مبتدی کے لیے ازگر کا استعمال کرتے ہوئے Matplotlib کا تعارف

اس مضمون کے ایک حصے کے طور پر شائع کیا گیا تھا۔ ڈیٹا سائنس بلاگتھون

اگر آپ ڈیٹا اینالیٹکس یا ڈیٹا ویژولائزیشن میں دلچسپی رکھتے ہیں تو آپ شروع کرنے کے لیے صحیح جگہ پر ہیں۔ تو آئیے اس کے بارے میں سادہ تعارف کے ساتھ شروع کرتے ہیں، ڈیٹا کی نمائش جو کہ اعداد، متن، یا بڑے ڈیٹا سیٹس کو مختلف قسم کے گرافس جیسے ہسٹوگرام، نقشے، بار پلاٹ، پائی چارٹ وغیرہ میں ترجمہ کرنے کا عمل ہے۔ تصور کے لیے ہمیں کچھ ٹولز یا ٹیکنالوجی کی ضرورت ہوتی ہے۔ میٹپلوٹلیب ڈیٹا ویژولائزیشن کے لیے python کی سب سے طاقتور لائبریریوں میں سے ایک ہے۔ اس آرٹیکل میں، میں آپ کو بتاؤں گا کہ آپ کس طرح مختلف قسم کے گرافس اور چارٹس کا تصور کر سکتے ہیں تاکہ کسی کو اپنے ڈیٹا کو بہت آسانی سے سمجھا جا سکے۔

اس مضمون میں ہم مندرجہ ذیل باتوں پر بات کریں گے۔

1. تنصیب
2. پلاٹوں کی اہم اقسام

کے ایک چھوٹے سے تعارف کے ساتھ شروع کرتے ہیں۔ میٹپلوٹلیب. میٹپلوٹلیب python پروگرامنگ لینگویج کی بنیادی ویژولائزنگ یا پلاٹنگ لائبریری ہے۔ میٹپلوٹلیب مختلف کاموں کو انجام دینے کے لیے ایک طاقتور ٹول ہے۔ یہ مختلف قسم کی ویژولائزیشن رپورٹس بنانے کے قابل ہے جیسے لائن پلاٹ، سکیٹر پلاٹ، ہسٹوگرام، بار چارٹس، پائی چارٹس، باکس پلاٹ، اور بہت سے مختلف پلاٹ۔ یہ لائبریری 3 جہتی پلاٹنگ کو بھی سپورٹ کرتی ہے۔

Matplotlib کی تنصیب

آئیے چیک کریں کہ سیٹ اپ کیسے کریں۔ میٹپلوٹلیب Google-Colab میں۔ Colab Notebooks Jupyter Notebooks سے ملتی جلتی ہیں سوائے اس حقیقت کے کہ وہ بادل پر چلتی ہیں۔ یہ ہماری Google Drive کے ساتھ بھی جڑا ہوا ہے لہذا یہ ہماری Colab نوٹ بکس تک کسی بھی وقت، کہیں بھی اور کسی بھی سسٹم پر رسائی کو بہت آسان بناتا ہے۔ آپ انسٹال کر سکتے ہیں۔ میٹپلوٹلیب استعمال کرتے ہوئے PIP کمانڈر

!pip install matplotlib

انسٹالیشن کی تصدیق کرنے کے لیے آپ کو درج ذیل کوڈ کا حصہ لکھنا ہوگا۔

matplotlib پرنٹ درآمد کریں (matplotlib.__version__)

Matplotlib میں پلاٹوں کی اہم اقسام

اب جب کہ آپ جانتے ہیں کہ کیا ہے۔ میٹپلوٹلیب اور آپ اسے اپنے سسٹم میں کیسے انسٹال کر سکتے ہیں، آئیے مختلف قسم کے پلاٹوں پر بات کرتے ہیں جو آپ اپنے ڈیٹا کا تجزیہ کرنے یا اپنے نتائج پیش کرنے کے لیے کھینچ سکتے ہیں۔

ذیلی پلاٹ-

ذیلی پلاٹ () ایک ہے۔ میٹپلوٹلیب فنکشن جو ایک شکل میں متعدد پلاٹوں کو ظاہر کرنے کے لیے استعمال ہوتا ہے۔ یہ مختلف دلائل لیتا ہے جیسے کئی قطاریں، کالم، یا شیئریکس، شیئری محور۔

کا کوڈ:

# پہلے پلاٹوں کا گرڈ بنائیں
fig, ax = plt.subplots(2,2,figsize=(10,6)) # یہ 2 قطاروں اور 2 کالموں کے ساتھ ذیلی پلاٹ بنائے گا۔ 
#اور دوسری دلیل پلاٹ کا سائز ہے۔ 
# آئیے تمام اعداد و شمار کو پلاٹ کریں۔ 
ax[0][0].plot(x1, np.sin(x1), 'g') #row=0,col=0 
ax[0][1].plot(x1, np.cos(x1), 'y') #row=0,col=1 ax[1][0].plot(x1, np.sin(x1), 'b') #row=1,col=0 ax[1][1].plot(x1, np.cos(x1), 'سرخ') #row=1,col=1 plt.tight_layout() 
#پلاٹ دکھائیں۔
plt.show ()

آئیے اب پلاٹوں کی مختلف کیٹیگریز کو چیک کرتے ہیں۔ میٹپلوٹلیب فراہم کرتا ہے.

تعدد کی تقسیم کو ظاہر کرنے کا سب سے عام گراف ایک ہسٹوگرام ہے۔ ہسٹوگرام بنانے کے لیے پہلا مرحلہ رینجز کا ایک بن بنانا ہے، پھر قدر کی پوری رینج کو وقفوں کی سیریز میں تقسیم کریں، اور اس قدر کو شمار کریں جو دیے گئے وقفے میں آئے گی۔ ہم استعمال کر سکتے ہیں plt.hist() ہسٹوگرامس کی منصوبہ بندی کے لیے فنکشن جو ڈیٹا، بِنز، رنگ وغیرہ جیسے مختلف دلائل لے گا۔

x: ایکس کوآرڈینیٹ یا صف کی ترتیب

ڈبے: گراف میں مطلوبہ ڈبوں کی تعداد کے لیے عددی قدر

کی حد: ڈبوں کی نچلی اور اوپری رینج

کثافت: اختیاری پیرامیٹر جو بولین اقدار پر مشتمل ہے۔

histype: اختیاری پیرامیٹر مختلف قسم کے ہسٹوگرام بنانے کے لیے استعمال کیا جاتا ہے جیسے: بار، بار اسٹیک، قدم، قدم بھرا اور ڈیفالٹ ایک بار ہے

کا کوڈ:

#بے ترتیب تقسیم سے بے ترتیب نمونے کھینچیں۔ x = np.random.normal(170, 10, 250) #plot histograms plt.hist(x) plt.show()

بار پلاٹ-

بنیادی طور پر بارپلوٹ عددی اور زمرہ کی قدروں کے درمیان تعلق کو ظاہر کرنے کے لیے استعمال ہوتا ہے۔ بار چارٹ میں، ہمارے پاس ایک محور ہے جو کالموں کے ایک مخصوص زمرے کی نمائندگی کرتا ہے اور دوسرا محور مخصوص زمرے کی اقدار یا شمار کی نمائندگی کرتا ہے۔ بارچارٹس کو عمودی اور افقی طور پر پلاٹ کیا جاتا ہے اور کوڈ کی درج ذیل لائن کا استعمال کرتے ہوئے پلاٹ کیا جاتا ہے۔

plt.bar(x، اونچائی، چوڑائی، نیچے، سیدھ)

x: x-axis کے نقاط کی نمائندگی کرتا ہے۔

اونچائی: سلاخوں کی اونچائی

چوڑائی: سلاخوں کی چوڑائی. اس کی ڈیفالٹ ویلیو 0.8 ہے۔

نیچے: یہ اختیاری ہے۔ یہ بار کا y- کوآرڈینیٹ ہے اس کی ڈیفالٹ ویلیو None ہے۔

سیدھ کریں: مرکز، کنارے اس کی ڈیفالٹ قدر مرکز ہے۔

کا کوڈ:

# سرنی ڈیٹا کی وضاحت کریں = [5۔ , 25. , 50. , 20.] plt.bar(range(len(data)), data,color='c') plt.show()

سکیٹر پلاٹ-

سکیٹر پلاٹ متغیر کے درمیان تعلقات کو ظاہر کرنے کے لیے استعمال ہوتے ہیں اور پلاٹ کے لیے نقطوں کا استعمال کرتے ہیں یا یہ دو عددی متغیرات کے درمیان تعلق کو ظاہر کرنے کے لیے استعمال کیا جاتا ہے۔

۔ بکھراؤ() میں طریقہ میٹپلوٹلیب لائبریری پلاٹ کے لیے استعمال ہوتی ہے۔

کا کوڈ:

# x اور y محور کوآرڈینیٹ بنائیں x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6]) y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86) ,XNUMX]) plt.scatter(x, y) plt.legend() plt.show()

پائی چارٹ-

ایک پائی چارٹ (یا سرکلر چارٹ ) پورے کا فیصد دکھانے کے لیے استعمال کیا جاتا ہے۔ لہذا اس کا استعمال اس وقت ہوتا ہے جب ہم انفرادی زمروں کا پورے کے ساتھ موازنہ کرنا چاہتے ہیں۔ پائی() مختلف پیرامیٹرز لیں گے جیسے:

x: ایک صف کی ترتیب

لیبلز: تاروں کی فہرست جو پائی چارٹ میں ہر سلائس کا نام ہو گی۔

آٹوپیکٹ: یہ عددی اقدار کے ساتھ پچروں کو لیبل کرنے کے لیے استعمال ہوتا ہے۔ لیبلز کو پچروں کے اندر رکھا جائے گا۔ اس کی شکل ہے %1.2f%

کا کوڈ:

#فگر کے سائز کی وضاحت کریں D'] plt.pie(x, labels=labels) plt.show()

باکس پلاٹ-

ایک باکس پلاٹ پورے ڈیٹاسیٹ کا خلاصہ یا ڈیٹاسیٹ میں تمام عددی اقدار کو دکھانے کے لیے استعمال ہوتا ہے۔ خلاصہ کم از کم، پہلا چوتھائی، درمیانی، تیسرا چوتھائی، اور زیادہ سے زیادہ پر مشتمل ہے۔ نیز، میڈین پہلے اور تیسرے چوتھائی کے درمیان موجود ہے۔ یہاں x-axis ڈیٹا کی قدروں پر مشتمل ہے اور y کوآرڈینیٹ فریکوئنسی کی تقسیم کو ظاہر کرتے ہیں۔

باکس پلاٹوں میں استعمال ہونے والے پیرامیٹرز درج ذیل ہیں:

ڈیٹا: NumPy سرنی

vert: یہ بولین ویلیوز لے گا یعنی صحیح یا غلط کے لیے عمودی اور افقی پلاٹ ڈیفالٹ درست ہے

چوڑائی: یہ خانوں کی چوڑائی، اختیاری پیرامیٹرز کی صف اور سیٹ لے گا۔

پیچ_آرٹسٹ: یہ خانوں کو رنگ سے بھرنے کے لیے استعمال کیا جاتا ہے اور اس کی ڈیفالٹ ویلیو غلط ہے۔

لیبلز: تاروں کی صف جو ڈیٹاسیٹ کے لیبل سیٹ کرنے کے لیے استعمال ہوتی ہے۔

کا کوڈ:

#numpy values= np.random.normal(100, 20, 300) کا استعمال کرتے ہوئے بے ترتیب اقدار بنائیں # boxplot() فنکشن کے ذریعے پلاٹ بنانا جو matplotlib plt.boxplot(values,patch_artist=True,vert=True) میں دستیاب ہے۔ plt.show()

ایریا چارٹ-

ایریا چارٹ یا ایریا پلاٹ کا استعمال مقداری ڈیٹا کو گرافی طور پر دیکھنے کے لیے کیا جاتا ہے جو کہ لائن پلاٹ پر مبنی ہے۔ بھریں_کے درمیان() فنکشن ایریا چارٹ کو پلاٹ کرنے کے لیے استعمال کیا جاتا ہے۔

پیرامیٹر:

x، y پلاٹ کے x اور y نقاط کی نمائندگی کریں۔ یہ لمبائی n کی ایک صف لے گا۔

بازی لگانا ایک بولین قدر ہے اور اختیاری ہے۔ اگر درست ہے تو، قطعہ کے عین نقطہ کو تلاش کرنے کے لیے دو لائنوں کے درمیان انٹرپولیٹ کریں۔

**کوارگز: الفا، رنگ، چہرے کا رنگ، کنارے کا رنگ، لکیر کی چوڑائی۔

کا کوڈ:

numpy درآمد کریں بطور np درآمد پانڈوں کو pd کے طور پر درآمد کریں matplotlib.pyplot بطور plt y = [2, 7, 14, 17, 20, 27, 30, 38, 25, 18, 6, 1] #دئے گئے ڈیٹا plt کی لائن پلاٹ کریں plot(np.arange(12),y, color="blue", alpha=0.6, linewidth=2) #decorate thw plot.xlabel('Month', size=12) plt.ylabel( 'ٹرن اوور(کروڑ)'، سائز=12) # سیٹ y محور صفر سے شروع ہوتا ہے plt.ylim(botom=0) plt.show()

ایریا چارٹ کے لیے fill_between() کا استعمال کرتے ہوئے لائن پلاٹ میں ایریا کو بھریں۔

plt.fill_between(np.arange(12)، ٹرن اوور، color="teal", alpha=0.4)

لفظ کلاؤڈ-

ورڈ کلاؤڈ ٹیکسٹ ڈیٹا کی بصری نمائندگی ہے۔ الفاظ عام طور پر سنگل ہوتے ہیں اور ہر لفظ کی اہمیت فونٹ کے سائز یا رنگ سے ظاہر ہوتی ہے۔ دی wordCloud() فنکشن python میں لفظ کلاؤڈ بنانے کے لیے استعمال ہوتا ہے۔

۔ wordCloud() مختلف دلائل لیں گے جیسے:

چوڑائی: کینوس کی چوڑائی سیٹ کریں۔ ڈیفالٹ 400

اونچائی: کینوس کی اونچائی سیٹ کریں۔ ڈیفالٹ 400

max_words: الفاظ کی تعداد کی اجازت ہے، اس کی ڈیفالٹ قدر 200 ہے۔

پس منظر کا رنگ: ورڈ کلاؤڈ امیج کے لیے پس منظر کا رنگ۔ پہلے سے طے شدہ رنگ سیاہ ہے۔

ایک بار لفظ کلاؤڈ آبجیکٹ بن جانے کے بعد، آپ لفظ کلاؤڈ بنانے اور ٹیکسٹ ڈیٹا پاس کرنے کے لیے جنریٹ فنکشن کو کال کر سکتے ہیں۔

کا کوڈ:

#لائبریریاں ورڈ کلاؤڈ سے امپورٹ کریں WordCloud امپورٹ کریں matplotlib.pyplot کو plt کے طور پر PIL امپورٹ امپورٹ امپورٹ numpy بطور np # سیٹ فگر کا سائز۔ plt.figure(figsize=(10,15)) #ڈمی متن۔ متن = '''Nulla laoreet bibendum purus, vitae sollicitudin sapien facilisis at.

 Donec erat diam، faucibus pulvinar eleifend vitae، vulputate quis ipsum.

 Maecenas luctus odio turpis, nec dignissim dolor aliquet id.

 Mauris eu sempre risus, ut volutpat mi. Vivamus ut pellentesque sapien.

 Etiam fringilla tincidunt lectus sed interdum. Etiam vel dignissim erat.

 Curabitur placerat massa nisl, quis tristique ante mattis vitae.

 Ut volutpat augue non sempre finibus. Nullam commodo dolor sit Amet purus auctor Mattis.

 Ut id nulla quis purus tempus porttitor. Ut venenatis sollicitudin est eget gravida.

 Duis imperdiet ut nisl cursus ultrices. Maecenas dapibus eu odio id hendrerit.

 Quisque eu velit hendrerit، commodo magna euismod، luctus nunc.

 Proin vel augue cursus, placerat urna aliquet, consequat nisl.

 Duis vulputate turpis a faucibus porta. Etiam blandit tortor vitae dui vestibulum viverra.

 پورٹا ایلیٹ میں فیزیلس۔ Duis vel ligula consectetur, pulvinar nisl vel, lobortis ex.''''

wordcloud = WordCloud( margin=0,colormap='BuPu'). matplotlib لائبریری کے pyplot ماڈیول میں generate(text) #imshow() فنکشن ڈیٹا کو بطور تصویر ظاہر کرنے کے لیے استعمال کیا جاتا ہے۔ plt.imshow(wordcloud, interpolation='bilinear') plt.axis('off') plt.margins(x=0, y=0) plt.show()

3-D گرافس-

اب جب کہ آپ نے کچھ سادہ گراف دیکھے ہیں اب وقت آگیا ہے کہ کچھ پیچیدہ گرافس کو چیک کیا جائے یعنی 3-D گراف۔ ابتدائی طور پر، Matplotlib کو 2-جہتی گراف کے لیے بنایا گیا تھا لیکن بعد میں، اس میں 3-D گراف شامل کیے گئے۔ آئیے چیک کریں کہ آپ Matplotlib میں 3-D گراف کیسے بنا سکتے ہیں۔

کا کوڈ:

mpl_toolkits سے mplot3d درآمد کریں۔

%matplotlib ان لائن درآمد numpy بطور np درآمد matplotlib.pyplot بطور plt

fig = plt.figure() ax = plt.axes(projection='3d')

مندرجہ بالا کوڈ کو 3-جہتی محور بنانے کے لیے استعمال کیا جاتا ہے۔

ہر ایک پلاٹ جو ہم نے Matplotlib کے ذریعے 2-D پلاٹنگ میں دیکھا ہے اسے 3-D گراف کے طور پر بھی کھینچا جا سکتا ہے۔ مثال کے طور پر، آئیے 3-D طیارے میں لائن پلاٹ کو چیک کریں۔

ax = plt.axes(projection='3d') # ڈیٹا تین جہتی لائن کے لیے zline = np.linspace(0, 15, 1000) xline = np.sin(zline) yline = np.cos(zline) ax plot3D(xline, yline, zline, 'gray') # ڈیٹا برائے تین جہتی بکھرے ہوئے پوائنٹس zdata = 15 * np.random.random(100) xdata = np.sin(zdata) + 0.1 * np.random.randn(100 ) ydata = np.cos(zdata) + 0.1 * np.random.randn(100) ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='Greens');

دیگر تمام قسم کے گراف اسی طرح کھینچے جا سکتے ہیں۔ ایک خاص گراف جو Matplotlib 3-D فراہم کرتا ہے وہ ہے Contour Plot۔ آپ مندرجہ ذیل لنک کا استعمال کرتے ہوئے ایک سموچ پلاٹ بنا سکتے ہیں:

fig = plt.figure() ax = plt.axes(projection='3d') ax.plot_wireframe(X, Y, Z, color='black') ax.set_title('wireframe');

تمام مذکورہ پلاٹ کی اقسام کو سمجھنے کے لیے آپ درج ذیل کا حوالہ دے سکتے ہیں۔ https://www.youtube.com/watch?v=yZTBMMdPOww

نتیجہ

اس مضمون میں، ہم نے بحث کی ہے میٹپلوٹلیب یعنی python میں بنیادی پلاٹنگ لائبریری، اور شماریاتی تجزیہ کے لیے مختلف قسم کے چارٹس کے بارے میں بنیادی معلومات جو عام طور پر استعمال ہوتی ہیں۔ اس کے علاوہ، ہم نے سب پلاٹ فنکشن کا استعمال کرتے ہوئے ایک فگر میں متعدد پلاٹوں کو کس طرح کھینچنا ہے اس پر تبادلہ خیال کیا ہے۔

اس کے علاوہ یہاں ہم نے اس بات پر تبادلہ خیال کیا کہ کس طرح فگر کو کسٹمائز کیا جائے یا اس کا سائز کیسے بدلا جائے اور مختلف دلائل کا استعمال کرتے ہوئے پلاٹ کو کیسے سجایا جائے۔ چونکہ اب آپ کو پلاٹ اور چارٹنگ کی بنیادی باتیں معلوم ہیں آپ مختلف ڈیٹاسیٹس اور ریاضی کے افعال کو پلاٹ کرنے کی کوشش کر سکتے ہیں۔

ڈیٹا پروفیشنلز کے طور پر (بشمول ڈیٹا اینالسٹ، ڈیٹا سائنٹسٹ، ایم ایل انجینئرز، ڈی ایل انجینئرز) ان سب کو کسی وقت ڈیٹا کا تصور کرنے اور نتائج کو پیش کرنے کی ضرورت ہوتی ہے، اس لیے اس سے بہتر آپشن کیا ہو گا، اور اب جب کہ آپ کو اس ٹیکنالوجی کا علم ہو جائے گا صنعت میں تھوڑا سا اعتماد.

مضمون پڑھنے کا شکریہ، اگر آپ کو یہ دلچسپ لگا تو براہ کرم مضمون کا اشتراک کریں!

ماخذ: https://www.analyticsvidhya.com/blog/2021/10/introduction-to-matplotlib-using-python-for-beginners/