Визуализация данных в Python: от простых линий до сложных тепловых карт

Расширенные примеры построения графиков

В этом разделе представлены более сложные и менее распространённые сценарии, которые помогут глубже освоить визуализацию.

Пример 1. Множественные подграфики с общей легендой

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
fig, axes = plt.subplots(2, 2, figsize=(10, 6))

axes[0,0].plot(x, np.sin(x), 'r', label='sin')
axes[0,1].plot(x, np.cos(x), 'b', label='cos')
axes[1,0].plot(x, np.tan(x), 'g', label='tan')
axes[1,1].plot(x, np.exp(-x/5)*np.sin(x), 'm', label='damped')

for ax in axes.flat:
    ax.legend()
    ax.grid(True)

plt.tight_layout()
plt.show()

На экране отобразятся четыре графика в сетке 2x2, каждый со своей легендой. Легенды не пересекаются благодаря tight_layout.

Пример 2. График с двумя осями Y (разные шкалы)

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1, 11)
y1 = np.exp(x)
y2 = np.log(x)

fig, ax1 = plt.subplots()
ax1.plot(x, y1, 'b-o', label='exp')
ax1.set_ylabel('Экспонента', color='b')
ax2 = ax1.twinx()
ax2.plot(x, y2, 'r-s', label='log')
ax2.set_ylabel('Логарифм', color='r')
plt.show()

График показывает две кривые, каждая на своей оси Y. Цвета осей и линий согласованы.

Пример 3. Анимация синусоиды с изменяющейся фазой

import matplotlib.pyplot as plt
import matplotlib.animation as animation
import numpy as np

fig, ax = plt.subplots()
x = np.linspace(0, 2*np.pi, 100)
line, = ax.plot(x, np.sin(x))

def update(frame):
    line.set_ydata(np.sin(x + frame/10))
    return line,

ani = animation.FuncAnimation(fig, update, frames=100, interval=50, blit=True)
plt.show()

Запустится анимация, показывающая движущуюся волну. Для сохранения в файл используйте ani.save('sine.gif') (требуется ImageMagick).

Пример 4. Пользовательские цвета и стили линий в Seaborn

import seaborn as sns
import pandas as pd

df = sns.load_dataset('tips')
sns.set_palette('husl', 2)
sns.lineplot(data=df, x='size', y='total_bill', hue='time', style='time', markers=True)
plt.title('Счёт в зависимости от размера компании')
plt.show()

Линии разных времён (обед/ужин) отличаются цветом и маркером, что улучшает читаемость.

Пример 5. График с затенённой областью ошибок

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 20)
y = np.sin(x) + np.random.normal(0, 0.2, 20)
error = np.random.uniform(0.1, 0.4, 20)

plt.errorbar(x, y, yerr=error, fmt='o', capsize=5, label='Измерения')
plt.fill_between(x, y - error, y + error, alpha=0.2, label='Диапазон ошибок')
plt.legend()
plt.show()

Точки данных отображаются с планками погрешностей, а затенённая область показывает разброс.

Пример 6. Использование параметра hue для многослойной визуализации в Seaborn

import seaborn as sns
df = sns.load_dataset('iris')
sns.pairplot(df, hue='species', diag_kind='kde', palette='Set1')
plt.show()

Попарные графики для всех числовых признаков, окрашенных по видам ирисов. Диагональ показывает распределения. Этот подход помогает быстро выявить разделяющие признаки.

Пример 7. Настройка расположения подписей и меток

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 5)
y = x**2

plt.plot(x, y, 'o-', markersize=10)
plt.xticks(x, ['нулевой', 'первый', 'второй', 'третий', 'четвёртый'], rotation=45)
plt.yticks([0, 5, 10, 15, 20], ['ноль', 'пять', 'десять', 'пятнадцать', 'двадцать'])
plt.tight_layout()
plt.show()

Подписи на осях заменены на пользовательские названия, что удобно для отчётов.

Пример 8. Логарифмическая шкала на графике

import matplotlib.pyplot as plt
import numpy as np

x = np.logspace(0, 3, 100)
y = np.log(x) * 10

plt.plot(x, y)
plt.xscale('log')
plt.yscale('linear')
plt.grid(True, which='both', linestyle='--')
plt.title('Логарифмическая шкала по X')
plt.show()

Ось X отображается в логарифмическом масштабе, что позволяет увидеть поведение на нескольких порядках.

Пример 9. Комбинированный график: гистограмма + ящик с усами

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

df = sns.load_dataset('iris')
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))
sns.histplot(data=df, x='sepal_length', ax=ax1, kde=True)
sns.boxplot(data=df, y='sepal_length', ax=ax2)
plt.suptitle('Распределение длины чашелистика')
plt.show()

Слева гистограмма с ядерной оценкой плотности, справа ящик с усами. Вместе дают полное представление о распределении.