Scribd
Importer
9 vues2 pages

Memo Matplotlib

Ce mémo présente les principales fonctionnalités de Matplotlib pour la visualisation de données en Data Science. Il couvre divers types de graphiques, y compris les graphiques linéaires, à barres, histogrammes, nuages de points, diagrammes en secteurs et boxplots, en expliquant leur utilité respective. Chaque type de graphique est accompagné d'exemples de code pour une utilisation facile.

Transféré par

Christophe Konan Pri
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
9 vues2 pages

Memo Matplotlib

Ce mémo présente les principales fonctionnalités de Matplotlib pour la visualisation de données en Data Science. Il couvre divers types de graphiques, y compris les graphiques linéaires, à barres, histogrammes, nuages de points, diagrammes en secteurs et boxplots, en expliquant leur utilité respective. Chaque type de graphique est accompagné d'exemples de code pour une utilisation facile.

Transféré par

Christophe Konan Pri
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Mémo Matplotlib - Data Science

1. Importation de Matplotlib
import matplotlib.pyplot as plt

# Optionnel : pour que les graphiques s'affichent dans un notebook Jupyter


%matplotlib inline

2. Graphique Linéaire (Line Plot)


import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.plot(x, y, label='sin(x)', color='blue')


plt.title('Courbe sinusoïdale')
plt.xlabel('Axe X')
plt.ylabel('Axe Y')
plt.legend()
plt.show()

# Utilité : visualiser des tendances continues dans le temps ou une séquence.

3. Diagramme à Barres (Bar Plot)


categories = ['A', 'B', 'C', 'D']
values = [4, 7, 1, 8]

plt.bar(categories, values, color='green')


plt.title('Diagramme à barres')
plt.xlabel('Catégories')
plt.ylabel('Valeurs')
plt.show()

# Utilité : comparer des quantités discrètes entre catégories.

4. Histogramme
data = np.random.randn(1000)

plt.hist(data, bins=30, color='orange', edgecolor='black')


plt.title('Histogramme des valeurs')
plt.xlabel('Valeur')
plt.ylabel('Fréquence')
plt.show()

# Utilité : visualiser la distribution d'un ensemble de données.

5. Nuage de Points (Scatter Plot)


x = np.random.rand(50)
y = np.random.rand(50)
Mémo Matplotlib - Data Science

plt.scatter(x, y, color='red')
plt.title('Nuage de points')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

# Utilité : observer la relation entre deux variables.

6. Diagramme en Secteurs (Pie Chart)


sizes = [25, 35, 20, 20]
labels = ['A', 'B', 'C', 'D']

plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)


plt.title('Diagramme en secteurs')
plt.show()

# Utilité : montrer la répartition proportionnelle des catégories.

7. Boxplot (Diagramme en Boîte)


data = np.random.randn(100)

plt.boxplot(data)
plt.title('Boxplot')
plt.show()

# Utilité : visualiser la dispersion et détecter les valeurs aberrantes.

Vous aimerez peut-être aussi