Bạn đang xem : cách vẽ biểu đồ phân tán trong python

Biểu đồ phân tán là biểu đồ trong đó các giá trị của hai biến được vẽ dọc theo hai trục. Đây là loại cốt truyện cơ bản nhất giúp bạn hình dung mối quan hệ giữa hai biến số.

Khái niệm

  1. Biểu đồ Scatter là gì?
  2. Biểu đồ Scatter cơ bản trong python
  3. Tương quan với biểu đồ Phân tán
  4. Thay đổi màu của các nhóm điểm
  5. Thay đổi Màu và Điểm đánh dấu
  6. Biểu đồ phân tán với biểu đồ phù hợp tuyến tính bằng cách sử dụng seaborn
  7. Biểu đồ phân tán với Biểu đồ sử dụng seaborn
  8. Biểu đồ bong bóng
  9. Phân tích Khám phá sử dụng Tập dữ liệu mtcars
    • Nhiều dòng sản phẩm phù hợp nhất
    • Điều chỉnh màu sắc và kiểu dáng cho các danh mục khác nhau
    • Chú thích Văn bản trong Biểu đồ Phân tán
    • Biểu đồ bong bóng với các biến phân loại
    • Lô đất phân loại

Biểu đồ phân tán là gì?

Biểu đồ phân tán là một biểu đồ của hai tập hợp dữ liệu dọc theo hai trục. Nó được sử dụng để hình dung mối quan hệ giữa hai biến.

Nếu giá trị dọc theo trục Y dường như tăng lên khi trục X tăng (hoặc giảm), thì điều đó có thể chỉ ra mối quan hệ tuyến tính tích cực (hoặc tiêu cực). Trong khi đó, nếu các điểm được phân phối ngẫu nhiên mà không có mô hình rõ ràng, điều đó có thể cho thấy thiếu mối quan hệ phụ thuộc.

Trong python matplotlib, scatterplot có thể được tạo bằng cách sử dụng pyplot.plot () hoặc pyplot.scatter () . Sử dụng các chức năng này, bạn có thể thêm nhiều tính năng hơn vào biểu đồ phân tán của mình, chẳng hạn như thay đổi kích thước, màu sắc hoặc hình dạng của các điểm.

Vậy sự khác biệt giữa plt.scatter () so với plt.plot () là gì?

Sự khác biệt giữa hai hàm là: với pyplot.plot () bất kỳ thuộc tính nào bạn áp dụng (màu sắc, hình dạng, kích thước của điểm) sẽ được áp dụng trên tất cả các điểm trong khi ở pyplot.scatter () bạn có nhiều quyền kiểm soát hơn đối với từng điểm.

Nghĩa là, trong plt.scatter () , bạn có thể có màu sắc, hình dạng và kích thước của mỗi chấm (điểm dữ liệu) thay đổi dựa trên một biến khác. Hoặc thậm chí cùng một biến (y). Trong khi đó, với pyplot.plot () , các thuộc tính bạn đặt sẽ được áp dụng cho tất cả các điểm trong biểu đồ.

Đầu tiên, tôi sẽ nhập các thư viện mà tôi sẽ sử dụng.

  

nhập

pandas

dưới dạng

pd

nhập

numpy

dưới dạng

np

nhập

matplotlib.pyplot

dưới dạng

plt % matplotlib inline plt.rcParams.update ({

'figure.figsize'

: (

10

,

8

),

'figure.dpi'

:

100

})

Hàm plt.rcParams.update () được sử dụng để thay đổi các thông số mặc định của hình vẽ.

Basic Scatter plot in python

Đầu tiên, hãy tạo dữ liệu nhân tạo bằng np.random.randint () . Bạn cần phải xác định không. số điểm bạn yêu cầu làm đối số.

Bạn cũng có thể chỉ định giới hạn dưới và giới hạn trên của biến ngẫu nhiên mà bạn cần.

Sau đó, sử dụng hàm plt.scatter () để vẽ biểu đồ phân tán bằng matplotlib. Bạn cần chỉ định các biến x và y làm đối số.

plt.title () được sử dụng để đặt tiêu đề cho cốt truyện của bạn.

plt.xlabel () được sử dụng để gắn nhãn trục x.

plt.ylabel () được sử dụng để gắn nhãn trục y.

Bạn muốn trở nên tuyệt vời trong ML?

Xin chào! Tôi là Selva, và tôi rất vui khi bạn đang đọc nó!

Giờ đây, bạn có thể từ một người mới bắt đầu hoàn chỉnh trở thành chuyên gia Khoa học Dữ liệu, với khóa đào tạo Khoa học Dữ liệu miễn phí từ đầu đến cuối của tôi.

Không có sự thay đổi giữa nhiều sách và khóa học. Hy vọng vào cách hiệu quả nhất để trở thành chuyên gia. (Bao gồm sổ ghi chép có thể tải xuống, các dự án portfolio và bài tập)

Bắt đầu miễn phí với khóa học đầu tiên ‘Cơ sở của Học máy’ – một định hướng toàn diện về lĩnh vực ML là gì.

Đăng ký khóa học Nền tảng của ML (MIỄN PHÍ)

Đã bán? Bắt đầu với Con đường làm chủ ML hoàn chỉnh

  # 

Đơn giản

Scatterplot

x = range (

50

) y = range (

50

) + np.random.randint (

0

,

30

,

50

) plt.scatter (x, y) plt.rcParams.update ({

'figure

.figsize': (

10

,

8

),

'figure

.dpi':

100

}) plt.title (

'Đơn giản

Phân tán

âm mưu') plt.xlabel (

'X

- value') plt.ylabel (

'Y

- value') plt.show

()

Bạn có thể thấy rằng có một mối quan hệ tuyến tính thuận giữa các điểm. Có nghĩa là, khi X tăng, Y cũng tăng, bởi vì Y thực sự chỉ là X + số_tố ngẫu nhiên.

Nếu bạn muốn màu của các điểm thay đổi tùy thuộc vào giá trị của Y (hoặc một biến khác có cùng kích thước), hãy chỉ định màu mà mỗi chấm sẽ sử dụng đối số c .

Xem Thêm  Thuộc tính nền CSS pha trộn-mode - chế độ hòa trộn nền nhân lên

Bạn cũng có thể cung cấp biến khác có cùng kích thước với X.

  # 

Đơn giản

Scatterplot

với

các điểm màu x = range (

50

) y = range (

50

) + np.random.randint (

0

,

30

,

50

) plt.rcParams.update ({

'figure

.figsize': (

10

,

8

),

'figure

.dpi':

100

}) plt.scatter (x, y, c = y, cmap =

'Quang phổ'

) plt.colorbar

()

plt.title (

'Đơn giản

Phân tán

âm mưu') plt.xlabel (

'X

- value') plt.ylabel (

'Y

- value') plt.show

()

Cho phép tạo tập dữ liệu với mối quan hệ tăng dần theo cấp số nhân và trực quan hóa cốt truyện.

  # 

Scatterplot

trong số

vzriables không ngẫu nhiên x = np.arange (

1

,

10

,

0,2 < / p>) y = np.exp (x) plt.scatter (x, y) plt.rcParams.update ({

'figure

.figsize': (

10

,

8

),

'figure

.dpi':

100

}) plt.title (

'Hàm số mũ

Bộ dữ liệu

') plt.show

()

np.arrange (Lower_limit, upper_limit, khoảng) được sử dụng để tạo tập dữ liệu giữa giới hạn dưới và giới hạn trên với một bước là “khoảng” không. trong tổng số điểm.

Bây giờ, bạn có thể thấy rằng có một mối quan hệ hàm mũ giữa trục x và y.

Tương quan với biểu đồ phân tán

1) Nếu giá trị của y tăng cùng với giá trị của x, thì chúng ta có thể nói rằng các biến có mối tương quan thuận .

2) Nếu giá trị của y giảm theo giá trị của x, thì chúng ta có thể nói rằng các biến có mối tương quan âm .

3) Nếu giá trị của y thay đổi ngẫu nhiên độc lập với x, thì giá trị đó được cho là có giá trị lõi bằng không .

Tương quan

  # Scatterplot 

# Dữ liệu x =

np

.

random

.randn (

100 ) y1 = x *

5

+

9

y2 = -

5

* x y3 =

np

.

random

.randn (

100 ) # Kịch bản plt.rcParams.update ({'figure.figsize': (

10

,

8

), 'hình. dpi ':

100

}) plt.scatter (x, y1,

label

= f'y1 Tương quan = {

np

.

round

(

np

.corrcoef (x, y1) [

0

,

1

],

2

)} ') plt.scatter (x, y2,

label

= f'y2 Tương quan = {

np

.

round

(

np

.corrcoef (x, y2) [

0

,

1

],

2

)} ') plt.scatter (x, y3,

label

= f'y3 Correlation = {

np

.

round < / p> (

np

.corrcoef (x, y3) [

0

,

1

],

2

)} ') # Kịch bản plt.

title

('Tương quan Scatterplot

') làm ơn

chú thích

() làm ơn

hiển thị

()

Trong biểu đồ trên, bạn có thể thấy rằng đường màu xanh lam thể hiện mối tương quan dương, đường màu cam thể hiện mối tương quan âm và các chấm màu xanh lục cho thấy không có mối liên hệ nào với các giá trị x (nó thay đổi ngẫu nhiên một cách độc lập).

Thay đổi màu của các nhóm điểm

Sử dụng lệnh color = '____' để thay đổi màu sắc biểu thị biểu đồ phân tán.

 
x = np. 

random

.randn (

50

) y1 = np.

random

.randn (

50

) y2 = np.

random

.randn (

50

) plt.scatter (x, y1,

color

=

'blue'

) plt.scatter (x, y2,

color

=

'red'

) plt.rcParams.update ({

'figure.figsize'

: (

10

,

8

),

'figure.dpi'

:

100

}) plt.title (

'Thay đổi màu sắc'

) plt.xlabel (

'X - value'

) plt.ylabel (

'Y - value'

) plt.show ()

Thay đổi Màu và Điểm đánh dấu

Sử dụng lệnh marker = _____ để thay đổi loại điểm đánh dấu trong biểu đồ phân tán.

[‘.’, ‘o’, ‘v’, ‘^’, ‘& gt;’, ‘& lt;’, ‘s’, ‘p’, ‘*’, ‘h’, ‘H’, ‘D’ , ‘d’, ‘1 ′, ”,”] – Đây là các loại điểm đánh dấu mà bạn có thể sử dụng cho âm mưu của mình.

[‘. ‘,’ o ‘,’ v ‘,’ ^ ‘,’ & gt ; ‘,’

 
x = np.random.randn (

500

) y1 = np.random.randn (

500

) y2 = np.random.chisquare (

10

,

500

) y3 = np.random.poisson (

5

,

500

) # Kịch bản plt.rcParams.update ({

'figure.figsize'

: (

10

,

8

),

'figure.dpi'

:

100

}) plt.scatter (x, y1, color =

'blue'

, marker =

'*'

,

nhãn

=

'Chuẩn Bình thường'

)

plt.scatter (x, y2, color =

'red'

, marker =

'v' ,

nhãn

=

'Chi-Square'

)

plt.scatter (x, y3, color =

'green'

, marker =

'.' ,

nhãn

=

'Poisson'

)

# Trang hoàng plt.title (

'Phân phối: Thay đổi màu sắc và hình dạng'

) plt.xlabel (

'X - value'

) plt.ylabel (

'Y - value'

) plt.legend (loc =

'tốt nhất'

) plt.show ()

Biểu đồ phân tán với biểu đồ phù hợp tuyến tính bằng cách sử dụng Seaborn

Hãy cố gắng điều chỉnh tập dữ liệu để có dòng phù hợp nhất bằng cách sử dụng hàm lmplot () trong seaborn.

Hãy sử dụng tập dữ liệu mtcars.

Bạn có thể tải xuống tập dữ liệu từ địa chỉ đã cho: https://www.kaggle.com/ruiromanini/mtcars/download

Bây giờ, hãy thử xem có sự phù hợp tuyến tính giữa cột mpg và cột displ hay không.

  # Linear - Dòng phù hợp nhất

nhập

seaborn

dưới dạng

sns url =

'https://gist.githubusercontent.com/seankross/a412dfbd88b3db70b74b/raw/5f23f993cd87c283ce766e7ac6b329ee7cc2e1d1/mtcars.csv'

df = pd.read_csv (url) plt.rcParams.update ({

'figure.figsize'

: (

10

,

8

),

'figure.dpi'

:

100

}) sns.lmplot (x =

'mpg'

, y =

'disp'

,

dữ liệu

= df) plt.

title

(

"Biểu đồ phân tán với phù hợp tuyến tính"

);

Bạn có thể thấy rằng chúng tôi đang nhận được sự phân biệt tiêu cực giữa 2 cột.

  # 

Phân tán

Lô đất

với

lowess

line

phù hợp

url = 'https: df = pd.read_csv (url) sns.lmplot (x = 'mpg', y = '

disp

', data = df,

lowess

= ĐÚNG VẬY) plt.title (

"Biểu đồ phân tán với độ phù hợp thấp"

);

Biểu đồ phân tán với biểu đồ sử dụng seaborn

Sử dụng hàm biểu đồ chung trong seaborn để biểu diễn biểu đồ phân tán cùng với việc phân phối cả giá trị x và y dưới dạng biểu đồ.

Sử dụng hàm sns.jointplot () với x, y và datset làm đối số.

  

nhập

seaborn

dưới dạng

sns x = np.random.randn (

100

) y1 = np.random.randn (

100

) plt.rcParams.

update

({

'figure.figsize'

: (

10

,

8

),

'figure.dpi'

:

100

}) sns.jointplot (x = x, y = y1);

Như bạn có thể thấy, chúng tôi cũng đang lấy biểu đồ phân phối cho giá trị x và y.

Biểu đồ bong bóng

Biểu đồ bong bóng là biểu đồ phân tán trong đó kích thước thứ ba được thêm vào: giá trị của một biến bổ sung được biểu thị thông qua kích thước của các dấu chấm.

Bạn cần thêm một lệnh khác trong biểu đồ phân tán s đại diện cho kích thước của các điểm.

  # Ô bong bóng. Kích thước của 

điểm

thay đổi dựa trên biến thể

thứ ba

. x =

np

.

random

.rand (

100 ) y =

np

.

random

.rand (

100 ) s =

np

.

random

.rand (

100 ) *

200

plt.scatter (x, y, s = s,

color

= 'red') làm ơn

hiển thị

()

Kích thước của bong bóng biểu thị giá trị của kích thước thứ ba, nếu kích thước bong bóng lớn hơn thì có nghĩa là giá trị của z lớn hơn tại thời điểm đó.

Phân tích khám phá của tập dữ liệu mtcars

Bộ dữ liệu mtcars chứa số dặm và thông số kỹ thuật của nhiều kiểu xe ô tô. Bạn có thể tải xuống tập dữ liệu tại đây .

Mục tiêu của phân tích khám phá là để hiểu mối quan hệ giữa các thông số kỹ thuật khác nhau của xe và quãng đường đi được.

  

df

= pd.read_csv (

"mtcars.csv" ) df.head ()

Bạn có thể thấy rằng tập dữ liệu chứa các thông tin khác nhau về một chiếc ô tô.

Trước tiên, chúng ta hãy xem biểu đồ phân tán để xem phân phối giữa mpg disp và phân phối biểu đồ của chúng. Bạn có thể thực hiện việc này bằng cách sử dụng hàm jointplot () trong seaborn.

  # 

chung

plot

để

tìm phân phối sns.jointplot (x = df [

"mpg"

], y = df [

"disp"

],

color

=

'red'

, kind =

'scatter' < / p>)

  & lt; seaborn 

. axisgrid

. JointGrid

tại

0

x7fbf16fcc5f8 & gt;

Nhiều dòng phù hợp nhất

Nếu bạn cần thực hiện điều chỉnh hồi quy tuyến tính cho nhiều danh mục đối tượng địa lý giữa x và y, như trong trường hợp này, tôi sẽ chia thêm các danh mục tích lũy thành gear và cố gắng điều chỉnh một đường thẳng cho phù hợp . Đối với điều này, hãy sử dụng đối số hue = trong hàm lmplot () .

  # 

Tuyến tính

-

Dòng

trong số

phù hợp nhất nhập seaborn

dưới dạng

sns df = pd.read_csv (

'mtcars

.csv') plt.rcParams.update ({

'figure

.figsize': (

10

,

8

),

'figure

.dpi':

100

}) sns.lmplot (x =

'mpg'

, y =

'disp'

, hue =

'gear'

, data = df);

Thấy rằng hàm đã phù hợp với 3 dòng khác nhau cho 3 loại bánh răng trong tập dữ liệu.

Điều chỉnh màu sắc và kiểu dáng cho các danh mục khác nhau

Tôi đã tách tập dữ liệu theo các loại bánh răng khác nhau. Sau đó, tôi vẽ chúng một cách riêng biệt bằng cách sử dụng hàm scatter () .

 
 
df = pd.read_csv (

'mtcars.csv'

) df1 = df [df [

'gear'

] ==

3

] df2 = df [df [

'gear'

] ==

4

] df3 = df [df [

'gear'

] ==

5

] plt.scatter (df1 [

'mpg'

], df1 [

'disp'

], color =

'blue'

, marker =

'*'

,

label

=

'gear = 3'

)

plt.scatter (df2 [

'mpg'

], df2 [

'disp'

], color =

'red'

, marker =

'v'

,

nhãn

=

'gear = 4'

)

plt.scatter (df3 [

'mpg'

], df3 [

'disp'

], color =

'green'

, marker =

'.'

,

nhãn

=

'gear = 5'

)

plt.legend ()
  & lt; matplotlib 

. legend

. Legend

tại

0

x7fbf171b59b0 & gt;

Chú thích Văn bản trong Biểu đồ Phân tán

Nếu bạn cần thêm bất kỳ văn bản nào vào biểu đồ của mình, hãy sử dụng hàm plt.text () với văn bản và tọa độ nơi bạn cần thêm văn bản làm đối số.

  # Chú thích văn bản 

trong biểu đồ phân tán

df = pd.read_csv (

'mtcars.csv'

) df1 = df [df [

'gear'

] ==

3

] df2 = df [df [

'gear'

] ==

4

] df3 = df [df [

'gear'

] ==

5

] # Kịch bản plt.scatter (df1 [

'mpg'

], df1 [

'disp'

],

color

=

'blue'

,

marker

=

'*'

, label =

'gear = 3'

) plt.scatter (df2 [

'mpg'

], df2 [

'disp'

],

color

=

'red'

,

marker

=

'v'

, label =

'gear = 4'

) plt.scatter (df3 [

'mpg'

], df3 [

'disp'

],

color

=

'green'

,

marker

=

'.'

, label =

'gear = 5'

) plt.legend () # Chú thích Văn bản làm ơn

text

(

21,5

+

0,2

,

255

,

"gear = 3"

, ngangalignment =

'left '

,

size

=

' medium '

,

màu sắc

=

'blue'

, weight =

'semibold'

) làm ơn

text

(

26

+

0.2

,

120

,

"gear = 5"

, ngangalignment =

'left '

,

size

=

' medium '

,

color

=

'green'

, weight =

'semibold'

) làm ơn

text

(

24,5

+

0,2

,

145

,

"gear = 4"

, ngangalignment =

'left '

,

size

=

' medium '

,

color

=

'red'

, weight =

'semibold'

)
  

Văn bản

(

24,7

,

145

,

'gear = 4'

)

Biểu đồ bong bóng có các biến phân loại

Thông thường, bạn sẽ sử dụng 2 biến phân bố để vẽ biểu đồ phân tán (x và y), sau đó tôi đã thêm một biến phân loại khác df ['carb'] sẽ được ngụ ý bởi màu của các điểm, Tôi cũng đã thêm một biến khác df ['wt'] có giá trị được ngụ ý tùy theo cường độ của từng màu.

 
url = 

'https://gist.githubusercontent.com/seankross/a412dfbd88b3db70b74b/raw/5f23f993cd87c283ce766e7ac6b329ee7cc2e1d1/mtcars.csv'

df = pd.read_csv (url) plt.scatter (df [

'mpg'

], df [

'disp'

], alpha =

0,7

, s =

100

* df [

'wt' ], c = df [

'carb'

], cmap =

'plasma'

) plt.xlabel (

'MPG'

) plt.ylabel (

'GIẢI PHÓNG'

); plt.title (

'Ô bong bóng'

) plt.legend ();
  Không tìm thấy thẻ điều khiển nào 

với

nhãn

đến

đưa

vào

chú thích.

Tôi đã vẽ biểu đồ giá trị mpg so với giá trị disp và cũng chia chúng thành các màu khác nhau theo giá trị carb và kích thước của từng bong bóng biểu thị giá trị wt .

alpha tham số được sử dụng để điều chỉnh cường độ màu của biểu đồ. Càng nhiều aplha sẽ là cường độ màu.

Lô đất phân loại

 
sns.catplot (x = 

"cyl"

, y =

"disp"

, hue =

"gear"

, kind =

"swarm"

, data = df); plt.

title

('Categorical

Cốt truyện

')

sns.catplot () được sử dụng để cấp quyền truy cập vào một số hàm cấp trục thể hiện mối quan hệ giữa một số và một hoặc nhiều biến phân loại bằng cách sử dụng một trong số các biểu diễn trực quan.

Sử dụng lệnh hue = để chia nhỏ dữ liệu thành các danh mục khác.

Bài đăng được đề xuất


Xem thêm những thông tin liên quan đến chủ đề làm thế nào để vẽ âm mưu phân tán trong python

Seaborn regplot | What is a regplot and how to make a regression plot in Python Seaborn?

alt

  • Tác giả: Kimberly Fessel
  • Ngày đăng: 2020-08-28
  • Đánh giá: 4 ⭐ ( 8525 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: The Seaborn regplot allows you to fit and visualize a linear regression model for your data. This video begins by walking you through what a Seaborn Python regplot is and how to plot the regplot with a line only. Then I explain the purpose of the regplot along with several options within Seaborn including turning off the confidence intervals and fitting other statistical models to your data via polynomial regression, robust regression, logistic regression, and LOWESS. I end by discussing how you can style your regplot using scatter and line keywords in the Python code.

    0:00 What is a regplot?
    0:25 CODE – How to make a regplot in Seaborn
    2:41 CODE – How to plot the regplot line only
    3:37 What is the purpose of the regplot?
    4:38 Building confidence intervals with bootstrapping
    5:04 CODE – Options within the Seaborn regplot (confidence intervals, discrete variables)
    7:01 CODE – Statistical models within the regplot (polynomial, robust, logistic, LOWESS)
    9:31 CODE – Styling your regplot
    11:47 Conclusion

    Github code:
    https://github.com/kimfetti/Videos/blob/master/Seaborn/10_regplot.ipynb

    seaborn dataviz

Biểu đồ phân tán và ánh xạ màu trong Python

  • Tác giả: qastack.vn
  • Đánh giá: 5 ⭐ ( 1830 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: [Tìm thấy giải pháp!] Đây là một ví dụ import numpy as np import matplotlib.pyplot as plt x = np.random.rand(100)…

Làm thế nào để thực hiện một biểu đồ phân tán với các vòng tròn trống trong Python?

  • Tác giả: vi.ourschoolpreschool.org
  • Đánh giá: 5 ⭐ ( 7873 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Trong Python, với Matplotlib, làm thế nào có thể vẽ một biểu đồ phân tán với các vòng tròn trống? Mục đích là vẽ các vòng tròn trống xung quanh một số đĩa màu đã được vẽ bởi scatter (), để có độ cao …

Làm thế nào để tạo biểu đồ phân tán 3D trong Python?

  • Tác giả: vie.cfadnc.org
  • Đánh giá: 3 ⭐ ( 3447 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Tôi hiện đang có một mảng ma trận nx3. Tôi muốn vẽ ba cột dưới dạng ba trục. Làm thế nào tôi có thể làm điều đó? Tôi đã sử dụng Google và mọi người đề xuất sử dụng Matlab, nhưng tôi thực sự gặp khó khăn với

: làm cho các âm mưu phân tán matplotlib từ các khung dữ liệu trong gấu trúc của Python

  • Tác giả: vie.narentranzed.org
  • Đánh giá: 5 ⭐ ( 1913 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Cách tốt nhất để tạo một loạt các biểu đồ phân tán bằng cách sử dụng matplotlib từ khung dữ liệu gấu trúc trong Python là gì? Ví dụ: nếu tôi có df khung dữ liệu có một số cột quan tâm, tôi thấy mình

Âm mưu phân tán Python. Kích thước và kiểu của điểm đánh dấu

  • Tác giả: vi.uwenku.com
  • Đánh giá: 4 ⭐ ( 9824 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Tôi có một tập hợp dữ liệu mà tôi muốn hiển thị dưới dạng ô phân tán. Tôi muốn mỗi điểm được vẽ thành một hình vuông có kích thước dx. x = [0.5,0.1,0.3]
    y = [0.2,0.7,0.8]
    z = [10.,15.,

Vẽ đồ thị trong Python với thư viện Matplotlib

  • Tác giả: topdev.vn
  • Đánh giá: 5 ⭐ ( 9717 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Trước khi bắt đầu với câu hỏi Tại sao Matplotlib là một thư viện phổ biến trong Python? chúng ta đến với vài câu nói đúc kết của người xưa mà còn nguyên giá trị đến nay.

Xem thêm các bài viết khác thuộc chuyên mục: Kiến thức lập trình

By ads_php