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

Matplotlib का उपयोग करके डिक्शनरी से एक ही ग्राफ पर मल्टीपल बॉक्सप्लॉट्स बनाना


डिक्शनरी से एक ही ग्राफ पर मल्टीपल बॉक्सप्लॉट्स बनाने के लिए, हम निम्नलिखित चरण ले सकते हैं:

  • फिगर साइज सेट करें और सबप्लॉट्स के बीच और आसपास पैडिंग एडजस्ट करें।
  • दो कॉलम्स के साथ डिक्शनरी, dict, बनाएं।
  • एक फिगर और सबप्लॉट्स का सेट बनाएं।
  • बॉक्स और व्हिस्कर प्लॉट बनाएं
  • set_xticklabels() मेथड का उपयोग करके xtick लेबल्स सेट करें
  • फिगर प्रदर्शित करने के लिए, show() मेथड का उपयोग करें।

उदाहरण

from matplotlib import pyplot as plt plt.rcParams["figure.figsize"] = [7.50, 3.50] plt.rcParams["figure.autolayout"] = True data = {'col1': [3, 5, 2, 9, 1], 'col2': [2, 6, 1, 3, 4]} fig, ax = plt.subplots() ax.boxplot(data.values()) ax.set_xticklabels(data.keys()) plt.show()

आउटपुट

Matplotlib का उपयोग करके डिक्शनरी से एक ही ग्राफ पर मल्टीपल बॉक्सप्लॉट्स बनाना


  1. Matplotlib का उपयोग करके प्लॉट पर ग्रिड का आकार परिभाषित करें Matplotlib का उपयोग करके प्लॉट पर ग्रिड का आकार परिभाषित करें

    प्लॉट पर ग्रिड का आकार परिभाषित करने के लिए, हम निम्नलिखित चरण अपना सकते हैं: figure() मेथड का उपयोग करके नया फिगर बनाएं या मौजूदा फिगर सक्रिय करें। फिगर में सबप्लॉट व्यवस्था के हिस्से के रूप में एक्सिस जोड़ें। इनपुट सूची के साथ कर्व प्लॉट करें। x और y मार्जिन 0 करें। X-ग्रिड्स सेट करने क

  1. आईपायथन नोटबुक से मैटप्लॉटलिब का उपयोग करके फिगर को फ़ाइल के रूप में सेव करना आईपायथन नोटबुक से मैटप्लॉटलिब का उपयोग करके फिगर को फ़ाइल के रूप में सेव करना

    आईपायथन से फिगर को फ़ाइल के रूप में सेव करने के लिए, हम निम्नलिखित चरण अपना सकते हैं: एक नया फिगर बनाएं या मौजूदा फिगर को एक्टिवेट करें। add_axes() मेथड का उपयोग करके फिगर में एक्सेस जोड़ें। दी गई सूची को प्लॉट करें। savefig() मेथड का उपयोग करके प्लॉट सेव करें। उदाहरण from matplotlib import pyplo

  1. Matplotlib और Python का उपयोग करके एक ही फिगर में कई प्लॉट कैसे बनाएं? Matplotlib और Python का उपयोग करके एक ही फिगर में कई प्लॉट कैसे बनाएं?

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