Matplotlib

「.NET 開発基盤部会 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。

戻る > Pythonセカンド・ステップ
- NumPy
- Pandas
- Matplotlib

目次 †

↑

概要 †

Matplotlib（マットプロットリブ）は二次元の平面にグラフを描画するライブラリ

オブジェクト指向のAPIを提供しており、様々な種類のグラフを描画する能力を持つ。
描画できるのは主に2次元のプロットだが、3次元プロットの機能も追加されてきている。
BSDスタイルのライセンスの下で配布されている。

↑

準備 †

↑

インストール †

↑

matplotlib †

>pip install matplotlib

↑

seaborn †

matplotlibラッパ

>pip install seaborn

↑

インポート †

↑

別名 †

numpyも一緒にインポート

>>>import numpy as np
>>>import matplotlib.pyplot as plt
>>>import seaborn as sns

↑

jupyter上で利用するとき †

>>>%matplotlib inline

↑

ファースト・ステップ †

↑

ヒストグラム †

↑

データの生成 †

最も単純な例

x = np.random.normal(70, 10, 1000) # 平均70・標準偏差10のデータ1000個

階層別表示の例

y=[0,1,2]
# valのベクトルを生成し、ｎ行１列の２次元配列（行列）化
y[0]=np.random.normal(50, 10, 1000).reshape(-1, 1) # 平均50・標準偏差10のデータ1000個
y[1]=np.random.normal(150, 20, 1000).reshape(-1, 1) # 平均150・標準偏差20のデータ1000個
y[2]=np.random.normal(100, 30, 1000).reshape(-1, 1) # 平均100・標準偏差30のデータ1000個
# clsのベクトルを生成し、ｎ行１列の２次元配列（行列）化して、valとclsを結合（ｎ行２列の２次元配列（行列）
y[0]=np.hstack([y[0], np.full(1000, 0).reshape(-1, 1)])
y[1]=np.hstack([y[1], np.full(1000, 1).reshape(-1, 1)])
y[2]=np.hstack([y[2], np.full(1000, 2).reshape(-1, 1)])
# numpy.ndarray（行列）をDataFrame化
y[0]=pd.DataFrame(y[0],columns=['val','cls'])
y[1]=pd.DataFrame(y[1],columns=['val','cls'])
y[2]=pd.DataFrame(y[2],columns=['val','cls'])
# ３つのclsのDataFrameを結合
df=y[0]
df=pd.concat([df,y[1]],axis=0)
df=pd.concat([df,y[2]],axis=0)
# インデックス再設定
df.index=np.arange(len(df))

↑

データの可視化 †

最も単純な例

binsの自動算出
```
>>>plt.hist(x)
>>>plt.show()
```

最適なbinsを算出
スタージェスの公式（1+log2n）を基に最適なbinsを算出

>>>import math
>>>bins = math.log(len(x), 2) + 1
>>>plt.hist(x, bins=round(bins))
>>>plt.show()

階層別表示の例
cls列の値（階層）毎にグループ分けしてval値をヒストグラムで可視化

for _class, _color in zip([1,2,3], ['r','g','b']):
    plt.hist(df[df.cls==_class]['val'], bins=round(bins), alpha=0.3, color=_color)
plt.show()

↑

散布図 †

↑

データの生成 †

線形単回帰している風のデータを生成する。

データ１

>>>np.random.seed(0) # 乱数生成器の状態を指定
>>>x1=np.random.normal(50,10,100) # 平均50 標準偏差10の正規分布データ100個
>>>y1=x1+np.random.normal(0,10,100) # 線形単回帰している風のxに対応するyの値

>>>x2
...見ても解らん数字の羅列...
>>>y2
...見ても解らん数字の羅列...

データ２
より、相関係数が大きい感じのデータ。

>>>np.random.seed(0) # 乱数生成器の状態を指定
>>>x2=np.random.normal(30,10,100) # 平均30 標準偏差10の正規分布データ100個
>>>y2=2*x2+np.random.normal(0,10,100) # 線形単回帰している風のxに対応するyの値

>>>x2
...見ても解らん数字の羅列...
>>>y2
...見ても解らん数字の羅列...

↑

データの可視化 †

可視化

>>>plt.scatter(x,y)
>>>plt.title('グラフのタイトル')
>>>plt.xlabel('x軸のラベル')
>>>plt.ylabel('y軸のラベル')
>>>plt.xticks(np.arange(下限,上限,間隔)) 
>>>plt.yticks(np.arange(下限,上限,間隔))
>>>plt.grid() # グリッド線を表示
>>>plt.show()

scatterメソッドのオプション

プロットと凡例の色
https://matplotlib.org/2.0.2/users/colors.html
```
color='blue'
```

プロットのマーカー
https://matplotlib.org/stable/api/markers_api.html
```
marker='x'
```

凡例に表示する文字
```
label='data x'
```

凡例を表示する場合、以下を実行

>>>plt.legend(loc='upper right') # 凡例位置

１つのデータ群

最も単純な例
```
>>>plt.scatter(x1,y1)
>>>plt.show()
```

修飾を加えた例

>>>plt.scatter(x1,y1)
>>>plt.title('title')
>>>plt.xlabel('xlabel')
>>>plt.ylabel('ylabel') 
>>>plt.xticks(np.arange(0,100,10)) 
>>>plt.yticks(np.arange(0,100,10))
>>>plt.grid() # グリッド線を表示
>>>plt.show()

２つのデータ群

>>>plt.scatter(x1,y1,color='red',marker='x',label='data1')
>>>plt.scatter(x2,y2,color='blue',marker='+',label='data2')
>>>plt.title('title')
>>>plt.xlabel('xlabel')
>>>plt.ylabel('ylabel')
>>>plt.legend(loc='upper right') # 凡例位置 
>>>plt.xticks(np.arange(0,100,10)) 
>>>plt.yticks(np.arange(0,100,10))
>>>plt.grid() # グリッド線を表示
>>>plt.show()

↑

三次関数グラフ †

↑

データの生成 †

コチラは関数なので、式（y=x^3+x^2x+x+1）からデータを生成する感じ。

>>>#x座標
>>>x=np.arange(-10,10,0.1) # -10 - +10まで0.1刻みの配列
>>>#x座標
>>>y=0.01*(x**3+x**2+x+1)  # 三次関数：y=x^3+x^2x+x+1

↑

データの可視化 †

グラフのプロット

最も単純な例

>>>plt.plot(x,y)  # グラフをプロットする
>>>plt.show()     # グラフを表示する

修飾を加えた例
前述の修飾項目を除く

>>>plt.plot(x,y) # グラフをプロットする
>>>plt.hlines([0], -10, 10, linestyles='dashed', color='gray') # x軸に平行な直線を表示
>>>plt.vlines([0], -1, 1, linestyles='dashed', color='gray')   # y軸に平行な直線を表示
>>>plt.xlim([-5, 5])  # x軸方向の表示範囲を指定
>>>plt.ylim([-1, 1])  # y軸方向の表示範囲を指定
>>>plt.show() # グラフを表示する

↑

三角関数グラフ †

↑

sin関数グラフ †

sin関数からデータを生成する。

データの生成

>>>#x座標
>>>x=np.arange(0,6,0.1) # 0 - 6まで0.1刻みの配列
>>>x
array([ 0. ,  0.1,  0.2,  0.3,  0.4,  0.5,  0.6,  0.7,  0.8,  0.9,  1. ,
        1.1,  1.2,  1.3,  1.4,  1.5,  1.6,  1.7,  1.8,  1.9,  2. ,  2.1,
        2.2,  2.3,  2.4,  2.5,  2.6,  2.7,  2.8,  2.9,  3. ,  3.1,  3.2,
        3.3,  3.4,  3.5,  3.6,  3.7,  3.8,  3.9,  4. ,  4.1,  4.2,  4.3,
        4.4,  4.5,  4.6,  4.7,  4.8,  4.9,  5. ,  5.1,  5.2,  5.3,  5.4,
        5.5,  5.6,  5.7,  5.8,  5.9])

>>>#y座標
>>>y=np.sin(x)
>>>y
array([ 0.        ,  0.09983342,  0.19866933,  0.29552021,  0.38941834,
        0.47942554,  0.56464247,  0.64421769,  0.71735609,  0.78332691,
        0.84147098,  0.89120736,  0.93203909,  0.96355819,  0.98544973,
        0.99749499,  0.9995736 ,  0.99166481,  0.97384763,  0.94630009,
        0.90929743,  0.86320937,  0.8084964 ,  0.74570521,  0.67546318,
        0.59847214,  0.51550137,  0.42737988,  0.33498815,  0.23924933,
        0.14112001,  0.04158066, -0.05837414, -0.15774569, -0.2555411 ,
       -0.35078323, -0.44252044, -0.52983614, -0.61185789, -0.68776616,
       -0.7568025 , -0.81827711, -0.87157577, -0.91616594, -0.95160207,
       -0.97753012, -0.993691  , -0.99992326, -0.99616461, -0.98245261,
       -0.95892427, -0.92581468, -0.88345466, -0.83226744, -0.77276449,
       -0.70554033, -0.63126664, -0.55068554, -0.46460218, -0.37387666])

データの描画

>>>#グラフ描画
>>>plt.plot(x,y)
>>>plt.show()

↑

sin, cos関数グラフ †

同様に、sin, cos関数からデータを生成する。

データの生成

>>>#x座標
>>>x=np.arange(0,6,0.1) # 0 - 6まで0.1刻みの配列

>>>#y座標
>>>y1=np.sin(x)
>>>y2=np.cos(x)

データの描画

>>>#グラフ描画
>>> plt.plot(x,y1, label="sin")
>>> plt.plot(x,y2, linestyle="--", label="cos")
>>> plt.xlabel("x")
>>> plt.ylabel("y")
>>> plt.title("sin & cos")
>>> plt.legend()
>>> plt.show()

↑

セカンド・ステップ †

↑

パレート図 †

結構手数が要る。

↑

散布図行列 †

matplotlibラッパであるseabornを使って、
表の全ペアのヒストグラムと散布図を表示。

↑

データの生成 †

準備
scikit-learnのデータセットを使う
```
>pip install scikit-learn
```

生成
dfは数値表として初期化されたDataFrame

from sklearn import datasets
iris = datasets.load_iris()
df_data = pd.DataFrame(iris.data, columns=iris.feature_names)
df_target = pd.DataFrame(iris.target, columns=['species'])
df = pd.concat([df_data, df_target], axis=1)
df.head()

↑

データの描画 †

既定値

>>>sns.pairplot(df, height=2.0)
>>>plt.show()

カテゴリ列値で色分け

>>>sns.pairplot(df, hue='カテゴリ列')
>>>plt.show()

↑

ヒートマップ †

↑

データの生成 †

dfは数値表として初期化されたDataFrame。

# 10x12 の一様乱数を生成
np.random.seed(0)
uniform_data = np.random.rand(10, 12)

↑

データの描画 †

# 図表のサイズを指定
plt.figure(figsize=(10, 7))

# numpy.ndarray（行列）でもDataFrameでもOK
# annot : 数値を表示するかどうか(annotation)
# square: 四角を正方形に合わせるかどうか
# fmt   : 表示する数値の形式(formatting)
sns.heatmap(uniform_data, annot=True, square=True, fmt='.2f')

plt.show()

↑

サード・ステップ（その他） †

↑

画像の表示 †

>>>from matplotlib.image import imread
>>>img=imread('C:\Windows\Web\Wallpaper\Theme1\img1.jpg')
>>>plt.imshow(img)
>>>plt.show()

↑

3次元のプロット †

↑

準備 †

インポート

# import
from mpl_toolkits.mplot3d import Axes3D

↑

追加 †

点

# (x, y, z)
x = np.random.rand(50)
y = np.random.rand(50)
z = np.random.rand(50)

# 図表の定義
fig = plt.figure()
#ax = Axes3D(fig)
ax = fig.add_subplot(projection='3d')

# 3Dでプロット
ax.scatter(x, y, z)

# ラベル
ax.set_xlabel('X-label')
ax.set_ylabel('Y-label')
ax.set_zlabel('Z-label')

直線

# (x, y, z)
x = [1, 2, 3, 4, 5]
y = [1, 2, 3, 4, 5]
z = [1, 2, 3, 4, 5]

# 図表の定義
fig = plt.figure()
#ax = Axes3D(fig)
ax = fig.add_subplot(projection='3d')

# 3Dでプロット
ax.plot(x, y, z, "o-")

# ラベル
ax.set_xlabel('X-label')
ax.set_ylabel('Y-label')
ax.set_zlabel('Z-label')

曲線

# (x, y, z)
x = np.linspace(0, 8 * np.pi, num=50)
y = x * np.cos(x)
z = x * np.sin(x)

# 図表の定義
fig = plt.figure()
#ax = Axes3D(fig)
ax = fig.add_subplot(projection='3d')

# 3Dでプロット
ax.plot(x, y, z, "o-")

# ラベル
ax.set_xlabel('X-label')
ax.set_ylabel('Y-label')
ax.set_zlabel('Z-label')

平面

# (x, y, z)
# 2次元のグリッド座標
x, y = np.meshgrid(np.arange(0, 40, 2.5), np.arange(1, 10, 0.5))
# 平面の式
z = 2*x + 3*y + 4 

# 図表の定義
fig = plt.figure()
#ax = Axes3D(fig)
ax = fig.add_subplot(projection='3d')

# 3Dでプロット
ax.plot_wireframe(x,y,z)

# ラベル
ax.set_xlabel('X-label')
ax.set_ylabel('Y-label')
ax.set_zlabel('Z-label')

曲面

# (x, y, z)
# 2次元のグリッド座標
x, y = np.meshgrid(np.arange(-3, 3, 0.25), np.arange(-3, 3, 0.25))
# 曲面の式
z = np.sin(x)+ np.cos(y)

# 図表の定義
fig = plt.figure()
#ax = Axes3D(fig)
ax = fig.add_subplot(projection='3d')

# 3Dでプロット
ax.plot_wireframe(x,y,z)

# ラベル
ax.set_xlabel('X-label')
ax.set_ylabel('Y-label')
ax.set_zlabel('Z-label')

↑

参考 †

matplotlib - Wikipedia
https://ja.wikipedia.org/wiki/Matplotlib

DxCommon?/MatplotlibTraining?.ipynb at develop · OpenTouryoProject?/DxCommon? · GitHub
https://github.com/OpenTouryoProject/DxCommon/blob/develop/Notebook/Jupyter/path/MatplotlibTraining.ipynb

最新の69件

目次 †

概要 †

準備 †

インストール †

matplotlib †

seaborn †

インポート †

別名 †

jupyter上で利用するとき †

ファースト・ステップ †

ヒストグラム †

データの生成 †

データの可視化 †

散布図 †

データの生成 †

データの可視化 †

三次関数グラフ †

データの生成 †

データの可視化 †

三角関数グラフ †

sin関数グラフ †

sin, cos関数グラフ †

セカンド・ステップ †

パレート図 †

散布図行列 †

データの生成 †

データの描画 †

ヒートマップ †

データの生成 †

データの描画 †

サード・ステップ（その他） †

画像の表示 †

3次元のプロット †

準備 †

追加 †

参考 †