اندازه شکل را در Matplotlib تغییر دهید

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، روش تغییر اندازه شکل در Matplotlib را بررسی خواهیم کرد.

ایجاد یک پلات

بیایید ابتدا یک نمودار ساده در یک شکل ایجاد کنیم:

import matplotlib.pyplot as plt
import numpy as np

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

plt.plot(x, y)
plt.show()

در اینجا، ما یک تابع سینوسی را رسم کرده ایم که از آن شروع می شود 0 و به پایان می رسد 10 با یک قدم از 0.1. با اجرای این کد به دست می آید:

این Figure شی، اگر به طور صریح ایجاد نشود، به طور پیش فرض ایجاد می شود و شامل تمام عناصری است که می توانیم و نمی توانیم ببینیم. تغییر اندازه Figure به نوبه خود اندازه عناصر قابل مشاهده را نیز تغییر خواهد داد.

بیایید نگاهی بیندازیم که چگونه می توانیم اندازه شکل را تغییر دهیم.

اندازه شکل را در Matplotlib تغییر دهید

را تنظیم کنید انجیر کردن بحث و جدل

اول از همه، ساده ترین راه برای تغییر اندازه یک شکل، استفاده از آن است figsize بحث و جدل. شما می توانید از این آرگومان در مقداردهی اولیه Pyplot یا روی موجود Figure هدف – شی.

بیایید ابتدا آن را در حین مقداردهی اولیه تغییر دهیم:

import matplotlib.pyplot as plt
import numpy as np

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

plt.figure(figsize=(3, 3))
plt.plot(x, y)
plt.show()

در اینجا، ما به Figure نمونه ای که به صورت پیش فرض ایجاد شد و از آن عبور کرد figsize بحث و جدل. توجه داشته باشید که اندازه در تعریف شده است اینچ، پیکسل نیست. این منجر به شکلی می شود که اندازه آن 3 اینچ در 3 اینچ است:

Matplotlib/PyPlot در حال حاضر از اندازه‌های متریک پشتیبانی نمی‌کنند، هرچند، نوشتن یک تابع کمکی برای تبدیل بین این دو آسان است:

def cm_to_inch(value):
    return value/2.54

و سپس اندازه طرح را به صورت زیر تنظیم کنید:

plt.figure(figsize=(cm_to_inch(15),cm_to_inch(10)))

با این کار یک نمودار به اندازه 15 سانتی متر در 10 سانتی متر ایجاد می شود:

متناوبا، اگر در حال ایجاد یک Figure برای طرح خود، می توانید اندازه را در آن زمان تعیین کنید:

import matplotlib.pyplot as plt
import numpy as np

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

fig = plt.figure(figsize=(8, 6))


ax = fig.add_subplot(121)

ax2 = fig.add_subplot(122)

ax.plot(x, y)
ax2.plot(x, z)
plt.show()

در اینجا، ما به صراحت مقدار بازگشتی را اختصاص داده ایم figure() تابع به a Figure هدف – شی. سپس، می‌توانیم محورهایی را به این شکل اضافه کنیم تا چندین قطعه فرعی ایجاد کنیم و رسم کنیم روی آنها

ما استفاده کرده ایم add_subplot() تابعی که یک سری مقادیر عددی را می پذیرد. عدد اول مشخص می کند که چند ردیف به شکل اضافه کنید، عدد دوم مشخص می کند که چند ستون می خواهید اضافه کنید و عدد سوم تعداد نموداری را که می خواهید اضافه کنید مشخص می کند.

این به این معنی است که اگر شما در 111 به درون add_subplots() تابع، یک طرح فرعی جدید به شکل اضافه می شود. در ضمن اگر از اعداد استفاده کردید 221، طرح حاصل دارای چهار محور با دو ستون و دو ردیف است – و طرح فرعی که شما در حال تشکیل آن هستید در موقعیت اول قرار دارد.

این کد نتیجه می دهد:

ارتفاع و عرض یک شکل را در Matplotlib تنظیم کنید

به جای figsize استدلال، ما نیز می توانیم تنظیم ارتفاع و عرض یک شکل اینها را می توان از طریق set() عملکرد با figheight و figwidth استدلال، یا از طریق set_figheight() و set_figwidth() کارکرد.

اولی به شما امکان می دهد یک خط برای چندین آرگومان بنویسید در حالی که دومی کدی را به شما ارائه می دهد که خواناتر است.

بریم سراغ گزینه دوم:

import matplotlib.pyplot as plt
import numpy as np

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

fig = plt.figure()

fig.set_figheight(5)
fig.set_figwidth(10)


ax = fig.add_subplot(121)

ax2 = fig.add_subplot(122)

ax.plot(x, y)
ax2.plot(x, z)
plt.show()

این کد نتیجه می دهد:

در نهایت، شما همچنین می توانید استفاده کنید set_size_inches() عملکرد نیز:

fig = plt.figure()

fig.set_size_inches(10, 5)


ax = fig.add_subplot(121)

ax2 = fig.add_subplot(122)

ax.plot(x, y)
ax2.plot(x, z)
plt.show()

و این مانند تنظیم را انجام می دهد figsize آرگومان یا استفاده از دو تابع:

نتیجه

در این آموزش، ما چندین روش برای تغییر اندازه یک فیگور در Matplotlib را بررسی کرده ایم.

اگر به تجسم داده‌ها علاقه دارید و نمی‌دانید از کجا شروع کنید، حتماً کتاب ما را بررسی کنید روی تجسم داده ها در پایتون.

اگر به تجسم داده‌ها علاقه دارید و نمی‌دانید از کجا شروع کنید، حتماً ما را بررسی کنید بسته کتاب روی تجسم داده ها در پایتون:

تجسم داده ها در پایتون با Matplotlib و Pandas کتابی است که برای جذب مبتدیان مطلق به پانداها و Matplotlib با دانش پایه پایتون طراحی شده است و به آنها اجازه می دهد تا پایه ای قوی برای کار پیشرفته با این کتابخانه ها ایجاد کنند – از طرح های ساده گرفته تا طرح های سه بعدی متحرک با دکمه های تعاملی.

این به عنوان یک راهنمای عمیق عمل می کند که همه چیزهایی را که باید در مورد پانداها و Matplotlib بدانید، از جمله روش ساخت انواع طرح هایی که در خود کتابخانه تعبیه نشده اند را به شما آموزش می دهد.

تجسم داده ها در پایتون، کتابی برای توسعه دهندگان پایتون مبتدی تا متوسط، شما را از طریق دستکاری ساده داده ها با پانداها راهنمایی می کند، کتابخانه های ترسیم هسته ای مانند Matplotlib و Seaborn را پوشش می دهد و به شما نشان می دهد که چگونه از کتابخانه های اعلامی و تجربی مانند Altair استفاده کنید. به طور خاص، در طول ۱۱ فصل، این کتاب ۹ کتابخانه پایتون را پوشش می‌دهد: Pandas، Matplotlib، Seaborn، Bokeh، Altair، Plotly، GGPlot، GeoPandas و VisPy.

این به عنوان یک راهنمای عملی و منحصر به فرد برای تجسم داده ها، در مجموعه ای از ابزارهایی که ممکن است در حرفه خود استفاده کنید، عمل می کند.