روش تنظیم محدوده محوری (xlim، ylim) در Matplotlib

معرفی

Matplotlib یکی از پرکاربردترین کتابخانه های تجسم داده در پایتون است. بیشتر محبوبیت Matplotlib از گزینه های سفارشی سازی آن ناشی می شود – می توانید تقریباً هر عنصری را از آن تغییر دهید. سلسله مراتب اشیاء.

در این آموزش نگاهی به این خواهیم داشت روش تنظیم محدوده محور (xlim، ylim) در Matplotlib، برای کوتاه کردن یا گسترش نما به محدودیت های خاص. این می تواند زمانی مفید باشد که می خواهید تمرکز کنید روی بخش خاصی از داده های شما یا برای اطمینان از سازگاری در چندین نمودار.

ایجاد یک پلات

بیایید ابتدا یک طرح ساده برای کار با آن ایجاد کنیم:

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(12, 6))

x = np.arange(0, 10, 0.1)
y = np.sin(x)
z = np.cos(x)

ax.plot(y, color='blue', label='Sine wave')
ax.plot(z, color='black', label='Cosine wave')

plt.show()

در کد بالا یک شکل و شی محور ایجاد می کنیم plt.subplots()، تولید می کنند x، y، و z نقاط داده با استفاده از NumPy، و سپس امواج سینوسی و کسینوس را رسم کنید روی همان محور در صورت تمایل، می توانید اضافه کنید ax.legend() برای نمایش برچسب ها برای هر موج.

در این مثال، ما مقادیر ایجاد شده با اعمال یک تابع سینوس و کسینوس به دنباله تولید شده با استفاده از تابع ()arange NumPy را رسم کرده ایم. دنباله در شروع می شود 0 و به پایان می رسد 10 با یک قدم از 0.1. با اجرای این کد نمودار زیر تولید می شود:

محور x در حال حاضر از 0 به 100، و محور y از -1 به 1. با این حال، ممکن است بخواهید محدوده محور را برای تجسم بهتر یا تمرکز تغییر دهید روی یک منطقه خاص از طرح

تنظیم محدوده محور در Matplotlib

برای تنظیم محدوده محور می توانید از xlim و ylim کارکرد. این توابع را می توان از طریق نمونه PyPlot یا از طریق برنامه دسترسی داشت Axes نمونه، مثال.

روش تنظیم X-Limit (xlim) در Matplotlib

برای تنظیم محدوده محور x می توانید از xlim تابع، که دو آرگومان می گیرد: حد پایین و بالای محور x. به عنوان مثال، اگر می خواهید تمرکز کنید روی محدوده از 2 به 8، می توانید محدودیت های محور x را به صورت زیر تنظیم کنید:

اجازه دهید ابتدا X-Limit را با استفاده از PyPlot و Axes نمونه ها هر دوی این روش ها یک تاپل حاوی حد چپ و راست را می پذیرند. به عنوان مثال، اگر بخواهیم نما را کوتاه کنیم تا فقط داده ها در محدوده 25-50 نمایش داده شوند روی از محور X استفاده می کنیم xlim((25, 50)):

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(12, 6))

x = np.arange(0, 10, 0.1)
y = np.sin(x)
z = np.cos(x)

ax.plot(y, color='blue', label='Sine wave')
ax.plot(z, color='black', label='Cosine wave')

plt.xlim((25, 50))
plt.show()

این کد دید را محدود می کند روی محور X به داده های بین 25 و 50، همانطور که در نمودار حاصل نشان داده شده است:

همین اثر را می توان با تنظیم حد از طریق به دست آورد ax هدف – شی. به این ترتیب، اگر چندتایی داشته باشیم Axes، می توانیم محدودیت را برای آنها جداگانه تعیین کنیم:

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(12, 6))

x = np.arange(0, 10, 0.1)
y = np.sin(x)
z = np.cos(x)

ax = fig.add_subplot(121)
ax2 = fig.add_subplot(122)

ax.set_title('Full view')
ax.plot(y, color='blue', label='Sine wave')
ax.plot(z, color='black', label='Cosine wave')

ax2.set_title('Truncated view')
ax2.plot(y, color='blue', label='Sine wave')
ax2.plot(z, color='black', label='Cosine wave')

ax2.set_xlim((25, 50))

plt.show()

در این مثال، اولین طرح فرعی (ax) طیف کامل داده ها را نمایش می دهد، در حالی که نمودار فرعی دوم (ax2) یک نمای کوتاه از داده های بین دارد 25 و 50 روی محور X

روش تنظیم Y-Limit (ylim) در Matplotlib

اکنون، اجازه دهید برای تجسم و درک بهتر داده ها، حد Y را تنظیم کنیم. این را می توان با همان دو رویکردی که برای تنظیم X-Limit استفاده کردیم به دست آورد:

1. استفاده کردن plt.ylim() تابع:

ax.plot(y, color='blue', label='Sine wave')
ax.plot(z, color='black', label='Cosine wave')

plt.ylim((-1, 0))

2. استفاده کردن ax.set_ylim() روش:

ax.plot(y, color='blue', label='Sine wave')
ax.plot(z, color='black', label='Cosine wave')

ax.set_ylim((-1, 0))

هر دوی این رویکردها منجر به نمودار زیر با محدوده سفارشی محور Y می شود:

نتیجه

در این آموزش، روش تنظیم محدوده محور (یعنی محدودیت های X و Y) با استفاده از Matplotlib در پایتون را بررسی کرده ایم. تنظیم محدوده محور می تواند با تمرکز به بهبود خوانایی و درک نمودارهای شما کمک کند روی داده های مربوطه به یاد داشته باشید، شما می توانید از هر دو استفاده کنید plt.xlim() و plt.ylim() توابع یا ax.set_xlim() و ax.set_ylim() روش های دستیابی به این سفارشی سازی

اگر به تجسم داده ها علاقه دارید و مطمئن نیستید از کجا شروع کنید، ما به شدت توصیه می کنیم بسته کتاب روی تجسم داده ها در پایتون:

تجسم داده ها در پایتون با Matplotlib و Pandas کتاب جامعی است که برای راهنمایی مبتدیان مطلق با دانش پایه پایتون در تسلط بر پانداها و Matplotlib طراحی شده است. این یک پایه قوی برای کار پیشرفته با این کتابخانه ها ایجاد می کند، که طیف گسترده ای از تکنیک های ترسیم را پوشش می دهد – از طرح های ساده 2 بعدی تا طرح های سه بعدی متحرک با دکمه های تعاملی.

این راهنمای عمیق همه چیزهایی را که باید درباره پانداها و Matplotlib بدانید، به شما آموزش می‌دهد، از جمله روش ایجاد انواع طرح‌های سفارشی که به آسانی در خود کتابخانه در دسترس نیستند.

تجسم داده ها در پایتونکتابی که برای توسعه دهندگان پایتون مبتدی تا متوسط ​​طراحی شده است، راهنمایی جامعی را ارائه می دهد روی دستکاری داده ها با استفاده از پانداها و به طور کامل کتابخانه های ترسیم هسته ای مانند Matplotlib و Seaborn را توضیح می دهد. علاوه بر این، در کتابخانه‌های اعلامی و تجربی مانند Altair می‌کاود. این کتاب شامل 11 فصل، در مجموع 9 کتابخانه ضروری پایتون را پوشش می‌دهد: Pandas، Matplotlib، Seaborn، Bokeh، Altair، Plotly، GGPlot، GeoPandas و VisPy.

این کتاب به عنوان یک راهنمای عملی و منحصر به فرد برای تجسم داده ها عمل می کند و دانش عمیقی از طیف گسترده ای از ابزارهایی را ارائه می دهد که ممکن است در طول حرفه خود با آنها روبرو شوید و از آنها استفاده کنید. با یادگیری روش تنظیم موثر محدوده محورها (xlim، ylim) در Matplotlib، شما قادر خواهید بود نمودارهای بصری جذاب و آموزنده ایجاد کنید و مهارت های تجزیه و تحلیل داده ها و ارائه خود را افزایش دهید.