Menggunakan Matplotlib Pyplot

 matplotlib.pyplot adalah kumpulan fungsi yang membuat matplotlib berfungsi seperti fungsi grafik atau plot yang ada di MATLAB. Setiap pyplot berfungsi membuat beberapa perubahan pada gambar: misalnya, membuat gambar, membuat area grafik/plot dalam gambar, memplot beberapa garis di area plot, menghiasi plot dengan label, dll.

Di matplotlib.pyplot berbagai status dipertahankan di seluruh panggilan fungsi, sehingga melacak hal-hal seperti gambar saat ini dan area plot, dan fungsi plot diarahkan ke sumbu saat ini (harap dicatat bahwa "sumbu" di sini dan di sebagian besar tempat dalam dokumentasi merujuk ke bagian sumbu dari suatu gambar dan bukan istilah matematika yang ketat untuk lebih dari satu sumbu).

Contoh:

Input:

import matplotlib.pyplot as plt

plt.plot([1,2,3,4])

plt.ylabel('Nomor')

plt.show()

Output:

Input:

import numpy as np

# evenly sampled time at 200ms intervals

t = np.arange(0., 5., 0.2)

# red dashes, blue squares and green triangles

plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')

plt.show()

Output:

Input:

data = {'a': np.arange(50),

        'c': np.random.randint(0, 50, 50),

        'd': np.random.randn(50)}

data['b'] = data['a'] + 10 * np.random.randn(50)

data['d'] = np.abs(data['d']) * 100

plt.scatter('a', 'b', c='c', s='d', data=data)

plt.xlabel('entry a')

plt.ylabel('entry b')

plt.show()

Output:

Input:

names = ['group_a', 'group_b', 'group_c']

values = [1, 10, 100]

plt.figure(figsize=(9, 3))

plt.subplot(131)

plt.bar(names, values)

plt.subplot(132)

plt.scatter(names, values)

plt.subplot(133)

plt.plot(names, values)

plt.suptitle('Categorical Plotting')

plt.show()

Output:

Input:

def f(t):

    return np.exp(-t) * np.cos(2*np.pi*t)

t1 = np.arange(0.0, 5.0, 0.1)

t2 = np.arange(0.0, 5.0, 0.02)

plt.figure()

plt.subplot(211)

plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')

plt.subplot(212)

plt.plot(t2, np.cos(2*np.pi*t2), 'r--')

plt.show()

Output:

Input:

mu, sigma = 100, 15

x = mu + sigma * np.random.randn(10000)

# Data histogram

n, bins, patches = plt.hist(x, 50, density=1, facecolor='g', alpha=0.75)

plt.xlabel('Smarts')

plt.ylabel('Probability')

plt.title('Histogram of IQ')

plt.text(60, .025, r'$\mu=100,\ \sigma=15$')

plt.axis([40, 160, 0, 0.03])

plt.grid(True)

plt.show()

Input:

ax = plt.subplot()

t = np.arange(0.0, 5.0, 0.01)

s = np.cos(2*np.pi*t)

line, = plt.plot(t, s, lw=2)

plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),

             arrowprops=dict(facecolor='red', shrink=0.05),

             )

plt.ylim(-2, 2)

plt.show()

Input:

# Random

np.random.seed(19680801)

# membuat beberapa data dalam interval terbuka (0, 1)

y = np.random.normal(loc=0.5, scale=0.4, size=1000)

y = y[(y > 0) & (y < 1)]

y.sort()

x = np.arange(len(y))

# plot with various axes scales

plt.figure()

# linear

plt.subplot(221)

plt.plot(x, y)

plt.yscale('linear')

plt.title('linear')

plt.grid(True)

# log

plt.subplot(222)

plt.plot(x, y)

plt.yscale('log')

plt.title('log')

plt.grid(True)

# symmetric log

plt.subplot(223)

plt.plot(x, y - y.mean())

plt.yscale('symlog', linthresh=0.01)

plt.title('symlog')

plt.grid(True)

# logit

plt.subplot(224)

plt.plot(x, y)

plt.yscale('logit')

plt.title('logit')

plt.grid(True)

# Adjust the subplot layout, because the logit one may take more space

# than usual, due to y-tick labels like "1 - 10^{-3}"

plt.subplots_adjust(top=0.92, bottom=0.08, left=0.10, right=0.95, hspace=0.25,

                    wspace=0.35)

plt.show()

Output:

Share on :

Tweet