Programación para Data Science
Unidad 4: Librerías científicas en Python - Matplotlib
Instrucciones de uso
A continuación se presentarán explicaciones y ejemplos de uso de la librería Matplotlib. Recordad que podéis ir ejecutando los ejemplos para obtener sus resultados.
Introducción
El código de Matplotlib está dividido en tres partes: pylab, matplotlib API y backends. La primera parte, pylab, es la interfaz que permite crear gráficos con un código y
funcionamiento muy similar a como se haría en Matlab. Matplotlib API es la parte esencial que el resto de código utiliza y, por último, backends es la parte encargada de la
representación dependiente de la plataforma (tipos de ficheros de imagen, dispositivos de visualización, etc.). En este módulo solo cubriremos ejemplos y ejercicios utilizando
pylab.
Podéis consultar muchos ejemplos en la ayuda de la librería ([Link]
Ejemplo 1: representar la función coseno
Vamos con el primer ejemplo en el que representaremos dos arrays, uno frente a otro, en los ejes x e y respectivamente. Notad que para que los gráficos se muestren en el
mismo Notebook debemos añadir la directiva especial: %matplotlib inline.
In [3]: %matplotlib inline
# Este primer import es necesario para inicializar el entorno de Matplotlib.
import matplotlib
import numpy as np
# Importamos la librería utilizando el alias 'plt'.
import [Link] as plt
# Calculamos un array de -2*PI a 2*PI con un paso de 0.1.
x = [Link](-2*[Link], 2*[Link], 0.1)
# Representamos el array x frente al valor de cos(x).
[Link](x, [Link](x))
# Añadimos los nombres a los ejes x e y respectivamente:
[Link]('x')
[Link]('cos(x)')
# Finalmente mostramos el gráfico.
[Link]()
Ejemplo 2: Representar las funciones coseno y seno a la vez
En este ejemplo, calcularemos los valores de las funciones seno y coseno para el mismo rango de valores y las representaremos en el mismo gráfico.
In [2]: %matplotlib inline
import matplotlib
import numpy as np
import [Link] as plt
# Calculamos un array de -2*PI a 2*PI con un paso de 0.1.
x = [Link](-2*[Link], 2*[Link], 0.1)
# Podemos encadenar la representación de múltiples funciones en el mismo gráfico.
# En este orden: array x, cos(x), 'r' hará utilizar el color rojo (red), array x, sin(x) y verde (green).
[Link](x, [Link](x), 'r', x, [Link](x), 'g')
# De forma equivalente, podríamos llamar en dos ocasiones a la función plot:
#[Link](x, [Link](x), 'r')
#[Link](x, [Link](x), 'g')
# Añadimos los nombres a los ejes x e y respectivamente:
[Link]('x')
[Link]('cos(x)')
# Finalmente mostramos el gráfico.
[Link]()
Ejemplo 3: Histogramas
Matplotlib dispone de muchos tipos de gráficos implementados, entre ellos los histogramas. En este ejemplo representamos una función gaussiana
([Link]
In [4]: %matplotlib inline
import matplotlib
import numpy as np
import [Link] as plt
import [Link] as mlab
# Parámetros de la función gaussiana
mu, sigma = 50, 7
# Generamos un array utilizando esos parámetros y números aleatorios.
x = mu + sigma * [Link](10000)
# La función 'hist' nos calcula la frecuencia y el número de barras. El argumento normed=1 normaliza los valores de
# probabilidad ([0,1]), facecolor controla el color del gráfico y alpha el valor de la transparencia de las barras.
n, bins, patches = [Link](x, 30, normed=1, facecolor='dodgerblue', alpha=0.5)
[Link]('x')
[Link]('Probabilidad')
# Situamos el texto con los valores de mu y sigma en el gráfico.
[Link](20, .025, r'$\mu=50,\ \sigma=7$')
# Controlamos manualmente el tamaño de los ejes. Los dos primeros valores se corresponden con xmin y xmax y los
# siguientes con ymin e ymax:
[Link]([10, 90, 0, 0.07])
# Mostramos una rejilla.
[Link](True)
[Link]()
Ejemplo 4: Representación del conjunto de Mandelbrot
El conjunto de Mandelbrot es uno de los conjuntos fractales más estudiados y conocidos. Podéis encontrar más información en línea sobre el conjunto y los fractales en general
([Link]
Adaptación del código original: [Link] ([Link]
set)
In [7]: %matplotlib inline
import numpy as np
import [Link] as plt
from numpy import newaxis
# La función que calculará el conjunto de Mandelbrot.
def mandelbrot(N_max, threshold, nx, ny):
# Creamos un array con nx elementos entre los valores -2 y 1.
x = [Link](-2, 1, nx)
# Lo mismo, pero en este caso entre -1.5 y 1.5, de ny elementos.
y = [Link](-1.5, 1.5, ny)
# Creamos el plano de números complejos necesario para calcular el conjunto.
c = x[:,newaxis] + 1j*y[newaxis,:]
# Iteración para calcular el valor de un elemento en la sucesión.
z = c
for j in xrange(N_max):
z = z**2 + c
# Finalmente, calculamos si un elemento pertenece o no al conjunto poniendo un límite 'threshold'.
conjunto = (abs(z) < threshold)
return conjunto
conjunto_mandelbrot = mandelbrot(50, 50., 601, 401)
# Transponemos los ejes del conjunto de Mandelbrot calculado utilizando la función de numpy 'T'
# Utilizamos la función imshow para representar una matriz como una imagen. El argumento cmap significa
# 'color map' y es la escala de colores en la que representaremos nuestra imagen. Podéis encontrar muchos
# otros mapas en la documentación oficial: [Link]
[Link](conjunto_mandelbrot.T, cmap='Blues')
[Link]()
/opt/local/Library/Frameworks/[Link]/Versions/2.7/lib/python2.7/site-packages/ipykernel/__main__.py:20: Runt
imeWarning: overflow encountered in square
/opt/local/Library/Frameworks/[Link]/Versions/2.7/lib/python2.7/site-packages/ipykernel/__main__.py:20: Runt
imeWarning: invalid value encountered in square
/opt/local/Library/Frameworks/[Link]/Versions/2.7/lib/python2.7/site-packages/ipykernel/__main__.py:23: Runt
imeWarning: invalid value encountered in less
Ejemplo 5: Manipulación de imágenes
Una imagen puede asimilarse a una matriz multidimensional donde para valores de píxeles (x,y) tenemos calores de color. Matplotlib nos permite leer imágenes, manipularlas y
aplicarles distintos mapas de colores a la hora de representarlas. En el siguiente ejemplo, cargaremos una fotografía en formato PNG de Carl Sagan.
Créditos de la foto: NASA JPL
In [1]: %matplotlib inline
import numpy as np
import [Link] as plt
import [Link] as mpimg
# Leemos la imagen mediante la función imread
carl = [Link]('media/[Link]')
# Podemos mostrar la imagen
[Link](carl)
[Link]()
# Y podemos modificar los valores numéricos de color leídos por la función imread
# Obtenemos los valores de la escala de grises y mostramos los valores usando el mapa de
# colores Spectral
grises = [Link](carl, 2)
[Link](grises, cmap='Spectral')
[Link]()