![Python機械学習プログラミング 達人データサイエンティストによる理論と実践 (impress top gear) : Sebastian Raschka, 株式会社クイープ, 福島真太朗 : 本 : Amazon.co.jp](https://cdn-ak-scissors.b.st-hatena.com/image/square/2b414a3dcf04ef0d89df6b303b0f5d4847a16868/height=288;version=1;width=512/https%3A%2F%2Fm.media-amazon.com%2Fimages%2FI%2F514o4N8pD2L._SL500_.jpg)
import matplotlib.pyplot as plt import numpy as np # Fixing random state for reproducibility np.random.seed(19680801) dt = 0.0005 t = np.arange(0.0, 20.5, dt) s1 = np.sin(2 * np.pi * 100 * t) s2 = 2 * np.sin(2 * np.pi * 400 * t) # create a transient "chirp" s2[t <= 10] = s2[12 <= t] = 0 # add some noise into the mix nse = 0.01 * np.random.random(size=len(t)) x = s1 + s2 + nse # the signal NFFT = 1
matplotlib.pyplot# matplotlib.pyplot is a state-based interface to matplotlib. It provides an implicit, MATLAB-like, way of plotting. It also opens figures on your screen, and acts as the figure GUI manager. pyplot is mainly intended for interactive plots and simple cases of programmatic plot generation: import numpy as np import matplotlib.pyplot as plt x = np.arange(0, 5, 0.1) y = np.sin(x) plt.
matplotlibを使ってプロットする時、プロットするたびに関数を調べることが多く、効率が悪いので、よく使うものについて情報まとめておく。 matplotlib, pyplot, pylabの関係性 まず、「各々の言葉が何を指すのか」から。 Matplotlib: データビジュアライゼーションパッケージの全体を指す。 pyplot: matplotlibパッケージ内のモジュールを指す。欲しいプロットを作るために暗黙的かつ自動的に図形や軸を作成するインターフェース。基本的にはこのモジュール越しにmatplotlibの機能を活用する。以下のようにインポートして置くのが一般的。 pylab: pyplotとnumpyモジュールを一括インポートするものであるが、現在では特にJupyter notebookやipythonカーネルを使っている場合に奨励されないので、注意すること。 グラフの構成要素
You are reading an old version of the documentation (v2.0.2). For the latest version see https://matplotlib.org/stable/
matplotlib.pyplot.specgram# matplotlib.pyplot.specgram(x, NFFT=None, Fs=None, Fc=None, detrend=None, window=None, noverlap=None, cmap=None, xextent=None, pad_to=None, sides=None, scale_by_freq=None, mode=None, scale=None, vmin=None, vmax=None, *, data=None, **kwargs)[source]# Plot a spectrogram. Compute and plot a spectrogram of data in x. Data are split into NFFT length segments and the spectrum
A compilation of the Top 50 matplotlib plots most useful in data analysis and visualization. This list lets you choose what visualization to show for what situation using python’s matplotlib and seaborn library. Introduction The charts are grouped based on the 7 different purposes of your visualization objective. For example, if you want to picturize the relationship between 2 variables, check out
You are reading an old version of the documentation (v2.0.2). For the latest version see https://matplotlib.org/stable/
Ipython Directive¶ The ipython directive is a stateful ipython shell for embedding in sphinx documents. It knows about standard ipython prompts, and extracts the input and output lines. These prompts will be renumbered starting at 1. The inputs will be fed to an embedded ipython interpreter and the outputs from that interpreter will be inserted as well. For example, code blocks like the following:
最近グラフ、グラフの書き方を勉強中。kaggleまでの道は長し。。。 figure, axesでのレイアウトの仕方を良く忘れるので、まとめます。 はじめてのmatplotlib まずはお試し。わからない点は下にまとめていきます。 import matplotlib.pyplot as plt plt.style.use('seaborn-whitegrid') import numpy as np %matplotlib inline x = np.linspace(0, 10, 10000) #わからない1 fig = plt.figure() #わからない2 ax = plt.axes() #わからない3 plt.plot(x, np.sin(x)) #同じfigureの中に追加 plt.plot(x, np.cos(x)) #同じfigureの中に追加 結果: (わからない1) li
Plots with different scales# Two plots on the same Axes with different left and right scales. The trick is to use two different Axes that share the same x axis. You can use separate matplotlib.ticker formatters and locators as desired since the two Axes are independent. Such Axes are generated by calling the Axes.twinx method. Likewise, Axes.twiny is available to generate Axes that share a y axis
線形回帰を本当はPythonで解きたいけど表計算で解けと言われたのでの続編です。 用いるデータ 今回も分子性物質のデータ(融点・沸点)を使います。前回は分子量だけを使って沸点を予測しようという無理ゲーでしたが、今度は分子量だけでなく双極子モーメントも使って沸点を予測してみましょう。 import pandas as pd data = [['HF', 19.5, 20.0, 1.826567], ['HCl', -84.9, 36.5, 1.1086], ['HBr', -67.0, 80.9, 0.8271], ['HI', -35.1, 127.9, 0.4477], ['H2O', 100.0, 18.0, 1.8546], ['H2S', -60.7, 34.1, 0.978325], ['H2Se', -42, 81.0, 0.627], ['NH3', -33.4, 17.0,
bokeh拡張のインストール 続いて、bokehをjupyterlab上で動作させるための拡張をインストールします。jupyterlabとのバージョンの整合性が取れていないと、インストールに失敗しますので、https://github.com/bokeh/jupyterlab_bokeh で確認して、インストールしてください。 from __future__ import absolute_import from bokeh.models import (ColumnDataSource, LinearColorMapper, LogColorMapper, ColorBar, BasicTicker) from bokeh.plotting import figure from bokeh.io import output_file, show from bokeh.sampledata
用いるデータ 例として 分子性物質のデータ(融点・沸点) を使ってみましょう。分子量(molecular weight)から沸点(boiling point)を予測するという問題を解いてみたいと思います。 import pandas as pd data = [['HF', 19.5, 20.0], ['HCl', -84.9, 36.5], ['HBr', -67.0, 80.9], ['HI', -35.1, 127.9], ['H2O', 100.0, 18.0], ['H2S', -60.7, 34.1], ['H2Se', -42, 81.0], ['H2Te', -1.8, 129.6], ['NH3', -33.4, 17.0], ['PH3', -87, 34.0], ['AsH3', -55, 77.9], ['SbH3', -17.1, 124.8], ['CH4',
Summary Google Trendから各キーワードの検索データを取得し、時系列データ分析を行います Pytrendsという(非公式の)ライブラリを用いてデータを取得します 各検査キーワードの検索トレンドを国別に比較・分析します 前回同様にstatsmodelを用いて時系列解析を施して比較してみます 参考(前回記事): Google TrendのデータをAPI経由で取得し時系列解析①〜人気プログラム言語のトレンドを考察する〜 分析ゴール 各プログラム言語のキーワード検索傾向に関する国別の違いを把握する 対象国は下記とする(言語の影響を排除するため、英語圏に絞りました) 日本 U.S イギリス シンガポール オーストラリア カナダ 対象データ 前回分析時の結果を参考に、対象言語を以下として、Google trendから抽出する Python(日本では上昇傾向) JavaScript(日本
matplotlibはデータ解析の可視化ツールとして一般的に用いられています. 今回は,matplotlib.animation機能を使ってgif画像を作ってみたので,そのコードを紹介します. 最終的には,以下のgifアニメーションを作りたいとします. matplotlib.animationには,「ArtistAnimation」機能「FuncAnimation」機能があります. 今回は「ArtistAnimation」機能で話を進めます. 「FuncAnimation」機能については,こちらのページでまとめています. matplotlib.animationを利用してgif画像を作る (FuncAnimation) なお,こちらのページも参考にしています. + Animation using matplotlib with subplots and ArtistAnimation 動作
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