Бывает, что нужно по-быстрому визуализировать какие-то данные — построить графики для презентации или вроде того. Есть много способов сделать это. Например, можно открыть CSV-файл в LibreOffice или Google Docs и построить графики в нем. Но что, если диаграммы нужно строить регулярно, а значит предпочтительнее делать это автоматически? Вот тут-то на помощь и приходит Python с его потрясающей библиотекой Matplotlib .
Примечание: Для решения той же задачи в свое время мне доводилось использовать Scala Chart . Однако, как вы сами сейчас убедитесь, Matplotlib куда гибче, да и графики у него получаются намного красивее. Если вас интересует тема визуализации данных, вам стоит обратить внимание на мои стары посты, посвященные Graphviz , а также JavaScript-библиотекам Flot и Dracula .
Не будем ходить вокруг да около, лучше сразу перейдем к примерам. Пожалуй, простейший график, который можно построить в Matplotlib, это график синуса и косинуса:
# vim: set ai et ts=4 sw=4:
import matplotlib as mpl
import matplotlib . pyplot as plt
import math
dpi = 80
fig = plt. figure ( dpi = dpi , figsize = ( 512 / dpi , 384 / dpi ) )
mpl. rcParams . update ( { ‘font.size’ : 10 } )
plt. axis ( [ 0 , 10 , — 1.5 , 1.5 ] )
plt. title ( ‘Sine & Cosine’ )
plt. xlabel ( ‘x’ )
plt. ylabel ( ‘F(x)’ )
xs = [ ]
sin_vals = [ ]
cos_vals = [ ]
x = 0.0
while x < 10.0 :
sin_vals + = [ math . sin ( x ) ]
cos_vals + = [ math . cos ( x ) ]
xs + = [ x ]
x + = 0.1
plt. plot ( xs , sin_vals , color = ‘blue’ , linestyle = ‘solid’ ,
label = ‘sin(x)’ )
plt. plot ( xs , cos_vals , color = ‘red’ , linestyle = ‘dashed’ ,
label = ‘cos(x)’ )
plt. legend ( loc = ‘upper right’ )
fig. savefig ( ‘trigan.png’ )
Я думаю, что код не нуждается в пояснениях. В крайнем случае, вы можете полистать официальную документацию или почитать вывод help() в REPL’е.
Получившийся график:
Однако на практике часто нужно построить график функции не от абстрактного вещественного числа, а от вполне конкретного времени. И в этом случае хочется, чтобы по оси OX были подписаны не абстрактные 1, 2, 3, а вполне конкретные временные метки. Для примера рассмотрим построение графика регистрации новых доменов в зоне RU за разное время с разбивкой по регистраторам:
# vim: set ai et ts=4 sw=4:
import matplotlib as mpl
import matplotlib . pyplot as plt
import matplotlib . dates as mdates
import datetime as dt
import csv
dates = [ ]
values = { }
with open ( ‘ru-newreg.csv’ , newline = » ) as f:
for row in csv . reader ( f , delimiter = ‘,’ , quotechar = ‘»‘ ) :
if dates == [ ] :
dates = [
dt. datetime . strptime (
«{}-01» . format ( d ) ,
‘%Y-%m-%d’
) . date ( )
for d in row [ 1 : ]
]
continue
values [ row [ 0 ] ] = row [ 1 : ]
dpi = 80
fig = plt. figure ( dpi = dpi , figsize = ( 512 / dpi , 384 / dpi ) )
mpl. rcParams . update ( { ‘font.size’ : 10 } )
plt. title ( ‘RU New Domain Names Registration’ )
plt. xlabel ( ‘Year’ )
plt. ylabel ( ‘Domains’ )
ax = plt. axes ( )
ax. yaxis . grid ( True )
ax. xaxis . set_major_formatter ( mdates. DateFormatter ( ‘%Y’ ) )
ax. xaxis . set_major_locator ( mdates. YearLocator ( ) )
for reg in values. keys ( ) :
plt. plot ( dates , values [ reg ] , linestyle = ‘solid’ , label = reg )
plt. legend ( loc = ‘upper left’ , frameon = False )
fig. savefig ( ‘domains.png’ )
Данные были получены с ныне уже закрытого сайта stat.nic.ru, который, впрочем, все еще доступен на web.archive.org . Результирующий график:
Что еще часто строят, это столбчатые диаграммы. В качестве примера возьмем данные из заметки Поиск по географическим данным при помощи PostGIS и построим диаграмму, отображающую сколько точек на карте к какому типу (заправка, кафе и так далее) относятся. Чтобы было чуть интереснее, сделаем вид, что в прошлом году точек каждого вида было на 10% меньше, и попытаемся отразить это изменение:
# vim: set ai et ts=4 sw=4:
import matplotlib as mpl
import matplotlib . pyplot as plt
import matplotlib . dates as mdates
import datetime as dt
import csv
data_names = [ ‘cafe’ , ‘pharmacy’ , ‘fuel’ , ‘bank’ , ‘waste_disposal’ ,
‘atm’ , ‘bench’ , ‘parking’ , ‘restaurant’ ,
‘place_of_worship’ ]
data_values = [ 9124 , 8652 , 7592 , 7515 , 7041 , 6487 , 6374 , 6277 ,
5092 , 3629 ]
dpi = 80
fig = plt. figure ( dpi = dpi , figsize = ( 512 / dpi , 384 / dpi ) )
mpl. rcParams . update ( { ‘font.size’ : 10 } )
plt. title ( ‘OpenStreetMap Point Types’ )
ax = plt. axes ( )
ax. yaxis . grid ( True , zorder = 1 )
xs = range ( len ( data_names ) )
plt. bar ( [ x + 0.05 for x in xs ] , [ d * 0.9 for d in data_values ] ,
width = 0.2 , color = ‘red’ , alpha = 0.7 , label = ‘2016’ ,
zorder = 2 )
plt. bar ( [ x + 0.3 for x in xs ] , data_values ,
width = 0.2 , color = ‘blue’ , alpha = 0.7 , label = ‘2017’ ,
zorder = 2 )
plt. xticks ( xs , data_names )
fig. autofmt_xdate ( rotation = 25 )
plt. legend ( loc = ‘upper right’ )
fig. savefig ( ‘bars.png’ )
Результат:
Те же данные можно отобразить, расположив столбики горизонтально:
# vim: set ai et ts=4 sw=4:
import matplotlib as mpl
import matplotlib . pyplot as plt
import matplotlib . dates as mdates
import datetime as dt
import csv
data_names = [ ‘cafe’ , ‘pharmacy’ , ‘fuel’ , ‘bank’ , ‘w.d.’ , ‘atm’ ,
‘bench’ , ‘parking’ , ‘restaurant’ , ‘p.o.w.’ ]
data_values = [ 9124 , 8652 , 7592 , 7515 , 7041 , 6487 , 6374 , 6277 ,
5092 , 3629 ]
dpi = 80
fig = plt. figure ( dpi = dpi , figsize = ( 512 / dpi , 384 / dpi ) )
mpl. rcParams . update ( { ‘font.size’ : 9 } )
plt. title ( ‘OpenStreetMap Point Types’ )
ax = plt. axes ( )
ax. xaxis . grid ( True , zorder = 1 )
xs = range ( len ( data_names ) )
plt. barh ( [ x + 0.3 for x in xs ] , [ d * 0.9 for d in data_values ] ,
height = 0.2 , color = ‘red’ , alpha = 0.7 , label = ‘2016’ ,
zorder = 2 )
plt. barh ( [ x + 0.05 for x in xs ] , data_values ,
height = 0.2 , color = ‘blue’ , alpha = 0.7 , label = ‘2017’ ,
zorder = 2 )
plt. yticks ( xs , data_names , rotation = 10 )
plt. legend ( loc = ‘upper right’ )
fig. savefig ( ‘barshoris.png’ )
Соответствующая диаграмма:
И последний на сегодня вид диаграмм — круговая диаграмма, или «пирог». Для примера попробуем визуализировать распределение кафе по различным городам России:
# vim: set ai et ts=4 sw=4:
import matplotlib as mpl
import matplotlib . pyplot as plt
import matplotlib . dates as mdates
import datetime as dt
import csv
data_names = [ ‘Москва’ , ‘Санкт-Петербург’ , ‘Сочи’ , ‘Архангельск’ ,
‘Владимир’ , ‘Краснодар’ , ‘Курск’ , ‘Воронеж’ ,
‘Ставрополь’ , ‘Мурманск’ ]
data_values = [ 1076 , 979 , 222 , 189 , 137 , 134 , 124 , 124 , 91 , 79 ]
dpi = 80
fig = plt. figure ( dpi = dpi , figsize = ( 512 / dpi , 384 / dpi ) )
mpl. rcParams . update ( { ‘font.size’ : 9 } )
plt. title ( ‘Распределение кафе по городам России (%)’ )
xs = range ( len ( data_names ) )
plt. pie (
data_values , autopct = ‘%.1f’ , radius = 1.1 ,
explode = [ 0.15 ] + [ 0 for _ in range ( len ( data_names ) — 1 ) ] )
plt. legend (
bbox_to_anchor = ( — 0.16 , 0.45 , 0.25 , 0.25 ) ,
loc = ‘lower left’ , labels = data_names )
fig. savefig ( ‘pie.png’ )
Полученная круговая диаграмма:
Выше была рассмотрена лишь малая часть возможностей Matplotlib. Чтобы получить более полное представление о всей мощи этой библиотеки, советую заглянуть в галерею построенных с ее помощью графиков на официальном сайте. Что же до исходников к этому посту, как обычно, вы найдете их на GitHub .
Дополнение: См также заметки Примеры использования Python-библиотеки NumPy , Визуализация проведенных радиосвязей с помощью Matplotlib и Basemap , Рисуем диаграммы Вольперта-Смита на Python и Моделирование антенн на Python при помощи PyNEC .