کتابخانه matplotlib در پایتون

Matplotlib یکی از پرکاربردترین و قدیمی‌ترین کتابخانه‌های پایتون برای ترسیم نمودارها و داده‌های گرافیکی است. این کتابخانه به برنامه‌نویسان و تحلیل‌گران داده اجازه می‌دهد تا داده‌های عددی را به شکل بصری و قابل فهم نمایش دهند. در این مقاله به معرفی Matplotlib، قابلیت‌ها، بهترین روش‌های استفاده و نمونه‌های کاربردی پرداخته شده است.

ویژگی‌های اصلی Matplotlib

• ایجاد نمودارهای دو بعدی و سه بعدی.
• قابلیت سفارشی‌سازی کامل نمودارها شامل رنگ، اندازه، فونت و استایل خطوط.
• پشتیبانی از انواع نمودارها: خطی، میله‌ای، پراکندگی، دایره‌ای، هیستوگرام و غیره.
• امکان ذخیره نمودارها در فرمت‌های مختلف مانند PNG، PDF، SVG و JPG.
• یکپارچگی با کتابخانه‌های داده‌محور مانند NumPy و Pandas.

نصب و راه‌اندازی

برای نصب Matplotlib کافی است از pip استفاده کنید:

pip install matplotlib

پس از نصب، می‌توانید کتابخانه را در کد پایتون خود وارد کنید:

import matplotlib.pyplot as plt

در اینجا، pyplot ماژولی است که برای ترسیم نمودارها به صورت ساده و مشابه توابع MATLAB استفاده می‌شود.

ساختار کلی یک نمودار

برای ترسیم نمودار، معمولاً مراحل زیر انجام می‌شود:

• تعریف داده‌ها.
• ایجاد نمودار با تابع مناسب (plot، bar، scatter و غیره).
• سفارشی‌سازی نمودار (عنوان، برچسب محور، رنگ، اندازه و غیره).
• نمایش نمودار با plt.show().

نمونه ساده نمودار خطی

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y, color='blue', linestyle='--', marker='o')
plt.title('نمونه نمودار خطی')
plt.xlabel('محور X')
plt.ylabel('محور Y')
plt.show()

در این مثال:

• لیست x و y داده‌های نمودار هستند.
• رنگ نمودار آبی، نوع خط نقطه‌چین و نشانگر نقاط دایره‌ای انتخاب شده است.
• با استفاده از plt.title و plt.xlabel/plt.ylabel نمودار قابل فهم‌تر شده است.

نمودار میله‌ای (Bar Chart)

import matplotlib.pyplot as plt

categories = ['A', 'B', 'C', 'D']
values = [10, 15, 7, 12]

plt.bar(categories, values, color='green')
plt.title('نمودار میله‌ای')
plt.xlabel('دسته‌بندی')
plt.ylabel('مقدار')
plt.show()

نمودار میله‌ای برای نمایش مقادیر گسسته یا مقایسه داده‌ها بین دسته‌بندی‌ها مناسب است. با تغییر رنگ، عرض و فاصله میله‌ها می‌توان نمودار را بهبود داد.

نمودار پراکندگی (Scatter Plot)

import matplotlib.pyplot as plt

x = [5, 7, 8, 7, 2, 17, 2, 9]
y = [99, 86, 87, 88, 100, 86, 103, 87]

plt.scatter(x, y, color='red', marker='x')
plt.title('نمودار پراکندگی')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

Scatter Plot برای نمایش ارتباط بین دو مجموعه داده استفاده می‌شود و امکان شناسایی روندها یا نقاط پرت را فراهم می‌کند.

نمودار چندگانه و سفارشی‌سازی پیشرفته

Matplotlib امکان رسم چند نمودار در یک شکل (Figure) را فراهم می‌کند:

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [2, 3, 4, 5, 6]

plt.plot(x, y1, label='y = x^2', color='blue')
plt.plot(x, y2, label='y = x + 1', color='orange', linestyle='--')
plt.title('نمودار چندگانه')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

تابع plt.legend() کمک می‌کند تا برچسب نمودارها نمایش داده شود و کاربر بتواند خطوط را تشخیص دهد.

نکات و بهترین روش‌ها

• همیشه داده‌ها را قبل از رسم نمودار بررسی و پاکسازی کنید.
• از رنگ‌ها و سبک‌های متفاوت برای تمایز نمودارها استفاده کنید.
• عنوان و برچسب محورها باید شفاف و مرتبط با داده‌ها باشد.
• برای نمودارهای پیچیده، از Subplots و Grid استفاده کنید.
• Matplotlib با کتابخانه‌هایی مانند Seaborn یا Pandas قابل ترکیب برای تجزیه و تحلیل پیشرفته است.

جمع‌بندی کاربردهای Matplotlib

Matplotlib ابزار بسیار قوی برای مصورسازی داده‌ها در پایتون است و در علوم داده، یادگیری ماشین، تحلیل آماری و پروژه‌های مهندسی کاربرد فراوان دارد. با یادگیری این کتابخانه می‌توان داده‌ها را بهتر تحلیل کرد و نتایج را به شکل گرافیکی ارائه داد.

لطفاً از کمبود ها و مشکلات این محتوا برای ما بنویسید

ارسال