Объединение возможностей библиотек для научных вычислений

Расширенные примеры комбинированного использования

Пример 1: Временной ряд с доверительным интервалом

Загрузка данных о температуре, вычисление скользящего среднего и стандартного отклонения, построение графика с закрашенной областью.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Генерация искусственных данных
dates = pd.date_range('2023-01-01', periods=365, freq='D')
temp = 15 + 10*np.sin(2*np.pi*np.arange(365)/365) + np.random.randn(365)*2
df = pd.DataFrame({'date': dates, 'temp': temp})
df.set_index('date', inplace=True)

# Параметры окна
window = 14
rolling_mean = df['temp'].rolling(window).mean()
rolling_std = df['temp'].rolling(window).std()

# Построение
plt.figure(figsize=(12,6))
plt.plot(df.index, df['temp'], 'lightgray', label='Исходные данные', alpha=0.6)
plt.plot(df.index, rolling_mean, 'b', label=f'Скользящее среднее (окно {window})')
plt.fill_between(df.index, rolling_mean - 2*rolling_std, rolling_mean + 2*rolling_std,
                 color='b', alpha=0.2, label='95% доверительный интервал')
plt.xlabel('Дата')
plt.ylabel('Температура (°C)')
plt.title('Сезонные колебания температуры с доверительным интервалом')
plt.legend()
plt.grid(True)
plt.show()

(График: серые точки данных, синяя линия среднего, полупрозрачная синяя полоса)

Пример 2: 3D поверхность из функции

Использование NumPy для создания сетки и Matplotlib для трехмерного графика.

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

fig = plt.figure(figsize=(8,6))
ax = fig.add_subplot(111, projection='3d')
surf = ax.plot_surface(X, Y, Z, cmap='viridis', edgecolor='none')
fig.colorbar(surf, ax=ax, shrink=0.5, aspect=5)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
ax.set_title('3D поверхность sin(sqrt(x^2+y^2))')
plt.show()

(Трехмерный график с цветной поверхностью)

Пример 3: Чтение большого файла по частям и построение гистограммы

Экономия памяти при обработке больших данных.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Предположим, файл 'large.csv' с колонкой 'value'
chunk_size = 10000
all_values = []
for chunk in pd.read_csv('large.csv', chunksize=chunk_size):
    # Фильтрация по условию (если нужно)
    chunk = chunk[(chunk['value'] > 0) & (chunk['value'] < 100)]
    all_values.append(chunk['value'].values)
values = np.concatenate(all_values)

plt.hist(values, bins=50, density=True, alpha=0.7, color='purple')
plt.xlabel('Значение')
plt.ylabel('Плотность')
plt.title('Распределение значений из большого файла')
plt.grid(True)
plt.show()

Пояснение: chunk_size определяет количество строк за раз. После объединения NumPy массивов строится гистограмма.

Пример 4: Использование Pandas и NumPy для быстрой статистики и Matplotlib для нескольких подграфиков

Вычисление среднего, медианы, стандартного отклонения для разных групп и отображение в виде ящиков с усами.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(42)
groups = ['X']*100 + ['Y']*100 + ['Z']*100
values = np.concatenate([np.random.normal(5, 1, 100),
                         np.random.normal(7, 1.5, 100),
                         np.random.normal(3, 0.8, 100)])
df = pd.DataFrame({'group': groups, 'value': values})

# Статистика по группам
stats = df.groupby('group')['value'].agg(['mean', 'median', 'std'])
print(stats)

# Box plot
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12,5))
df.boxplot(column='value', by='group', ax=ax1)
ax1.set_title('Ящики с усами по группам')
ax1.set_ylabel('Значение')

# Bar plot средних с ошибками
ax2.bar(stats.index, stats['mean'], yerr=stats['std'], capsize=5, color='orange')
ax2.set_title('Средние значения с стандартным отклонением')
ax2.set_ylabel('Среднее')
plt.suptitle('Статистический анализ по группам')
plt.tight_layout()
plt.show()

(Таблица статистики и два графика: boxplot и столбчатая диаграмма с планками погрешностей)