seaborn 徹底入門！Pythonを使って手軽で綺麗なデータ可視化８連発
データの可視化はなぜ必要なのでしょうか。それは、そのデータを生み出している事象をより正確に理解したり、機械学習での予測に用いる際に、使うべきデータを適切に選んだりするためです。そのためにはまず、データを可視化することによって、データの大まかな特徴をつかんだり、データ同士の相関関係を知ることが必要なのです。 さて、Pythonでデータを可視化する際には、まず、Pandasでデータを集計・加工します。その上で、matplotlib（マットプロットリブ）や今回ご紹介するseaborn（シーボーン）というライブラリで可視化を行います。seabornは特に、手軽に美しく可視化ができるライブラリなので、本稿でseabornがいかに魅力的なライブラリであるかを学びましょう。 seabornの特徴 seabornとは、Pythonのデータ可視化ライブラリで、同じPythonの可視化ライブラリであるmatp
Spectrogram — Matplotlib 3.10.6 documentation
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 3.5.3 documentation
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でのプロットの基本
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
Thumbnail gallery — Matplotlib 2.0.2 documentation
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 3.10.6 documentation
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
Top 50 matplotlib Visualizations - The Master Plots (w/ Full Python Code) | ML+
Top 50 matplotlib Visualizations – The Master Plots (with full python code) Join thousands of students who advanced their careers with MachineLearningPlus. Go from Beginner to Data Science (AI/ML/Gen AI) Expert through a structured pathway of 9 core specializations and build industry grade projects. A compilation of the Top 50 matplotlib plots most useful in data analysis and visualization. This l
matplotlib基礎 | figureやaxesでのグラフのレイアウト - Qiita
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) linspace便利そう 線形に等間隔な数列を生成するライブラリ。 numpy.linspace(start, stop, num = 50, endpoint = True, retstep = False, dtype = Non
Ipython Directive — sampledoc 1.0 documentation
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:
Text properties and layout — Matplotlib 2.0.2 documentation
You are reading an old version of the documentation (v2.0.2). For the latest version see https://matplotlib.org/stable/
Plots with different scales — Matplotlib 3.0.0 documentation
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
線形重回帰を本当はPythonで解きたいけど表計算で解けと言われたので - Qiita
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, 1.471772], ['PH3', -87, 34.0, 0.57397], ['AsH3', -55, 77.9, 0.217], ['SbH3', -17.1, 124.8, 0.116], ['CH4', -161.49, 16.0, 0], ['SiH4', -111.8
JupyterLab上で周期表を用いた可視化、分析をする方法 - Qiita
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.periodic_table import elements from bokeh.transform import dodge from matplotlib.colors import Normalize, LogNorm, to_hex from matplotlib.cm import plasma, inferno,
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 - Qiita
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', -161.49, 16.0], ['SiH4', -111.8, 32.1], ['GeH4', -90, 76.6], ['SnH4', -52, 122.7], ['He', -268.934, 4.0
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
Chart visualization — pandas 2.3.2 documentation
Cookbook — pandas 2.3.2 documentation
Tutorials — Matplotlib 3.10.6 documentation
https://matplotlib.org/stable/users/installing.html
https://matplotlib.org/stable/tutorials/introductory/usage.html
【随時更新】よく使う・よく忘れるコード一覧(Python編) - Qiita
