Создание информативных графиков средствами Matplotlib и Seaborn

Расширенные примеры визуализации

1. Анимация с Matplotlib

Создание анимации для демонстрации изменения данных во времени.

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

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

Результат: график синусоиды, волна которой движется вправо. Анимация полезна для визуализации динамических процессов – например, распространения волн или изменения финансовых показателей.

2. Кастомная палитра в Seaborn и субграфики

Создание 2x2 сетки графиков с разными типами визуализации для одного датасета.

import seaborn as sns
import matplotlib.pyplot as plt

# Загрузка данных
tips = sns.load_dataset('tips')

# Настройка палитры
pal = sns.color_palette("coolwarm", n_colors=4)

fig, axes = plt.subplots(2, 2, figsize=(12, 10))

# Гистограмма
sns.histplot(data=tips, x='total_bill', hue='time', palette=pal, ax=axes[0,0], kde=True)
axes[0,0].set_title('Счёт и время')

# Ящик с усами
sns.boxplot(data=tips, x='day', y='tip', hue='sex', palette=pal, ax=axes[0,1])
axes[0,1].set_title('Чаевые по дням')

# Тепловая карта корреляций (числовые столбцы)
corr = tips.select_dtypes('number').corr()
sns.heatmap(corr, annot=True, cmap='coolwarm', ax=axes[1,0])
axes[1,0].set_title('Матрица корреляций')

# Точечный график с регрессией
sns.regplot(data=tips, x='total_bill', y='tip', ax=axes[1,1], scatter_kws={'alpha':0.5})
axes[1,1].set_title('Регрессия')

plt.tight_layout()
plt.show()

Результат: четыре графика в одном окне. Каждый subplot использует собственную визуализацию. Палитра coolwarm даёт контрастные цвета, подходящие для тепловых карт и категориальных данных.

3. Работа с временными метками и форматирование оси X

Построение графика биржевых цен с форматированием дат.

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.dates as mdates

# Создание данных
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=90, freq='B')  # бизнес-дни
prices = np.cumprod(1 + np.random.randn(90)/100) * 100
df = pd.DataFrame({'date': dates, 'price': prices})

fig, ax = plt.subplots(figsize=(12,5))
ax.plot(df['date'], df['price'], color='darkgreen', lw=1.5)
ax.xaxis.set_major_formatter(mdates.DateFormatter('%b %d'))
ax.xaxis.set_major_locator(mdates.WeekdayLocator(interval=2))
plt.xticks(rotation=45)
ax.set_title('Динамика цены (2024)')
ax.set_ylabel('Цена, у.е.')
ax.grid(True, linestyle=':', alpha=0.6)
plt.tight_layout()
plt.show()

Результат: линейный график с датами на оси X, отформатированными как сокращённые месяц и день, с шагом в две недели. Используются инструменты из matplotlib.dates для точного контроля локатора и форматтера.

4. Наложение нескольких графиков с разными осями Y

Отображение двух временных рядов с разными шкалами на одном полотне.

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 50)
y1 = np.sin(x)
y2 = np.exp(x/2) / 100

fig, ax1 = plt.subplots()
ax1.plot(x, y1, 'b-', label='sin(x)')
ax1.set_ylabel('Синус', color='b')
ax1.tick_params(axis='y', labelcolor='b')

ax2 = ax1.twinx()  # вторая ось Y
ax2.plot(x, y2, 'r--', label='exp(x)/100')
ax2.set_ylabel('Экспонента', color='r')
ax2.tick_params(axis='y', labelcolor='r')

fig.legend(loc='upper left', bbox_to_anchor=(0.1,0.9))
plt.title('Два графика с разными масштабами')
plt.show()

Результат: на одном полотне синусоида (левая ось) и экспонента (правая ось). Метод twinx() создаёт дополнительную ось, позволяя сравнивать ряды с разным порядком величин.