Computer >> कंप्यूटर ट्यूटोरियल >  >> प्रोग्रामिंग >> Python

Matplotlib में कंटूर मैप पर विशिष्ट लेवल को कैसे मार्क करें?


Matplotlib में कंटूर मैप पर विशिष्ट लेवल को मार्क करने के लिए, हम निम्न चरण अपना सकते हैं:

  • फिगर साइज सेट करें और सबप्लॉट्स के बीच और आसपास पैडिंग एडजस्ट करें।
  • Numpy का उपयोग करके x, y और z डेटा पॉइंट्स बनाएं।
  • कंटूर प्लॉट बनाने के लिए contour() मेथड का उपयोग करें।
  • कंटूर प्लॉट को लेबल करें।
  • फिगर डिस्प्ले करने के लिए show() मेथड का उपयोग करें।

उदाहरण

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams["figure.figsize"] = [7.50, 3.50]
plt.rcParams["figure.autolayout"] = True

def f(x, y):
    return np.sin(x) ** 10 + np.cos(10 + y * x) * np.cos(x)

x = np.linspace(0, 5, 50)
y = np.linspace(0, 5, 40)
X, Y = np.meshgrid(x, y)
Z = f(X, Y)

contours = plt.contour(X, Y, Z, 3, colors='black')
plt.clabel(contours, inline=True, fontsize=8)
plt.show()

आउटपुट

Matplotlib में कंटूर मैप पर विशिष्ट लेवल को कैसे मार्क करें?

  1. Python Matplotlib में डेंसिटी मैप कैसे प्लॉट करें? Python Matplotlib में डेंसिटी मैप कैसे प्लॉट करें?

    Python में डेंसिटी मैप प्लॉट करने के लिए, हम निम्नलिखित चरण अपना सकते हैं: NumPy का उपयोग करके side, x, y, और z बनाएं। NumPy linspace तीसरे नंबर के आधार पर दो पॉइंट्स के बीच डेटा बनाने में मदद करता है। side डेटा का उपयोग करके कोऑर्डिनेट वैक्टर्स से कोऑर्डिनेट मैट्रिक्स वापस करें। x और y (चरण

  1. मैटप्लॉटलिब के साथ पायथन में 3D डेंसिटी मैप कैसे प्लॉट करें? मैटप्लॉटलिब के साथ पायथन में 3D डेंसिटी मैप कैसे प्लॉट करें?

    मैटप्लॉटलिब के साथ पायथन में 3D डेंसिटी मैप प्लॉट करने के लिए, हम निम्नलिखित चरण अपना सकते हैं: नम्पाई का उपयोग करके side, x, y और z बनाएं। नम्पाई linspace तीसरे नंबर के आधार पर दो पॉइंट्स के बीच डेटा बनाने में मदद करता है। side डेटा का उपयोग करके कोऑर्डिनेट वैक्टर्स से कोऑर्डिनेट मैट्रिक्स लौटाएं

  1. पायथन का उपयोग करके Matplotlib से 3D कंटूर प्लॉट कैसे बनाएं पायथन का उपयोग करके Matplotlib से 3D कंटूर प्लॉट कैसे बनाएं

    Matplotlib डेटा विज़ुअलाइज़ेशन के लिए एक लोकप्रिय पायथन पैकेज है। डेटा को विज़ुअलाइज़ करना एक महत्वपूर्ण कदम है क्योंकि यह संख्याओं को देखे बिना और जटिल गणना किए बिना डेटा में क्या हो रहा है, यह समझने में मदद करता है। यह दर्शकों को मात्रात्मक अंतर्दृष्टि को प्रभावी ढंग से संप्रेषित करने में मदद करता