【技術メモ】python matplotlibで見栄えの良い色, グラフを作るTips - プロクラシスト
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
pandas+matplotlibで世界時価総額トップ銘柄のアルファ値とベータ値をアニメ化する - Qiita
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
【初心者向け】Jupyter+Pandas+matplotlibを使ったデータ分析入門 - Gunosyデータ分析ブログ
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
実践 機械学習システムメモ - Qiita
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とvirtualenvで環境構築した時にmatplotlib.pyplotが使えなかった時の対処法 - Qiita
$ 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
Pythonで株価データを取得し、Matplotlibで可視化する。 - Fire Engine
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
Pythonでプロット（matplotlib | NumPy） - cBlog
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
Python: Iris データセットをサポートベクターマシンで分類してみる
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
1
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
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
GitHub - rougier/matplotlib-tutorial: Matplotlib tutorial for beginner