете просто вызвать

00:40:20

функцию графика несколько раз, и

00:40:23

когда вы это сделаете PLT показывает, что вы увидите

00:40:25

разные линейные диаграммы, например,

00:40:27

на одном и том же графике, а затем, чтобы

00:40:29

объяснить разницу между ними, вы

00:40:31

можете использовать легенду, поэтому давайте удалим все

00:40:34

это здесь, и я приведу вам

00:40:35

пример это еще раз, я собираюсь скопировать

00:40:37

данные, которые я подготовил,

00:40:40

здесь не так уж сложно, просто некоторые искусственные

00:40:43

данные об акциях, у нас есть акции A Акции B, акции

00:40:46

C, и у нас есть некоторые цены на акции с течением

00:40:48

времени, и мы хотим их визуализировать, и вот

00:40:51

что я Я могу сказать график PLT,

00:40:54

а затем мы можем сказать «Акции A», «

00:40:58

Акции B» и «Акции C»,

00:41:01

и теперь у нас есть эти разные линейные

00:41:03

графики, кстати, вы можете видеть, если я

00:41:05

предоставляю только значения, генерируются значения X,

00:41:07

поэтому, если я предоставляю только значения один список

00:41:09

здесь не X и Y, а только Y, в этом случае

00:41:12

X будет генерироваться автоматически

00:41:15

с перечислением, поэтому 0 1 2 3 4 5 6.

00:41:19

но вы можете видеть, что теперь у нас есть

00:41:21

разные линейные диаграммы с разными

00:41:22

цветами и тем, что мы хотим мы хотим

00:41:24

добавить метку где-нибудь на графике,

00:41:26

например, в верхнем правом углу,

00:41:28

которая объяснит мне, хорошо, оранжевый

00:41:30

график — это Microsoft, зеленый график — это

00:41:32

Tesla, а синий график — это Apple,

00:41:35

например, конечно, в данном случае это не тот случай.

00:41:37

график здесь, но это может быть

00:41:40

так, и

00:41:41

как мы это делаем, мы сначала устанавливаем в

00:41:43

функции графика метку, равную

00:41:47

имени, например, компания

00:41:49

один,

00:41:50

затем у нас есть метка

00:41:53

компании два, затем у нас есть метка

00:41:59

компании три,

00:42:01

теперь это одно ничего не буду делать, я могу

00:42:03

запустить это, и вы не увидите легенду,

00:42:04

но теперь все, что мне нужно сделать, это

00:42:06

сказать plt.legend,

00:42:08

и это добавит легенду к

00:42:11

сюжету, и вот в этом случае по умолчанию он

00:42:13

помещает его в верхний правый угол. Я,

00:42:15

конечно, также могу изменить это местоположение,

00:42:17

указав ключевое слово блокировки и

00:42:20

установив его в нижний правый угол, или это было в

00:42:23

правом нижнем углу, не уверен, что

00:42:25

нижний правый угол не подходит, или я также могу сказать

00:42:28

нижний центр, я думаю,

00:42:30

вот и вы. go, чтобы вы могли перемещать

00:42:33

легенду по своему усмотрению,

00:42:36

но это также способ добавить

00:42:38

информацию к графику, сделав его более

00:42:40

понятным и читабельным, и это

00:42:43

работает для всех различных типов графиков.

00:42:45

Если у вас есть круговая диаграмма, мы также можем сделать

00:42:49

это с помощью круговой диаграммы. здесь я могу сказать,

00:42:52

ну, может быть, давайте назовем это голосованием, и мы

00:42:56

скажем 10 против 5 16 22, а затем

00:43:00

мы скажем людям, что мы

00:43:01

просто скажем

00:43:04

B

00:43:06

C D и E,

00:43:10

и вот мы собираемся сейчас скажем, голоса PLT Pi,

00:43:12

и мы хотим здесь

00:43:16

пометить голоса, чтобы у нас были

00:43:18

разные голоса. на

00:43:24

самом деле я собираюсь

00:43:25

сказать здесь, что метки не равны нулю, потому что по

00:43:28

умолчанию, конечно,

00:43:30

мы также можем просто добавить метки, как

00:43:33

мы это делали с языками программирования,

00:43:34

и они будут отображаться на самой

00:43:37

круговой диаграмме, но мы также можем сказать, что

00:43:38

метки равны нулю, а затем мы можем сказать «

00:43:41

Легенда PLT»,

00:43:43

и на самом деле мы можем указать

00:43:46

здесь метки напрямую, минуя список людей,

00:43:49

и в результате у нас есть

00:43:51

круговая диаграмма без меток внутри

00:43:54

круговой диаграммы или вокруг круговой диаграммы,

00:43:55

но они есть здесь в легенде. Итак,

00:43:58

это также способ маркировки круговых диаграмм,

00:44:02

так что давайте перейдем к

00:44:05

таблицам стилей, потому что то, что мы можем делать в Python

00:44:07

или что мы можем делать в Matlab, - это мы также можем

00:44:11

настроить стиль. Я собираюсь оставить

00:44:12

этот пример здесь, чтобы показать Вы знаете, что это

00:44:15

работает очень просто, и для этого,

00:44:17

однако, нам нужно импортировать что-то

00:44:19

конкретное, что нам нужно сказать, из

00:44:22

стиля импорта matplotlib, а затем мы можем просто использовать

00:44:25

некоторые таблицы стилей, чтобы мы могли сказать,

00:44:28

например, что стиль dot использует ggplot,

00:44:32

чтобы получить это конкретное таблица стилей, и

00:44:35

тогда вы увидите, что у нас

00:44:37

другой стиль, чем раньше, а

00:44:40

затем мы также можем использовать темный фон подчеркивания,

00:44:45

и это даст нам темную

00:44:46

тему и получить полный список того, что

00:44:50

вы действительно можете посетить.

00:44:52

он не копируется

00:44:55

из моего подготовленного сценария,

00:44:58

вы можете перейти на эти два

00:45:00

веб-сайта. Первый из них даст вам

00:45:03

обзор существующих таблиц стилей,

00:45:05

которые у нас есть, поэтому у нас есть классика, у

00:45:09

нас есть темный фон, который, как мы только что

00:45:12

увидели, у нас есть. оттенки серого, у нас есть все эти

00:45:16

разные таблицы стилей, с которыми вы можете

00:45:17

поиграть, это значения по умолчанию, но у

00:45:20

нас также есть возможность

00:45:22

настраивать наши собственные таблицы стилей, теперь это

00:45:24

выходит за рамки этого видео,

00:45:25

также я думаю, что у меня есть видео об этом

00:45:27

отдельно, но вы

00:45:30

можете настроить свои собственные

00:45:32

таблицы стилей и использовать их впоследствии,

00:45:35

но, как я уже сказал, это слишком

00:45:37

много для сегодняшнего видео, вы

00:45:40

можете просто зайти в документацию и

00:45:42

проверить это, или вы можете посмотреть мое видео

00:45:44

по теме, я почти уверен, что у меня есть один

00:45:46

на канале, но да,

00:45:49

теперь давайте перейдем к чему-то более

00:45:51

функциональному, что касается не только

00:45:52

стиля, но и функциональности,

00:45:55

иногда мы хотим построить несколько

00:45:57

вещей рядом, так что, может быть, я хочу

00:45:59

иметь шесть разных гистограмм на

00:46:01

одном графике или в одном окне, а

00:46:04

иногда я хочу иметь разные

00:46:06

цифры, поэтому я хочу иметь здесь одну линейную диаграмму,

00:46:08

одну круговую диаграмму здесь, в разных

00:46:09

окнах, мы можем сделать это довольно легко с помощью

00:46:13

mat.lib все, что нам нужно сделать, это

00:46:14

сгенерировать X1 X2, скажем,

00:46:17

на самом деле мы X1, y1 будет NP

00:46:21

случайная

00:46:22

точка случайная 100

00:46:26

снова nprandom точка случайная 100, а затем

00:46:29

X2 Y2 будет для другого

00:46:32

сюжета, это будет NPA

00:46:35

значения диапазона 100

00:46:37

и

00:46:38

nprandom Dot случайные значения 100, так что диапазон

00:46:42

в основном просто мы собираемся использовать это

00:46:44

для оси X, чтобы сделать это линейной

00:46:47

диаграммой, чтобы сделать это более разумным, и

00:46:50

мы можем сказать сейчас plt.figure

00:46:52

Я собираюсь сказать рисунок один,

00:46:54

я собираюсь сказать, что PLT разброс

00:46:57

данных X1 и данные y1, а затем на

00:47:01

рисунке PLT 2, вот как я указываю, что

00:47:03

хочу иметь здесь второй отдельный рисунок,

00:47:05

я собираюсь сказать график PLT,

00:47:09

гм, затем X2 Y2,

00:47:11

затем PLT show, и вы увидите, что

00:47:14

здесь отображаются две фигуры в отдельных

00:47:16

окнах, потому что я определяю две фигуры,

00:47:19

а затем вызываю функцию show

00:47:20

после того, как нарисую ее на обеих фигурах, и

00:47:23

теперь это две независимые фигуры,

00:47:26

два независимых окна, которые Я могу посмотреть,

00:47:28

э-э,

00:47:30

посмотреть, например, при интерпретации данных,

00:47:35

так что это один из способов сделать это. То, что вы

00:47:37

обычно делаете, — это построить подграфик, чтобы вы

00:47:40

использовали одно окно, один рисунок, но у вас есть

00:47:42

разные подграфики в этом одном окне,

00:47:45

поэтому для этого мы

00:47:48

мы собираемся сказать, что

00:47:50

um

00:47:51

X будет равен NP, расположим

00:47:55

диапазон 100,

00:47:58

равный оси фигуры, теперь мы собираемся

00:48:01

использовать функцию под названием subplot, поэтому для

00:48:03

подграфиков PLT мы собираемся определить сетку, которую мы собираемся сделать.

00:48:05

хочу иметь сетку два на два, чтобы две

00:48:07

строки два столбца вы могли видеть, что

00:48:09

параметры - это n строк и столбцов, и

00:48:13

теперь у нас есть по сути одна фигура с

00:48:15

четырьмя разными осями, у нас есть ноль один один

00:48:18

один или на самом деле ноль один или извините, у нас

00:48:21

ноль ноль ноль один один ноль и один

00:48:24

один, так что это сетка из четырех подграфиков

00:48:27

на одном рисунке, и мы можем получить доступ к

00:48:29

отдельным осям здесь, сказав ось 0

00:48:33

0, например, график X, а затем, возможно, NP

00:48:37

синус x, так что мы просто собираемся постройте

00:48:40

здесь некоторые функции,

00:48:41

тогда мы можем сказать ось 0 0, установите точку,

00:48:46

подчеркните заголовок, теперь мы не можем просто сказать

00:48:48

точку, заголовок. Здесь мы должны установить, скажем, установить

00:48:51

заголовок на оси, поэтому установите, например, синусоидальную волну заголовка,

00:48:56

а затем я могу скопировать это здесь, я могу

00:48:58

измените это на ноль, чтобы первый

00:49:00

параметр здесь указывал строку, а

00:49:03

второй - столбец, так что это будет

00:49:04

строка 0, нулевой столбец, это будет строка 0,

00:49:07

первый столбец, и вы хотите сделать косинус,

00:49:10

например,

00:49:13

косинусную волну, а затем мы можем скопировать это

00:49:15

снова

00:49:16

один ноль,

00:49:19

один ноль, а затем хотим сделать

00:49:22

x, а затем построить график на основе

00:49:25

случайного шума, так что случайный, случайный,

00:49:28

э-э, 100,

00:49:32

а затем мы скажем случайную

00:49:36

функцию, а затем, наконец, мы хотим сказать

00:49:38

один, один, один,

00:49:41

я хочу построить график, может быть эффекты логарифма,

00:49:47

поэтому логарифмическая функция, а затем мы можем просто сказать

00:49:49

PLT show,

00:49:51

и мы увидим, что у нас есть четыре

00:49:53

графика на одном и том же рисунке, так что вы можете

00:49:55

видеть, что у нас есть синусоидальная косинусоидальная случайная

00:49:57

функция логарифмической функции и, конечно же, на

00:49:59

каждом из этих подграфиков теперь мы можем

00:50:01

фактически

00:50:02

указать все различные параметры, о

00:50:04

которых мы говорили ранее, поэтому заголовок

00:50:06

X метка Y метка, но мы должны

00:50:09

сделать это с помощью этого заданного типа функции, поэтому

00:50:12

X или ось 1 1. Установить тест метки X например,

00:50:20

и затем вы можете увидеть, что этот

00:50:22

конкретный график имеет здесь этот тест метки x,

00:50:24

и, конечно, вся фигура

00:50:26

сама по себе также может иметь суперзаголовок, поэтому мы

00:50:28

можем сказать, например, подзаголовок рисунка,

00:50:32

четыре графика, и, конечно, мы

00:50:34

хотим сделать это раньше шоу,

00:50:37

а затем у нас есть

00:50:39

функция журнала случайной функции синусоидальной волны, косинусоидальной волны, у нас

00:50:41

здесь есть подзаголовок с четырьмя графиками,

00:50:44

так что вот как вы сейчас строите подграфики,

00:50:47

прежде чем мы перейдем к более сложным

00:50:50

вещам. Я хочу показать вам, как вы можете

00:50:51

что-то экспортировать, как вы мы можем экспортировать

00:50:54

графику вместо того, чтобы строить ее на графике, вместо того, чтобы

00:50:56

показывать ее на самом деле, и как мы

00:50:58

это делаем, мы просто вызываем

00:51:02

функцию plt.safefig, чтобы PLT сказал «исправить», а затем мы

00:51:04

скажем, например, «

00:51:06

четыре графика с точками PNG», и я думаю этого

00:51:09

уже должно быть достаточно, чтобы

00:51:13

создать график, вот и все, теперь у нас

00:51:15

есть PNG-изображение графика, как вы можете

00:51:18

видеть здесь,

00:51:20

так что это работает, но, конечно, мы

00:51:22

также можем указать здесь другие параметры,

00:51:25

чтобы вы видели, что качество Это не так

00:51:28

высоко, поэтому вы можете видеть, что это не

00:51:32

очень высокое разрешение, поэтому мы

00:51:34

можем в функции сохранения фигуры

00:51:36

указать, например, DPI, равный 72,

00:51:39

и я думаю, что это должно

00:51:41

привести или делает это не уверен,

00:51:45

похоже, это не приведет к более высокому

00:51:46

качеству, может быть, если я выберу 300,

00:51:52

о да, тогда это приведет к более высокому

00:51:54

качеству, вот и все,

00:51:57

ну, это то, что мы можем изменить,

00:51:59

тогда мы также можем сказать, что мы хотим

00:52:01

иметь прозрачность, поэтому Родительский элемент трендов

00:52:04

равен true,

00:52:07

что, по сути, делает его без

00:52:10

белого фона, тогда я также могу

00:52:12

снова установить для этого значения значение false, чтобы мы могли видеть

00:52:14

результаты на самом деле, дюймы границы поля B

00:52:16

будут равны плотным, и

00:52:25

да, я просто думаю, что это сокращает

00:52:29

здесь, сейчас, я не уверен,

00:52:32

позвоню ли я, думаю, они смогут, я

00:52:34

смогу сделать это с помощью плотной компоновки PLT,

00:52:38

хм, да, тогда у нас нет такого перекрытия

00:52:41

между метками, заголовками или

00:52:44

галочками и заголовки,

00:52:45

так что расположение точек PLT в основном

00:52:48

структурирует все, чтобы оно не

00:52:50

перекрывалось без необходимости, а это в

00:52:53

основном просто обрезает. Обрезает

00:52:57

границы или отступы, поэтому, если я

00:52:59

этого не сделаю, у нас будет больше места

00:53:02

по краям, если Я не ошибаюсь,

00:53:05

ну, и тогда мы также можем сказать, что я думаю, что

00:53:08

подчёркивание 0,2 дюйма,

00:53:11

что это делает еще раз, я думаю, что это просто

00:53:14

добавляет больше отступов, поэтому я думаю, мы должны

00:53:16

увидеть, что если я установлю это значение на 20,

00:53:18

это должно быть

00:53:20

нет, на самом деле это не так. не сильно меняется, там

00:53:23

сказано, что делает этот параметр.

00:53:27

Я почти уверен, что речь идет о заполнении, но,

00:53:28

возможно, в данном конкретном случае с подзаголовком он не работает,

00:53:32

но мы можем, вы можете прочитать это в

00:53:34

документации, и, возможно, я собираюсь добавьте

00:53:36

сюда некоторую аннотацию о том, что оно на

00:53:39

самом деле делает, но вы также можете указать, что

00:53:41

это важная вещь, вы также можете

00:53:42

указать здесь некоторые параметры, чтобы решить,

00:53:45

как именно изображение будет

00:53:47

экспортироваться, но вместо показа PLT

00:53:50

вы можете сохранить фигуру PLT или, скажем, подделка,

00:53:52

а затем вы фактически экспортируете

00:53:54

ее в изображение,

00:53:56

так что теперь мы собираемся перейти к

00:53:58

более сложным вещам, 3D-графике и

00:54:01

анимации, поэтому

00:54:02

до этого момента мы рисовали ее в двух

00:54:05

измерениях, у нас были диаграммы рассеяния. линейные

00:54:07

графики и тому подобное в двух

00:54:08

измерениях, теперь мы хотим перейти в три

00:54:10

измерения, и для этого мы

00:54:12

создадим новую ось, мы скажем, что

00:54:14

ось равна проекции оси PLT,

00:54:19

равной трехмерной трехмерной проекции,

00:54:23

и что теперь мы можем сделать, это определить

00:54:25

значения X, Y и Z, чтобы NP случайное случайное

00:54:31

100. Я могу скопировать это еще два раза

00:54:36

и изменить это на x y z, а затем

00:54:38

вместо рассеяния в двух измерениях,

00:54:41

чтобы я мог сказать разброс по осям x y z,

00:54:45

тогда я могу сказать ось точка, установка, подчеркивание,

00:54:49

заголовок,

00:54:50

ага, 3D-

00:54:53

график, а затем показ PLT,

00:54:58

и вы можете видеть, что теперь у нас есть

00:54:59

трехмерная визуализация, и

00:55:01

я также могу ее повернуть, вы можете видеть, что мы

00:55:03

можем посмотреть на все эти точечные графики

00:55:05

точек

00:55:06

на разных осях, и, конечно же, мы Я

00:55:09

также могу сделать то же самое здесь, так что X

00:55:12

установлен X метка

00:55:14

test, и это, конечно, затем помечает

00:55:18

ось X, и то же самое касается y и z,

00:55:21

так что все, о чем мы уже знаем,

00:55:24

теперь также работает в трех измерениях,

00:55:27

если я хочу сказать, что если я хочу построить

00:55:29

линейный график вместо диаграммы рассеяния, я

00:55:32

могу просто использовать функцию графика здесь

00:55:34

снова, поэтому в этом случае, конечно, имело бы

00:55:36

смысл использовать разные значения, я

00:55:38

бы не использовал случайный, я бы использовал диапазон

00:55:41

для

00:55:42

X, поэтому я бы сказал, например, диапазон

00:55:45

от 0 до 50 с размером шага 0,1, а

00:55:49

затем я бы сказал, что синус NP

00:55:52

от X будет значением Y, а

00:55:55

косинус NP от x будет значением Z,

00:55:57

а затем я Я просто скажу: график x y

00:56:00

z, это не обязательно имеет большой смысл,

00:56:02

но вы можете видеть, что это

00:56:05

результат этого,

00:56:07

или, может быть, я могу просто сказать здесь, расположите

00:56:10

здесь также от 0 до 50 с 0,1, и

00:56:14

тогда это просто это будет косинус

00:56:16

x плюс y или что-то в этом роде, и тогда вы

00:56:18

увидите, что мы получаем эту функцию здесь в трех

00:56:20

измерениях,

00:56:23

да, так что это простой линейный график, теперь

00:56:26

интересная вещь, которую здесь можно сделать в

00:56:28

трех измерениях, - это поверхностный график, поэтому мы

00:56:30

хотим иметь фактические площади, реальные

00:56:32

поверхности, которые отображаются на графике, и как мы можем

00:56:35

это сделать, мы можем сгенерировать значения X и Y,

00:56:37

затем мы можем создать сетку сетки,

00:56:39

так называемую комбинацию, так что

00:56:41

в основном вы можете представить это

00:56:43

так, что у нас есть

00:56:45

значения X один два например, три, четыре, пять,

00:56:49

а затем у нас есть биография,

00:56:51

значения Y один, два, три, четыре, четыре, пять, и

00:56:54

что мы хотим сделать сейчас, так это

00:56:55

построить все комбинации, так что один, э-э, один, два, один,

00:56:59

три и так далее, один должен иметь

00:57:02

выдержку. всех этих значений, чтобы мы

00:57:03

могли построить поверхности.

00:57:06

Как мы это делаем, на

00:57:07

самом деле не так уж сложно, поэтому мы

00:57:10

собираемся просто немного изменить диапазон

00:57:11

для примера от минус

00:57:13

пяти до 5 с размером шага 0,1

00:57:17

минус пять I Я собираюсь установить

00:57:19

размер шага в пять ноль целых,

00:57:22

а затем, чтобы фактически создать

00:57:25

сетку сетки, мы скажем, что x y капитал

00:57:28

x капитал y равен сетке NP из X

00:57:32

и Y, и тогда значение Z

00:57:36

будет или фактически заглавная буква Z будет,

00:57:42

например, NP синусом x, умноженным на NP косинусом Y,

00:57:46

и чтобы фактически построить поверхность, нам нужно

00:57:49

вызвать функцию построения поверхности

00:57:52

и вызвать x y

00:57:55

и z,

00:57:57

и вы также можете указать здесь карту цветов,

00:58:00

э-э, Z должно быть два размерный, в чем

00:58:03

здесь проблема, позвольте мне просто проверить, у нас

00:58:07

есть ось 3D, у нас есть значения,

00:58:13

мы создаем сетку-сетку, о, я использую

00:58:16

строчные буквы x и строчные буквы y, вот в чем

00:58:19

проблема, вот и

00:58:20

вы, теперь вы можете видеть, что у нас есть

00:58:22

это график поверхности здесь, и, конечно же,

00:58:24

график поверхности также можно сделать более

00:58:27

интересным, указав карту цветов,

00:58:29

указав параметр cmap, и мы можем

00:58:32

использовать спектральный график в качестве карты цветов здесь, например,

00:58:35

и тогда у нас есть этот красиво

00:58:37

выглядящий

00:58:39

график поверхности в трех измерениях.

00:58:42

и то, что вы также можете заметить здесь, в

00:58:45

правом нижнем углу, когда вы смотрите

00:58:47

на это, пока я вращаю график, вы можете

00:58:49

видеть, что у нас есть этот азимут и эти

00:58:51

параметры высоты, вы можете видеть, что

00:58:54

в основном, когда я поворачиваю его влево

00:58:56

или вправо, мы измените азимут, и когда

00:58:58

я поворачиваю его или когда я сдвигаю его вверх и

00:59:01

вниз, вы можете видеть изменения высоты,

00:59:03

и мы, конечно, также можем просто установить это

00:59:06

автоматически, поэтому я могу сказать, что

00:59:08

init подчеркивания оси Dot View может быть установлен

00:59:12

на нулевой азимут и высота

00:59:15

90. тогда мы получим другой

00:59:18

вид детализации сверху, но,

00:59:21

конечно, я все равно могу его повернуть, но этот

00:59:22

вид будет по умолчанию, тогда

00:59:26

да, так что это все для 3D-графики,

00:59:30

теперь мы можем наконец перейти к анимации,

00:59:32

потому что нам не нужно постоянно просто

00:59:35

смотреть на статическое изображение, мы также можем

00:59:37

увидеть несколько анимаций и одну анимацию, которую я

00:59:40

хочу вам показать, это пример,

00:59:41

а затем вы можете применить тот же

00:59:42

принцип ко всем другим типам сюжетов, которые

00:59:45

вы знаете мы собираемся подбросить монетку,

00:59:47

мы собираемся

00:59:48

подбросить 50 монет, так что орел или решка, а затем

00:59:51

мы собираемся просто отслеживать

00:59:53

результаты, поэтому мы собираемся сказать здесь:

00:59:55

импортируйте случайную информацию

00:59:57

из основного Python, мы мы собираемся сказать, что

01:00:00

орел подчеркивает, что решка по умолчанию равна 0 0,

01:00:04

а затем мы собираемся просто сказать

01:00:06

четыре, какой-то заполнитель в диапазоне, мы

01:00:09

собираемся сделать сто тысяч подбрасываний монеты,

01:00:13

и мы скажем здесь, что решка будет

01:00:16

быть случайным.

01:00:20

Будет добавлена точка randint 0 или 1, мы

01:00:24

добавим одну к этому, чтобы у нас был либо

01:00:25

индекс 0, который является орлом, либо индекс один,

01:00:28

который является решкой, и один из этих двух

01:00:30

будет увеличиваться на единицу с каждым

01:00:32

итерация 100 000 раз,

01:00:35

теперь мы собираемся построить гистограмму, поэтому

01:00:37

здесь будет столбец PLT с орлом и решкой,

01:00:43

и мы передадим орел и решку в качестве

01:00:46

значений Y, которые мы собираемся сказать, что цвет

01:00:48

будет равен красному и синий для

01:00:51

разных полосок э-э, поэтому мы также можем

01:00:53

передать сюда список в качестве цвета,

01:00:56

и вместо того, чтобы просто показывать его,

01:00:58

мы собираемся использовать функцию паузы PLT,

01:01:00

поэтому

01:01:02

задержка 0,001, и эта функция похожа на

01:01:06

шоу, но на самом деле она анимирует, э-э

01:01:09

процедура,

01:01:12

чтобы она отображалась, но затем она продолжает

01:01:14

построение графика, и в конце мы хотим

01:01:15

сделать показ, чтобы мы могли увидеть окончательный

01:01:16

результат, и это то, что мы получаем тогда в виде

01:01:19

анимации,

01:01:20

и из-за закона больших чисел мы

01:01:23

должны в конечном итоге получите что-то вроде 50

01:01:25

50, так как это процедура 50 50, э-э,

01:01:28

между значениями могут быть большие

01:01:30

расстояния, но

01:01:31

в какой-то момент они должны быть примерно

01:01:33

одинаковыми, и вы можете видеть, что хвосты

01:01:35

здесь догоняют, хм,

01:01:37

медленно, но да, вы можете видеть, сколько

01:01:40

раз мы получаем орел, сколько раз мы получаем

01:01:41

решку, вы можете увидеть прогресс по

01:01:44

оси Y, и эта идея, это всего лишь один

01:01:47

пример, но эта идея сделать

01:01:49

что-то, а затем использовать паузу

01:01:51

вместо показа, это оживляет функцию, так что

01:01:53

что бы вы ни делали,

01:01:54

эээ вы можете на самом деле

01:01:57

анимировать его, используя паузу вместо

01:01:59

показа, потому что тогда он просто показывает, что

01:02:01

продолжает выполнять итерацию, затем

01:02:03

показывает его снова и так далее и тому подобное, вот

01:02:06

как вы анимируете функции, вот и все

01:02:08

для сегодняшнего видео. Надеюсь, вам

01:02:10

понравилось, и надеюсь, что вы

01:02:11

чему-то научились, если да, дайте мне знать, нажав

01:02:13

кнопку «Нравится» и оставив комментарий в

01:02:14

разделе комментариев внизу, и, конечно же,

01:02:16

не забудьте подписаться на этот

01:02:17

канал и нажать на колокольчик, чтобы

01:02:19

не пропустить одно будущее видео бесплатно,

01:02:20

кроме этого большое спасибо за

01:02:22

просмотр, увидимся в следующем видео и пока

Описание:

In this video we do a complete Matplotlib crash course in Python. FormulaStudio: https://www.formulastudio.xyz/ ◾◾◾◾◾◾◾◾◾◾◾◾◾◾◾◾◾ 📚 Programming Books & Merch 📚 🐍 The Python Bible Book: https://www.neuralnine.com/books/ 💻 The Algorithm Bible Book: https://www.neuralnine.com/books/ 👕 Programming Merch: https://www.neuralnine.com/shop/ 💼 Services 💼 💻 Freelancing & Tutoring: https://www.neuralnine.com/services/ 🌐 Social Media & Contact 🌐 📱 Website: https://www.neuralnine.com/ 📷 Instagram: https://www.facebook.com/unsupportedbrowser 🐦 Twitter: https://twitter.com/neuralnine 🤵 LinkedIn: https://www.linkedin.com/company/neuralnine/ 📁 GitHub: https://github.com/NeuralNine 🎙 Discord: https://discord.com/invite/JU4xr8U3dm Timestamps: (0:00) Intro (2:42) Installation (5:52) Scatter Plots (12:04) Line Plots (16:50) Bar Plots (20:29) Histograms (24:29) Pie Charts (29:22) Boxplots (33:25) Plot Customization (40:10) Legends & Multiple Plots (44:02) Plot Styling (45:50) Multiple Figures (47:39) Subplots (50:47) Exporting Plots (54:00) 3D Plotting (59:30) Animating Plots (1:02:08) Outro

Готовим варианты загрузки

Популярные

HD видео

Только звук

Все форматы

* — Если видео проигрывается в новой вкладке, перейдите в неё, а затем кликните по видео правой кнопкой мыши и выберите пункт "Сохранить видео как..."

** — Ссылка предназначенная для онлайн воспроизведения в специализированных плеерах

Вопросы о скачивании видео

Как можно скачать видео "Matplotlib Full Python Course - Data Science Fundamentals"?

Сайт http://unidownloader.com/ — лучший способ скачать видео или отдельно аудиодорожку, если хочется обойтись без установки программ и расширений. Расширение UDL Helper — удобная кнопка, которая органично встраивается на сайты YouTube, Instagram и OK.ru для быстрого скачивания контента.
Программа UDL Client (для Windows) — самое мощное решение, поддерживающее более 900 сайтов, социальных сетей и видеохостингов, а также любое качество видео, которое доступно в источнике.
UDL Lite — представляет собой удобный доступ к сайту с мобильного устройства. С его помощью вы можете легко скачивать видео прямо на смартфон.

Какой формат видео "Matplotlib Full Python Course - Data Science Fundamentals" выбрать?

Наилучшее качество имеют форматы FullHD (1080p), 2K (1440p), 4K (2160p) и 8K (4320p). Чем больше разрешение вашего экрана, тем выше должно быть качество видео. Однако следует учесть и другие факторы: скорость скачивания, количество свободного места, а также производительность устройства при воспроизведении.

Почему компьютер зависает при загрузке видео "Matplotlib Full Python Course - Data Science Fundamentals"?

Полностью зависать браузер/компьютер не должен! Если это произошло, просьба сообщить об этом, указав ссылку на видео. Иногда видео нельзя скачать напрямую в подходящем формате, поэтому мы добавили возможность конвертации файла в нужный формат. В отдельных случаях этот процесс может активно использовать ресурсы компьютера.

Как скачать видео "Matplotlib Full Python Course - Data Science Fundamentals" на телефон?

Вы можете скачать видео на свой смартфон с помощью сайта или pwa-приложения UDL Lite. Также есть возможность отправить ссылку на скачивание через QR-код с помощью расширения UDL Helper.

Как скачать аудиодорожку (музыку) в MP3 "Matplotlib Full Python Course - Data Science Fundamentals"?

Самый удобный способ — воспользоваться программой UDL Client, которая поддерживает конвертацию видео в формат MP3. В некоторых случаях MP3 можно скачать и через расширение UDL Helper.

Как сохранить кадр из видео "Matplotlib Full Python Course - Data Science Fundamentals"?

Эта функция доступна в расширении UDL Helper. Убедитесь, что в настройках отмечен пункт «Отображать кнопку сохранения скриншота из видео». В правом нижнем углу плеера левее иконки «Настройки» должна появиться иконка камеры, по нажатию на которую текущий кадр из видео будет сохранён на ваш компьютер в формате JPEG.

Сколько это всё стоит?

Нисколько. Наши сервисы абсолютно бесплатны для всех пользователей. Здесь нет PRO подписок, нет ограничений на количество или максимальную длину скачиваемого видео.