Aide-mémoire Python Matplotlib - Plato AiStream V2.1

Republié par Platon

Suiveurs: 0

Il est impossible de créer un projet de science des données en Python sans utiliser Matplotlib. En fait, si quelque chose comme :

from matplotlib import pyplot as plt

n'est pas parmi les 3 ou XNUMX premières lignes de votre code, il manque quelque chose. Matplotlib est la bibliothèque de traçage la plus connue et la plus utilisée en Python. Il vous permet de créer des visualisations claires et interactives qui rendent vos données plus faciles à comprendre et vos résultats plus concrets.

Vos visualisations peuvent changer la façon dont vos résultats seront perçus par les autres, que vous les présentiez à vos clients ou à vos collègues. Afin de créer des visualisations convaincantes, vous devrez être en mesure d'exploiter toute la puissance offerte par Matplotlib.

C'est à cela que sert cet article, quelques ressources pour vous aider à démarrer, pratiquer et maîtriser l'utilisation de Matplotlib pour créer des visualisations qui soutiennent fortement vos résultats.

Si vous débutez dans la science des données ou si vous essayez de rafraîchir vos connaissances, un excellent point de départ est les 90 minutes de Matplotlib sur freecodecamp.

[contenu intégré][contenu intégré]

Un autre bon point de départ est cet article de GeekspourGeeks qui vous guide pas à pas depuis l'installation de Matplotlib jusqu'à la création d'une belle visualisation en moins de 5 minutes de lecture.

Si vous voulez savoir comment faire de la visualisation interactive avec Matplotlib, cette vidéo du laboratoire de recherche avancée de l'UCLA vous montrera les bases, et tous les matériaux utilisés sont disponibles sur GitHub.

[contenu intégré][contenu intégré]

Une fois que vous avez une base solide des bases, il est toujours agréable d'avoir un résumé des fonctions couramment utilisées dans Matplotlib que vous utiliserez sûrement lors de la création de vos projets de science des données.

Alors, permettez-moi de partager avec vous mes 3 feuilles de triche Matplotlib préférées.

Feuilles de triche Python Matplotlib
Source de l'image: matplotlib

Que vous soyez un utilisateur débutant, intermédiaire ou avancé de Matplotlib, vous pouvez trouver tout ce que vous voulez sur le Matplotlib officiel site de NDN Collective. Ces feuilles de triche incluent des résultats et des extraits de code sur la création, l'édition et même l'animation de vos tracés. En plus des aide-mémoire, ils proposent également des guides avec des fonctionnalités de base en fonction de votre niveau d'expérience dans l'utilisation de la bibliothèque.
La prochaine étape est la feuille de triche créée par Datacamp. Datacamp propose des versions pdf/ png de la feuille de triche, et vous pouvez trouver les extraits de code sur le même page web. C'est très bien si vous voulez copier-coller les extraits pour les essayer avant de les modifier ou de les incorporer dans votre code.
Enfin, une feuille de triche simple est également proposée sous forme de pdf et de page Web par Code Académie. Cette feuille de triche simple vous aide à établir les bases de l'utilisation de Matplotlib.

Feuilles de triche Python Matplotlib
Source de l'image: DataCamp

Ces ressources vous aideront à acquérir une solide compréhension de Matplotlib. Mais, si vous voulez faire un effort supplémentaire pour maîtriser la bibliothèque, this document par les créateurs officiels de Matplotlib et ceci article régénératif enseignera des trucs et astuces pour faire passer vos tracés et vos visualisations au niveau supérieur.

Savoir comment créer des visualisations convaincantes est une compétence essentielle dont chaque data scientist a besoin pour exceller dans son travail. J'espère que vous pourrez utiliser ces ressources pour développer et améliorer vos compétences en visualisation de données et faire passer votre carrière au niveau supérieur.

Sara Metwalli est un doctorat. candidat à l'Université de Keio recherchant des moyens de tester et de déboguer des circuits quantiques. Je suis un stagiaire en recherche IBM et un défenseur de Qiskit qui aide à construire un avenir plus quantique. Je suis également écrivain sur Medium, Built-in, She Can Code et KDN, écrivant des articles sur la programmation, la science des données et des sujets techniques. Je suis également responsable du chapitre international de Woman Who Code Python, passionnée de train, voyageuse et passionnée de photographie.