![http://www.mathgram.xyz/entry/plotly](https://cdn-ak-scissors.b.st-hatena.com/image/square/86f22a027620e11d0ad51756e8a3d0af81dfd075/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fk%2Fket-30%2F20170527%2F20170527211615.jpg)
matplotlibでも割と綺麗な図を作ることができる。 図示の時に色々と使うテクニックを列挙。 どうぞ皆さんもお使いください 基本の体裁 関数で調整 plt()内の基本オプションで調整 透過度をあげる 漫画風にする 棒グラフに柄を載せる グラデーション用の色を作る グラデーションの作り方 色の参考にcmリスト 王道カラフル系 単色濃淡(っぽい) 温度系 季節の色たち グラデーションにならない系 その他 基本の体裁 まずこのグラフ import numpy as np import matplotlib.pyplot.plt x = np.arange(-np.pi,np.pi,np.pi/50) plt.axvspan(-0.5*np.pi,0.5*np.pi,color="red") plt.plot(x,np.sin(x)) plt.show() どぎついし、端が切れているし、イマイ
This serves as a cheat sheet for Matplotlib, a 2d plotting library for Python. Not a total beginner? Jump straight down to the examples or get the jupyter notebook file. Also, the official example library is pretty sweet. Installation If you don't already have it installed, do so using Pip or Anaconda: $ pip install matplotlib or $ conda install matplotlib If you have any issues with installation,
4-1. 前処理 csvファイルから株価情報を読みだして,daily-returnを計算します.本記記事では,Udacityで紹介された以下の関数1を使います. get_data(symbol):symbolのCSVファイルから調整後終値を読みだして,pandas.DataFrame形式で出力する関数です. fill_missing_values(stock_data):stock_data(pandas.DataFrame)の欠損を穴埋めする関数です. compute_daily_returns(stock_data):stock_data(pandas.DataFrame)から,daily-returnを計算し,pandas.DataFrameで出力する関数です. 4-2. アニメ化 $\alpha$と$\beta$をアニメ化する関数を作りました.デフォルト設定では,2006年12月1
この投稿から「matplotlib 超入門」という名前のシリーズで,matplotlib の使い方を本当に最初の最初からの説明を試みたいと思います.今までグラフを描くソフトを使ったことがない方もわかるように配慮して書いてみたいです.「matplotlib を使うと綺麗なグラフが書けるから使ってみたい」という方の背中が押せればと思います.あまりプログラムに慣れていない方もわかるように,書いていることの説明をできるだけ丁寧に書いていきます. なお,この記事の流れは自分が初めて matplotlib を使ったログをもとに作成しています.なので,本当に初心者向けの超入門ではないのでしょうか. 環境は Windows10 に Anaconda4.1.1(64bit) で Python3.5.2 をインストールした状態です.IDE として PyCharm を用いております.今回の記事では公式のチュート
pythonのグラフを美しく描くライブラリseabornというのを知ったので触ってみる。 こちらが公式サイト Seaborn: statistical data visualization — seaborn 0.7.1 documentation こんなのも描けるようになる。 インストール conda install seaborn pipでもできるらしい 基本操作 基本的にはseabornをimportするだけ、普段通りにmatplotlibを使えばよい import matplotlib.pyplot as plt import seaborn as sns x = y = range(10) plt.plot(x,y) plt.show() 背景のデザインを変更する 例えば背景を白く、グリッドを入れるなら sns.set_style("whitegrid")この関数には darkg
こんにちは、データ分析部でバイトをしている子田(id:woody_kawagoe)です。 ニュースパスのログを集計して分析するといった業務を行っています。Gunosyで分析に利用しているツールとしては主にJupyter, Pandas, matplotlibがあります。 この組み合わせは非常に相性が良く、研究でも役立つと思います。 そこで今回のブログではデータ分析に役立つtipsや学んだことをまとめます。 Jupyter Pandas matplotlab データ分析の基本的な流れ 参考資料 Jupyter jupyter.org ブラウザ上で利用できる開発環境です。 対話型で、作成したスクリプトと出力結果の対応関係が非常に見やすいです。 スクリプトでprint文をかかなくても最終行に変数おけば表示してくれます。 またgithub上にJupyterで作成できるipynbファイルを置くと他の
私が書籍"実践 機械学習システム"を読み勉強した時に参考にしたサイトと第1章のメモです。 機械学習参考サイトURL MPS Yokohama Deep Learning vol.01 数学的基礎から学ぶ Deep Learning TwoToReal FAQ Github:wrichert/BuildingMachineLearningSystemsWithPython 1章 Pythonで始める機械学習 Python: SciPy で特徴量の相関を調べる Python: Scipy のカーブフィッティングを試す プログラマーじゃない人が始める人工知能: ScipyとMatplotlibを使ってデータの近似モデルを構築する matplotlib入門 - グラフの体裁を整える matplotlib入門 NumPy で回帰分析 "実践 機械学習システム"メモ # Numpyとは? # 大規模な
$ pyenv install 3.5.1 $ pyenv virtualenv 3.5.1 mpl35 $ pyenv activate mlp35 $ pip install matplotlib numpy scipy $ python -c "import matplotlib.pyplot" Traceback (most recent call last): File "<string>", line 1, in <module> File "/Users/kodairatomonori/.pyenv/versions/mpl35/lib/python3.5/site-packages/matplotlib/pyplot.py", line 114, in <module> _backend_mod, new_figure_manager, draw_if_interactiv
はじめに 株価データは、代表的な時系列データの一つですが、Pythonはこの時系列データを取り扱うのを非常に得意としています。特に、Pythonライブラリの一つであるpandasはもともと金融データを扱うために開発されたため、時系列データの分析に強力な機能を数多く備えています。 今回やることは非常にシンプルで、下記の2点だけです。(すべてIPython Notebook上で行っています。) 1. Google Financeからトヨタの株価データを取得する。 2. 取得した株価データを時系列データとしてプロットする。 株価データの取得 まず始めに、下記のように必要となるライブラリをインポートします。 import pandas as pd from pandas import Series, DataFrame import numpy as np import matplotlib.py
科学計算では必須なプロット。Pythonではmatplotlibというライブラリを使ってプログラム中でプロットを出力できます。今後、必要になるであろうプロットの形式をいくつか試してみました。 2次元プロット 三角関数。作った配列に対してガバッと計算できます。レンジの設定、ラベルの設定、TeXの使用、ラベルのフォントサイズ、画像ファイルとして保存とか。 sinx.py import numpy as np import matplotlib.pyplot as plt x = np.arange(-np.pi, np.pi, np.pi/100) # start, stop, step y = np.sin(x) plt.plot(x, y) # Range plt.xlim(-np.pi, np.pi) plt.ylim(-1.5, 1.5) plt.xlabel(r'$x$', font
以前実装した単純パーセプトロンは線型分離可能な問題しか解けなかった。 それに対し、サポートベクターマシン (以下 SVM) はカーネル関数を用いることで線型分離不可能な問題も解けるようになっている。 また、単純パーセプトロンでは異なるクラスタを分離するための線がクラスタのギリギリに配置されることも多かったが、SVM ではそのマージンが最大になるようにできている。 今回は SVM を自分で書くのではなく scikit-learn のそれを使った。 $ pip install scikit-learn scipy matplotlib 以下のサンプルコードでは Iris データセットの Petal length と Petal width を元に Setosa と Versicolor の二品種を分類している。 #!/usr/bin/env python # -*- coding: utf-8
今回のエンジニアブログを担当する藤岡です。 D3.js等のデータ可視化ライブラリは沢山存在していますが、 このエントリでは、「NumPy + Pandas + matplotlib」でデータプロッティングを行います。 所謂データ分析ツールのフロントエンド側の処理を3つのライブラリで実装してみようかと思います。 「データ分析Python」と呼ばれるものですね。 NumPyとは? NumPyは数値計算を効率的に行うためのPythonの拡張モジュールです。 多次元配列の扱いを簡単にしてくれたり、大規模な高水準の数学関数ライブラリを提供してくれます。 公式サイト: http://www.numpy.org/ Pandasとは? Pythonのデータ分析ライブラリで、Rライクな機能を提供してくれるモジュールです。 データ操作の為のDataFrameオブジェクトや、データセットの整形、柔軟な変形機能を
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く