2024-07-12
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
दत्तांशदृश्यीकरणं चित्रात्मकरूपेण दत्तांशं प्रदर्शयितुं भवति यत् जनाः दत्तांशस्य पृष्ठतः सूचनां प्रतिमानं च अधिकतया सहजतया शीघ्रं च अवगन्तुं शक्नुवन्ति अद्यतनसूचनाविस्फोटयुगे दत्तांशदृश्यीकरणं निम्नलिखितकारणानां कारणात् विशेषतया महत्त्वपूर्णम् अस्ति ।
bqplot इति इति इति आधारःग्राफिक्सस्य व्याकरणम् 2D दृश्यीकरणपुस्तकालयः, विशेषतया कृतेबृहस्पति नोटबुक प्ररचन।संयोजयतिd3.js तथाipywidgets इति d3.js इत्यस्य शक्तिशालिनः दृश्यीकरणक्षमताम् पायथन् मध्ये आनेतुं डिजाइनं कृतं विशेषता । अत्र bqplot पुस्तकालयस्य केचन प्रमुखविशेषताः सन्ति ।
bqplot संस्थापनम् अतीव सरलम् अस्ति, केवलं टर्मिनल् अथवा कमाण्ड् प्रॉम्प्ट् मध्ये निम्नलिखितम् आदेशं चालयन्तु:
pip install bqplot
jupyter nbextension enable --py --sys-prefix bqplot
सफलसंस्थापनानन्तरं, उपयोगं आरभ्य आवश्यकानि पुस्तकालयाः Jupyter Notebook मध्ये आयातयन्तु:
import numpy as np
import bqplot.pyplot as plt
अत्र bqplot इत्यस्य उपयोगेन हिस्टोग्रामं कथं निर्मातव्यम् इति दर्शयति सरलं उदाहरणम् अस्ति ।
# 生成随机数据
data = np.random.randn(100)
# 创建直方图
fig = plt.figure(title='Histogram by bqplot')
hist = plt.hist(sample=data, bins=10, colors=['#01a2d9'])
fig
एतस्य सरलस्य उदाहरणस्य माध्यमेन भवान् bqplot इत्यस्य उपयोगस्य सुगमतां, शक्तिशालिनः अन्तरक्रियाशीलकार्यं च द्रष्टुं शक्नोति । निम्नलिखित अध्यायेषु वयं bqplot इत्यस्य विभिन्नेषु चार्ट् प्रकारेषु उन्नतविशेषतासु च गोतां करिष्यामः ।
दत्तांशदृश्यीकरणाय bqplot इत्यस्य उपयोगं आरभ्यतुं पूर्वं प्रथमं भवतः वातावरणे bqplot पुस्तकालयं संस्थापयितुं आवश्यकम् । bqplot इत्येतत् अनेकधा संस्थापयितुं शक्यते, अधिकतया pip अथवा conda इत्यस्य उपयोगेन । अत्र उभयविधिप्रयोगस्य विस्तृतपदानि सन्ति ।
pip install bqplot
conda install -c conda-forge bqplot
संस्थापनस्य समाप्तेः अनन्तरं भवन्तः निम्नलिखित आदेशं चालयित्वा संस्थापनं सफलम् अभवत् वा इति पुष्टिं कर्तुं शक्नुवन्ति ।
import bqplot
print(bqplot.__version__)
bqplot संस्थापनानन्तरं, भवद्भिः अग्रिमरूपेण दत्तांशदृश्यीकरणकार्यं आरभ्य आवश्यकानि पुस्तकालयाः आयातव्याः । सामान्यतया, भवद्भिः निम्नलिखितपुस्तकालयानां आयातः करणीयः ।
bqplot
: अन्तरक्रियाशीलचार्ट्स् निर्मातुं उपयुज्यते।numpy
: संख्यात्मकगणनायाः, आँकडासंसाधनस्य च कृते उपयुज्यते ।pandas
: दत्तांश-हेरफेर-विश्लेषणाय च उपयुज्यते ।एतेषां पुस्तकालयानाम् आयातार्थं नमूनासङ्केतः अत्र अस्ति ।
import bqplot.pyplot as plt
import numpy as np
import pandas as pd
सर्वं सम्यक् स्थापितं भवति इति सुनिश्चित्य भवान् सरलं बार-चार्ट् निर्मातुं प्रयतितुं शक्नोति । अत्र एकः नमूनासङ्केतः अस्ति यः दर्शयति यत् आवश्यकानि पुस्तकालयाः कथं आयातितव्याः, सरलं बारचार्टं च कथं निर्मातव्यम्:
# 导入必要的库
import bqplot.pyplot as plt
import numpy as np
# 创建一个简单的条形图
fig = plt.figure(title="简单条形图示例")
x = list("ABCDE")
y = np.random.rand(5)
bar = plt.bar(x, y)
fig
अस्मिन् उदाहरणे वयं प्रथमं आयातामःbqplot.pyplot
यथाplt
, ततः प्रयोगःnumpy
यादृच्छिकदत्तांशं जनयन्तु। तदनन्तरं वयं पञ्चपट्टिकाभिः सह सरलं बार चार्ट् निर्माय Jupyter Notebook इत्यस्मिन् प्रदर्शितवन्तः ।
उपर्युक्तपदार्थानाम् माध्यमेन भवान् bqplot पुस्तकालयं सफलतया संस्थाप्य आयातितवान् तथा च प्रथमं सरलं अन्तरक्रियाशीलं चार्टं निर्मितवान् । तदनन्तरं, अधिकानि उन्नतविशेषतानि, चार्टप्रकाराः च अन्वेष्टुं निरन्तरं शक्नुवन्ति ।
प्रयोगं आरभ्यतुं पूर्वं bqplot
भवन्तः दत्तांशदृश्यीकरणं कर्तुं शक्नुवन्ति तस्मात् पूर्वं प्रथमं आवश्यकं दत्तांशसमूहं आयातयितुं आवश्यकम् ।अत्र केचन सामान्याः दत्तांशसमूह आयातविधयः तेषां उपयोगः कथं करणीयः इति चpandas
पुस्तकालयः एतत् दत्तांशं संसाधितुं शक्नोति।
pandas
इदं एकं शक्तिशालीं दत्तांशसंसाधनपुस्तकालयं यत् दत्तांशविश्लेषणार्थं पूर्वसंसाधनार्थं च बहुधा उपयुज्यते ।अत्र कथं उपयोगः करणीयः इतिpandas
CSV सञ्चिकायाः आयातस्य उदाहरणम् : १.
import pandas as pd
# 导入CSV文件
df1 = pd.read_csv("../input/autompg-dataset/auto-mpg.csv")
CSV सञ्चिकानां अतिरिक्तं,pandas
एतत् बहुस्वरूपेषु आँकडानां आयातम् अपि समर्थयति, यथा Excel सञ्चिकाः, JSON सञ्चिकाः इत्यादयः । अत्र केचन उदाहरणानि सन्ति- १.
# 导入Excel文件
df_excel = pd.read_excel("../input/dataset.xlsx")
# 导入JSON文件
df_json = pd.read_json("../input/dataset.json")
यदि दत्तांशः दत्तांशकोशे संगृहीतः अस्ति तर्हि भवान् उपयोक्तुं शक्नोति pandas
इत्यस्यread_sql
दत्तांशं आयातयितुं कार्यम्। अत्र उदाहरणम् अस्ति : १.
import sqlite3
# 连接到SQLite数据库
conn = sqlite3.connect('../input/database.db')
# 从数据库中读取数据
df_sql = pd.read_sql('SELECT * FROM table_name', conn)
दत्तांशसमूहस्य आयातानन्तरं भवद्भिः प्रायः दत्तांशसमूहस्य पूर्वावलोकनं करणीयम् यत् दत्तांशस्य संरचनां सामग्रीं च अवगन्तुं शक्यते ।pandas
दत्तांशसमूहस्य पूर्वावलोकनार्थं विविधाः पद्धतयः प्रदत्ताः सन्ति ।
उपयुञ्जताम् head()
दत्तांशसमूहस्य प्रथमानि कतिपयानि पङ्क्तयः द्रष्टुं विधिः :
# 查看前5行数据
print(df1.head())
उपयुञ्जताम् info()
विधिः दत्तांशसमूहस्य मूलभूतसूचनाः द्रष्टुं शक्नोति, यत्र दत्तांशप्रकारः, लुप्तमूल्यानि च सन्ति:
# 查看数据集的基本信息
print(df1.info())
उपयुञ्जताम् describe()
विधिः दत्तांशसमूहस्य सांख्यिकीयसूचनाः द्रष्टुं शक्नोति, यत्र औसतं, मानकविचलनं, न्यूनतमं मूल्यं, अधिकतमं मूल्यम् इत्यादयः सन्ति:
# 查看数据集的统计信息
print(df1.describe())
उपयुञ्जताम् columns
गुणाः दत्तांशसमूहस्य स्तम्भनामानि द्रष्टुं शक्नुवन्ति:
# 查看数据集的列名
print(df1.columns)
उपर्युक्तविधिभिः आयातितदत्तांशसमूहस्य मूलभूतबोधः भवितुं शक्नोति, तस्मात् अनन्तरं दत्तांशदृश्यीकरणकार्यस्य आधारः स्थापयति ।
{
"title": "bqplot教程:在Jupyter Notebook中进行交互式数据可视化",
"summary": "本文详细介绍了如何使用bqplot库在Jupyter Notebook中进行交互式数据可视化。bqplot是一个基于Grammar of Graphics的2D可视化解决方案,结合了d3.js和ipywidgets的功能,旨在将d3.js的功能带到Python中。",
"content_outline": [
{
"h1": "基本图表类型",
"h2": [
"4.1 散点图",
"4.2 饼图",
"4.3 箱线图",
"4.4 条形图",
"4.5 堆积条形图"
]
}
]
}
Scatter Plot इति द्वयोः चरयोः सम्बन्धं दर्शयितुं प्रयुक्तः चार्टः । स्कैटर प्लॉट् इत्यनेन भवन्तः दत्तांशस्य वितरणं सहसंबन्धं च दृग्गतरूपेण अवलोकयितुं शक्नुवन्ति । bqplot इत्यस्मिन् scatter plot इत्यस्य निर्माणम् अतीव सरलम् अस्ति ।
import bqplot as bq
import numpy as np
# 创建数据
x = np.random.rand(100)
y = np.random.rand(100)
# 创建尺度
x_sc = bq.LinearScale()
y_sc = bq.LinearScale()
# 创建散点标记
scatter = bq.Scatter(x=x, y=y, scales={'x': x_sc, 'y': y_sc})
# 创建轴
ax_x = bq.Axis(scale=x_sc, label='X Axis')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Y Axis')
# 创建图表
fig = bq.Figure(marks=[scatter], axes=[ax_x, ax_y], title='Scatter Plot')
# 显示图表
fig
Pie Chart इति चार्ट् अस्ति यस्य उपयोगः दत्तांशस्य अनुपातं प्रदर्शयितुं भवति । bqplot इत्यस्मिन् पाई चार्ट्स् इत्यस्य निर्माणं तथैव सुलभम् अस्ति ।
import bqplot as bq
# 创建数据
data = [10, 20, 30, 40]
labels = ['A', 'B', 'C', 'D']
# 创建饼图标记
pie = bq.Pie(sizes=data, labels=labels)
# 创建图表
fig = bq.Figure(marks=[pie], title='Pie Chart')
# 显示图表
fig
box plot इति दत्तांशवितरणं प्रदर्शयितुं प्रयुक्तः चार्टः । एतत् दत्तांशस्य मध्यमं, चतुर्थांशं, बहिर्मुखं च प्रदर्शयितुं शक्नोति ।
import bqplot as bq
import numpy as np
# 创建数据
data = [np.random.normal(0, 1, 100), np.random.normal(3, 1, 100), np.random.normal(6, 1, 100)]
# 创建尺度
x_sc = bq.OrdinalScale()
y_sc = bq.LinearScale()
# 创建箱线图标记
boxplot = bq.Boxplot(x=data, scales={'x': x_sc, 'y': y_sc})
# 创建轴
ax_x = bq.Axis(scale=x_sc, label='Groups')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Values')
# 创建图表
fig = bq.Figure(marks=[boxplot], axes=[ax_x, ax_y], title='Box Plot')
# 显示图表
fig
बारचार्ट् इति एकः चार्टः यस्य उपयोगः श्रेणीगतदत्तांशयोः तुलनां प्रदर्शयितुं भवति । प्रत्येकस्य पट्टिकायाः ऊर्ध्वता तस्य वर्गस्य दत्तांशमूल्यं प्रतिनिधियति ।
import bqplot as bq
# 创建数据
x_labels = ['A', 'B', 'C', 'D']
y_values = [30, 20, 40, 10]
# 创建尺度
x_sc = bq.OrdinalScale()
y_sc = bq.LinearScale()
# 创建条形图标记
bar = bq.Bars(x=x_labels, y=y_values, scales={'x': x_sc, 'y': y_sc})
# 创建轴
ax_x = bq.Axis(scale=x_sc, label='Categories')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Values')
# 创建图表
fig = bq.Figure(marks=[bar], axes=[ax_x, ax_y], title='Bar Chart')
# 显示图表
fig
स्टैक्ड् बार चार्ट् एकः चार्ट् अस्ति यस्य उपयोगः बहुविधवर्गीयदत्तांशयोः तुलनां प्रदर्शयितुं भवति । प्रत्येकस्य पट्टिकायाः ऊर्ध्वता तस्य वर्गस्य दत्तांशमूल्यं प्रतिनिधियति, प्रत्येकं पट्टिका च खण्डेषु विभक्तुं शक्यते, प्रत्येकं खण्डं उपवर्गं प्रतिनिधियति ।
import bqplot as bq
# 创建数据
x_labels = ['A', 'B', 'C', 'D']
y_values = [
[30, 20],
[20, 30],
[40, 10],
[10, 40]
]
# 创建尺度
x_sc = bq.OrdinalScale()
y_sc = bq.LinearScale()
# 创建堆积条形图标记
stacked_bar = bq.Bars(x=x_labels, y=y_values, scales={'x': x_sc, 'y': y_sc}, type='stacked')
# 创建轴
ax_x = bq.Axis(scale=x_sc, label='Categories')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Values')
# 创建图表
fig = bq.Figure(marks=[stacked_bar], axes=[ax_x, ax_y], title='Stacked Bar Chart')
# 显示图表
fig
हिस्टोग्रामः एकः प्रकारः चार्टः अस्ति यस्य उपयोगः दत्तांशवितरणं दर्शयितुं भवति ।अस्तिbqplot
in, प्रयोक्तुं शक्यतेplt.hist
function to create a histogram इति । अत्र सरलं उदाहरणम् अस्ति :
import numpy as np
import bqplot.pyplot as plt
# 生成随机数据
data = np.random.randn(1000)
# 创建直方图
fig = plt.figure()
hist = plt.hist(data, bins=30)
plt.title('Histogram of Random Data')
plt.xlabel('Value')
plt.ylabel('Frequency')
fig
अस्मिन् उदाहरणे वयं प्रथमं 1000 यादृच्छिकदत्तांशबिन्दवः उत्पन्नवन्तः ततः उपयोगं कृतवन्तःplt.hist
फंक्शन् ३० बिन् युक्तं हिस्टोग्रामं निर्माति । शीर्षकं अक्षलेबल् च सेट् कृत्वा भवान् स्वस्य चार्ट् स्पष्टतरं सुलभतया च कर्तुं शक्नोति ।
रेखाचित्रं एकः सामान्यः चार्टप्रकारः अस्ति यस्य उपयोगः कालान्तरे अथवा अन्येषां निरन्तरचरानाम् अन्तर्गतं दत्तांशस्य प्रवृत्तिं दर्शयितुं भवति ।अस्तिbqplot
in, प्रयोक्तुं शक्यतेplt.plot
रेखाचित्रं निर्मातुं function इति । अत्र उदाहरणम् अस्ति : १.
import numpy as np
import bqplot.pyplot as plt
# 生成数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 创建折线图
fig = plt.figure()
line = plt.plot(x, y)
plt.title('Line Chart of Sine Function')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
fig
अस्मिन् उदाहरणे वयं 100 दत्तांशबिन्दून् सह sine function data उत्पन्नवन्तः ततः उपयोगं कृतवन्तःplt.plot
फंक्शन् रेखाचित्रं निर्माति । शीर्षकं अक्षलेबल् च सेट् कृत्वा भवान् स्वस्य चार्ट् स्पष्टतरं सुलभतया च कर्तुं शक्नोति ।
मोमबत्ती-चार्ट्स् (कैण्डलस्टिक-चार्ट् इति अपि ज्ञायते) एकः प्रकारः चार्टः अस्ति यस्य उपयोगः वित्तीयदत्तांशं प्रदर्शयितुं भवति, यथा स्टॉकमूल्यानि ।अस्तिbqplot
in, प्रयोक्तुं शक्यतेplt.candle
मोमबत्ती-चार्ट्स् निर्मातुं function इति । अत्र उदाहरणम् अस्ति : १.
import numpy as np
import bqplot.pyplot as plt
# 生成随机金融数据
n = 100
open_prices = np.random.randn(n)
high_prices = open_prices + np.random.rand(n)
low_prices = open_prices - np.random.rand(n)
close_prices = open_prices + np.random.randn(n) * 0.5
# 创建蜡烛图
fig = plt.figure()
candle = plt.candle(open_prices, high_prices, low_prices, close_prices)
plt.title('Candlestick Chart of Random Financial Data')
plt.xlabel('Time')
plt.ylabel('Price')
fig
अस्मिन् उदाहरणे वयं यादृच्छिकं मुक्तं, उच्चं, न्यूनं, बन्दं च मूल्यदत्तांशं जनयामः ततः उपयुञ्ज्महेplt.candle
फंक्शन् एकं कैण्डल्स्टिक चार्ट् निर्माति । शीर्षकं अक्षलेबल् च सेट् कृत्वा भवान् स्वस्य चार्ट् स्पष्टतरं सुलभतया च कर्तुं शक्नोति ।
तापनक्शा द्विविमीयदत्तांशस्य घनत्वं तीव्रतावितरणं वा प्रदर्शयितुं प्रयुक्तः एकः प्रकारः चार्टः ।अस्तिbqplot
in, प्रयोक्तुं शक्यतेplt.heatmap
function इत्यनेन तापनक्शं निर्मातुं शक्यते । अत्र उदाहरणम् अस्ति : १.
import numpy as np
import bqplot.pyplot as plt
# 生成随机数据
data = np.random.rand(10, 10)
# 创建热力图
fig = plt.figure()
heatmap = plt.heatmap(data)
plt.title('Heatmap of Random Data')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
fig
अस्मिन् उदाहरणे वयं यादृच्छिकदत्तांशस्य 10x10 मैट्रिक्सं जनयित्वा ततः उपयोगं कृतवन्तःplt.heatmap
फंक्शन् एकं तापनक्शं निर्माति । शीर्षकं अक्षलेबल् च सेट् कृत्वा भवान् स्वस्य चार्ट् स्पष्टतरं सुलभतया च कर्तुं शक्नोति ।
भौगोलिकचार्टः एकः प्रकारः चार्टः अस्ति यस्य उपयोगः भौगोलिकदत्तांशस्य प्रदर्शनार्थं भवति, यथा मानचित्रम् ।अस्तिbqplot
in, प्रयोक्तुं शक्यतेplt.geo
भौगोलिकनक्शानां निर्माणार्थं कार्यम्। अत्र उदाहरणम् अस्ति : १.
import bqplot.pyplot as plt
# 加载地理数据
map_data = 'World'
# 创建地理图
fig = plt.figure()
geo = plt.geo(map_data)
plt.title('Geographical Map')
fig
अस्मिन् उदाहरणे वयं विश्वमानचित्रदत्तांशं लोड् कुर्मः ततः उपयुञ्ज्महेplt.geo
फंक्शन् भौगोलिकं मानचित्रं निर्माति । शीर्षकं स्थापयित्वा भवान् स्वस्य चार्ट् स्पष्टतरं सुलभतया च अवगन्तुं शक्नोति ।
दत्तांशदृश्यीकरणे उपयोक्तृ-अनुभवं, आँकडा-अन्वेषण-क्षमतां च सुधारयितुम् अन्तरक्रियाशील-कार्यं कुञ्जी भवति ।bqplot
उपयोक्तृभ्यः Jupyter Notebook इत्यस्मिन् गतिशीलं प्रतिक्रियाशीलं च आँकडा अन्वेषणं कर्तुं समर्थं कर्तुं समृद्धाः अन्तरक्रियाशीलघटकाः प्रदाति । एतेषु अन्तरक्रियाशीलघटकाः अन्तर्भवन्ति परन्तु एतेषु एव सीमिताः न सन्ति :
एते अन्तरक्रियाशीलाः घटकाः सन्ति bqplot
इत्यस्यInteractions
मॉड्यूल कार्यान्वयनम् उपयोक्तृभ्यः सहजज्ञानयुक्तानि शक्तिशालिनः च आँकडा अन्वेषणसाधनं प्रदाति ।
दत्तांशदृश्यीकरणे जूमिंग्, पैनिङ्ग् च सर्वाधिकं मूलभूतं अन्तरक्रियाशीलं कार्यम् अस्ति ।bqplot
अन्तर्निर्मितं जूम् तथा पैन् कार्याणि प्रदाति, उपयोक्तारः मूषकचक्रस्य माध्यमेन जूम कर्तुं शक्नुवन्ति तथा च मूषकस्य कर्षणद्वारा पैन् कर्तुं शक्नुवन्ति । अत्र सरलं उदाहरणम् अस्ति :
import bqplot.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(-10, 10, 100)
y = np.sin(x)
# 创建图表
fig = plt.figure(title="Zoom and Pan Example")
plt.plot(x, y)
plt.show()
अस्मिन् उदाहरणे उपयोक्ता मूषकचक्रस्य उपयोगेन चार्ट् मध्ये जूम इन वा आउट् वा कर्तुं शक्नोति तथा च मूषकं कर्षयित्वा चार्ट् पैन् कर्तुं शक्नोति ।
चयनं ब्रशचयनक्षमता च उपयोक्तृभ्यः अग्रे विश्लेषणार्थं चार्टस्य अन्तः विशिष्टानि दत्तांशबिन्दवः क्षेत्राणि वा चयनं कर्तुं शक्नुवन्ति ।bqplot
प्रदत्तBrushSelector
तथाLassoSelector
घटकानि एतस्य कार्यक्षमतां कार्यान्वितुं।निम्नलिखितम् एकः प्रयोगः अस्तिBrushSelector
उदाहरण:
from bqplot import BrushSelector
# 创建选择器
brush = BrushSelector(x_scale=x_scale, y_scale=y_scale)
# 将选择器添加到图表
fig.interaction = brush
अस्मिन् उदाहरणे उपयोक्ता मूषकं कर्षयित्वा चार्ट् मध्ये आयताकारक्षेत्रं चिन्वितुं शक्नोति, ततः चयनितदत्तांशबिन्दवः प्रकाशिताः भविष्यन्ति ।
यदा उपयोक्ता मूषकं दत्तांशबिन्दुस्य उपरि स्थापयति तदा टूलटिप्स विस्तृतसूचनाः प्रदर्शयितुं शक्नोति ।bqplot
प्रदत्तTooltip
घटकं एतत् कार्यक्षमतां प्राप्तुं । अत्र सरलं उदाहरणम् अस्ति :
from bqplot import Tooltip
# 创建工具提示
tooltip = Tooltip(fields=['x', 'y'], formats=['.2f', '.2f'])
# 将工具提示添加到图表
scatter.tooltip = tooltip
अस्मिन् उदाहरणे यदा उपयोक्ता scatter plot data point इत्यस्य उपरि भ्रमति तदा the... x
तथाy
मूल्यम्।
गतिशीलं अद्यतनविशेषता उपयोक्तृनिवेशस्य अथवा आँकडापरिवर्तनस्य आधारेण चार्ट्स् गतिशीलरूपेण अद्यतनीकरणस्य अनुमतिं ददाति ।bqplot
प्रदत्तinteracts
module इत्येतत् कार्यक्षमतां कार्यान्वितुं । अत्र सरलं उदाहरणम् अस्ति :
from ipywidgets import IntSlider
# 创建滑块
slider = IntSlider(value=50, min=0, max=100, step=1)
# 定义更新函数
def update_plot(change):
new_value = change['new']
scatter.x = np.linspace(0, new_value, 100)
# 绑定滑块到更新函数
slider.observe(update_plot, names='value')
# 显示滑块和图表
slider
fig
अस्मिन् उदाहरणे उपयोक्ता स्लाइडरस्य मूल्यं समायोजयित्वा चार्ट् मध्ये दत्तांशं गतिशीलरूपेण अद्यतनीकर्तुं शक्नोति ।
अन्तरक्रियाशीलः डैशबोर्डः आँकडादृश्यीकरणे महत्त्वपूर्णः अनुप्रयोगः अस्ति, यः उपयोक्तृभ्यः अन्तरक्रियाशीलघटकानाम् माध्यमेन दत्तांशस्य गतिशीलरूपेण अन्वेषणं कर्तुं शक्नोति, येन दत्तांशस्य पृष्ठतः सूचनायाः गहनतया अवगमनं भवति bqplot इत्येतत् अन्तरक्रियाशीलं डैशबोर्डं निर्मातुं शक्तिशालिनः विशेषताः प्रदाति अत्र एकं सरलं उदाहरणं यत् बहुविधं चार्टं अन्तरक्रियाशीलघटकं च युक्तं डैशबोर्डं कथं निर्मातव्यम् इति दर्शयति ।
आवश्यकपुस्तकालयान् आयातयन्तु:
import bqplot as bq
import ipywidgets as widgets
from bqplot import pyplot as plt
import numpy as np
दत्तांशं सज्जीकरोतु:
x = np.arange(100)
y = np.random.randn(100).cumsum()
एकं चार्टघटकं रचयन्तु:
line_chart = plt.plot(x, y, 'Line Chart')
bar_chart = plt.bar(x, y, 'Bar Chart')
अन्तरक्रियाशीलघटकाः रचयन्तु:
dropdown = widgets.Dropdown(
options=['Line Chart', 'Bar Chart'],
value='Line Chart',
description='Chart Type:'
)
अन्तरक्रिया तर्कं परिभाषयन्तु:
def on_change(change):
if change['new'] == 'Line Chart':
plt.clear()
plt.plot(x, y, 'Line Chart')
elif change['new'] == 'Bar Chart':
plt.clear()
plt.bar(x, y, 'Bar Chart')
dropdown.observe(on_change, names='value')
समष्टिघटकाः:
dashboard = widgets.VBox([dropdown, plt.figure])
display(dashboard)
उपर्युक्तपदार्थानाम् माध्यमेन वयं सरलं अन्तरक्रियाशीलं डैशबोर्डं निर्मातुम् अर्हति यत्र उपयोक्तारः गतिशीलदत्तांशदृश्यीकरणं प्राप्तुं ड्रॉप्-डाउन मेन्यूद्वारा भिन्न-चार्ट-प्रकारस्य चयनं कर्तुं शक्नुवन्ति ।
आँकडाचयनकर्तारः bqplot इत्यस्मिन् आँकडा-छननाय, अन्तरक्रियायाः च कृते महत्त्वपूर्णाः घटकाः सन्ति । दत्तांशचयनकस्य माध्यमेन उपयोक्तारः अधिकं परिष्कृतं दत्तांशविश्लेषणं प्राप्तुं प्रत्यक्षतया चार्ट् मध्ये दत्तांशं चयनं कृत्वा संचालनं कर्तुं शक्नुवन्ति ।
आवश्यकपुस्तकालयान् आयातयन्तु:
import bqplot as bq
import ipywidgets as widgets
from bqplot import pyplot as plt
import numpy as np
दत्तांशं सज्जीकरोतु:
x = np.arange(100)
y = np.random.randn(100).cumsum()
चार्टं रचयन्तु:
scatter_chart = plt.scatter(x, y, 'Scatter Chart')
दत्तांशचयनकं रचयन्तु:
selector = bq.interacts.BrushSelector(x_scale=scatter_chart.scales['x'], y_scale=scatter_chart.scales['y'])
scatter_chart.interaction = selector
चयनतर्कं परिभाषयन्तु:
def on_selection(change):
selected_data = scatter_chart.selected
print(f"Selected Data: {selected_data}")
selector.observe(on_selection, names='selected')
चार्टं दर्शयतु:
display(plt.figure)
उपर्युक्तपदार्थानाम् माध्यमेन वयं scatter plot इत्यत्र data selector निर्मातुम् अर्हति उपयोक्ता मूषकं कर्षयित्वा data points चयनं कर्तुं शक्नोति तथा च console मध्ये selected data output कर्तुं शक्नोति ।
bqplot न केवलं मूलभूतं 2D चार्ट्स् समर्थयति, अपितु शक्तिशालिनः भौगोलिकचार्ट् कार्याणि अपि प्रदाति येषां उपयोगेन विविधानि मानचित्रप्रक्षेपणं उन्नतभौगोलिकचार्ट्स् च निर्मातुं शक्यते
आवश्यकपुस्तकालयान् आयातयन्तु:
import bqplot as bq
import ipywidgets as widgets
from bqplot import pyplot as plt
import numpy as np
भौगोलिकदत्तांशं सज्जीकरोतु:
import json
with open('world.json') as f:
world_data = json.load(f)
भौगोलिकं मानचित्रं रचयन्तु:
map_chart = bq.Map(
map_data=bq.topo_load('world.json'),
scales={'projection': bq.AlbersUSA()}
)
अन्तरक्रियाशीलघटकाः रचयन्तु:
dropdown = widgets.Dropdown(
options=['AlbersUSA', 'Mercator', 'Orthographic'],
value='AlbersUSA',
description='Projection:'
)
अन्तरक्रिया तर्कं परिभाषयन्तु:
def on_change(change):
if change['new'] == 'AlbersUSA':
map_chart.scales['projection'] = bq.AlbersUSA()
elif change['new'] == 'Mercator':
map_chart.scales['projection'] = bq.Mercator()
elif change['new'] == 'Orthographic':
map_chart.scales['projection'] = bq.Orthographic()
dropdown.observe(on_change, names='value')
समष्टिघटकाः:
map_dashboard = widgets.VBox([dropdown, map_chart])
display(map_dashboard)
उपर्युक्तपदार्थानाम् माध्यमेन वयं भौगोलिकं मानचित्रं निर्मातुम् अर्हति यत् बहुविधं मानचित्रप्रक्षेपणं समर्थयति उपयोक्तारः गतिशीलमानचित्रप्रदर्शनं प्राप्तुं ड्रॉप्-डाउन मेनूद्वारा भिन्नानि प्रक्षेपणविधयः चयनं कर्तुं शक्नुवन्ति ।
एतेषां उन्नतकार्यस्य अनुप्रयोगानाञ्च माध्यमेन bqplot उपयोक्तृभ्यः शक्तिशालिनः आँकडादृश्यीकरणसाधनं प्रदाति, येन Jupyter Notebook इत्यस्मिन् अन्तरक्रियाशीलदत्तांशविश्लेषणं अधिकं सुलभं कुशलं च भवति
bqplot
इव किमपि प्रदातिmatplotlib
इत्यस्यpyplot
एपिआइ उपयोक्तृभ्यः शीघ्रं चार्ट्स् निर्मातुं प्रदर्शयितुं च शक्नोति ।निम्नलिखितम् केचन सामान्यतया प्रयुक्ताः सन्तिpyplot
कार्याणि उदाहरणानि च : १.
figure()
: नूतनं चित्रं रचयन्तु।plot()
: रेखाचित्रं आकर्षयन्तु।scatter()
: एकं प्रकीर्णन-प्लॉटं आकर्षयन्तु।bar()
: एकं बार चार्टं आकर्षयन्तु।pie()
: पाई चार्टं आकर्षयन्तु।hist()
: एकं हिस्टोग्रामं आकर्षयन्तु।नमूनासङ्केतः : १.
from bqplot import pyplot as plt
import numpy as np
# 创建数据
x = np.arange(10)
y = x ** 2
# 创建图形
fig = plt.figure()
# 绘制折线图
plt.plot(x, y)
# 显示图形
plt.show()
bqplot
वस्तुप्रतिरूपं Grammar of Graphics इत्यस्य आधारेण भवति, यत् चार्ट्स् अनुकूलितुं अधिकं लचीलं विस्तृतं च मार्गं प्रदाति । अत्र केचन मूलवस्तूनि उदाहरणानि च सन्ति ।
Figure
: आलेखस्य कृते पात्रं, यत्र सर्वे चिह्नाः अक्षाः च सन्ति ।Mark
: विशिष्टानि चित्रात्मकानि तत्त्वानि, यथा रेखाः, बिन्दुः, पट्टिकाः इत्यादयः।Axis
: अक्षः ।Scale
: डाटा टु ग्राफ मैपिंग।नमूनासङ्केतः : १.
from bqplot import Figure, Axis, Scale, Lines
import numpy as np
# 创建数据
x = np.arange(10)
y = x ** 2
# 创建比例尺
x_scale = Scale(min=0, max=10)
y_scale = Scale(min=0, max=100)
# 创建轴
x_axis = Axis(scale=x_scale, label='X Axis')
y_axis = Axis(scale=y_scale, label='Y Axis', orientation='vertical')
# 创建标记
line = Lines(x=x, y=y, scales={'x': x_scale, 'y': y_scale})
# 创建图形
fig = Figure(marks=[line], axes=[x_axis, y_axis])
# 显示图形
fig
bqplot
समृद्धानि साधनसूचनानि, साधनपट्टिकाकार्यं च प्रदाति, येन उपयोक्तारः चित्रैः सह अधिकसुलभतया अन्तरक्रियां कर्तुं शक्नुवन्ति ।
Tooltip
: यदा मूषकं भ्रमति तदा दत्तांशसूचना प्रदर्शयन्तु।Toolbar
: जूमिंग्, पैनिङ्ग् इत्यादीनि अन्तरक्रियाशीलकार्यं प्रदाति ।नमूनासङ्केतः : १.
from bqplot import Tooltip, Toolbar
# 创建工具提示
tooltip = Tooltip(fields=['x', 'y'], formats=['.2f', '.2f'])
# 创建工具栏
toolbar = Toolbar(figure=fig)
# 添加到图形
line.tooltip = tooltip
fig.toolbar = toolbar
# 显示图形
fig
bqplot
चयनं, जूमिंग्, पैनिंग् इत्यादीनि जटिलपरस्परक्रियाशीलकार्यं समर्थयति । अपि,bqplot
अस्य उपयोगेन विपण्यनक्शा इत्यादीनां उन्नतदृश्यानां निर्माणार्थमपि कर्तुं शक्यते ।
नमूनासङ्केतः : १.
from bqplot import MarketMap
import pandas as pd
# 创建数据
data = pd.DataFrame({
'label': ['A', 'B', 'C', 'D'],
'values': [100, 200, 150, 300],
'color': ['red', 'green', 'blue', 'yellow']
})
# 创建市场地图
market_map = MarketMap(names=data['label'], values=data['values'], colors=data['color'])
# 创建图形
fig = Figure(marks=[market_map])
# 显示图形
fig
उपर्युक्तानां एपिआइ-दस्तावेजानां परिचयस्य माध्यमेन उपयोक्तारः अधिकतया अवगन्तुं, उपयोगं च कर्तुं शक्नुवन्ति bqplot
समृद्धं, अन्तरक्रियाशीलं दत्तांशदृश्यीकरणं निर्मातुं पुस्तकालयः ।
अन्येभ्यः आँकडादृश्यीकरणपुस्तकालयेभ्यः यथा Matplotlib अथवा Plotly इत्यस्मात् विद्यमानप्रकल्पान् bqplot इत्यत्र प्रवासयन् भवन्तः केचन आव्हानाः सम्मुखीभवितुं शक्नुवन्ति । अत्र प्रवासप्रक्रियायाः मार्गदर्शने भवतः सहायार्थं केचन प्रमुखाः सोपानाः विचाराः च सन्ति ।
प्रवासं आरभ्यतुं पूर्वं प्रथमं bqplot इत्यस्य मूलभूतसंकल्पनाः अवगन्तुं आवश्यकाः, यथा:
सुनिश्चितं कुर्वन्तु यत् भवतः दत्तांशः सज्जः अस्ति तथा च bqplot द्वारा आवश्यके प्रारूपे सहजतया परिवर्तयितुं शक्यते । सामान्यतया, दत्तांशं Pandas DataFrame इत्यस्मिन् संग्रहीतुं शक्यते, यत् सुलभं दत्तांश-परिवर्तनं, दृश्यीकरणं च कर्तुं शक्नोति ।
आवश्यकपुस्तकालयान् आयातयन्तु:
import bqplot as bq
import pandas as pd
import numpy as np
तराजूः अक्षाः च रचयन्तु:
x_sc = bq.LinearScale()
y_sc = bq.LinearScale()
ax_x = bq.Axis(scale=x_sc, label='X Axis')
ax_y = bq.Axis(scale=y_sc, label='Y Axis', orientation='vertical')
टैग रचयन्तु:
data = pd.DataFrame(np.random.randn(100, 2), columns=['X', 'Y'])
scatter = bq.Scatter(x=data['X'], y=data['Y'], scales={'x': x_sc, 'y': y_sc})
चार्टं रचयन्तु:
fig = bq.Figure(axes=[ax_x, ax_y], marks=[scatter])
चार्टं दर्शयतु:
display(fig)
bqplot समृद्धानि अन्तरक्रियाशीलकार्यं प्रदाति, यत् भिन्नगुणान् सेट् कृत्वा प्राप्तुं शक्यते । यथा, जूम् एण्ड् पैन् कार्यक्षमतां सक्षमं कर्तुं :
scatter.enable_move = True
scatter.enable_zoom = True
bqplot इत्यनेन भवान् स्वस्य चार्टस्य शैलीं अनुकूलितुं शक्नोति, यत्र वर्णः, मार्करशैली, रेखाशैली इत्यादयः सन्ति । यथा, प्रकीर्णनप्लॉटस्य स्वरूपं अनुकूलितुं :
scatter = bq.Scatter(x=data['X'], y=data['Y'], scales={'x': x_sc, 'y': y_sc}, colors=['blue'], default_size=20, marker='triangle-up', stroke='black')
bqplot एकः मुक्तस्रोतपरियोजना अस्ति तथा च समुदायस्य सदस्यानां कोड, दस्तावेजीकरणं, उदाहरणानि च योगदानं दातुं स्वागतम् अस्ति । अत्र bqplot परियोजनायां योगदानं आरभ्यतुं सहायार्थं केचन योगदानमार्गदर्शिकाः सन्ति ।
क्लोन भण्डार:
git clone https://github.com/bqplot/bqplot.git
cd bqplot
आश्रयाणि संस्थापयन्तु:
pip install -r requirements.txt
विकाससंस्करणं संस्थापयन्तु:
pip install -e .
कोडं योगदानं कुर्वन् कृपया एतानि मार्गदर्शिकानि अनुसरणं कुर्वन्तु:
शाखां रचयतु:
git checkout -b my-new-feature
परिवर्तनं प्रतिबद्धं कुर्वन्तु:
git add .
git commit -m "Add some feature"
धक्का शाखा:
git push origin my-new-feature
Pull Request रचयन्तु:
GitHub इत्यत्र भवतः परिवर्तनस्य प्रेरणायाश्च वर्णनं कृत्वा नूतनं Pull Request रचयन्तु ।
एतेषां मार्गदर्शिकानां अनुसरणं कृत्वा, भवान् bqplot परियोजनायां बहुमूल्यं योगदानं दातुं शक्नोति तथा च Python समुदाये अन्तरक्रियाशीलदत्तांशदृश्यीकरणं उन्नतयितुं साहाय्यं कर्तुं शक्नोति ।
bqplot इति इति इति आधारःग्राफिक्सस्य व्याकरणम् 2D दृश्यीकरण प्रणाली, कृते डिजाइनं कृतम्बृहस्पति नोटबुक प्ररचन। अस्य निम्नलिखित महत्त्वपूर्णाः लाभाः सन्ति- १.
यद्यपि bqplot शक्तिशाली कार्यक्षमतां लचीलतां च प्रदाति तथापि अस्य काश्चन सीमाः अपि सन्ति :
सक्रियमुक्तस्रोतपरियोजनारूपेण bqplot इत्यस्य भविष्यविकासप्रवृत्तयः ध्यानं दातुं अर्हन्ति:
संक्षेपेण, bqplot, एकस्य शक्तिशाली अन्तरक्रियाशीलदत्तांशदृश्यीकरणसाधनस्य रूपेण, आँकडाविज्ञानस्य क्षेत्रे व्यापकाः अनुप्रयोगसंभावनाः सन्ति । निरन्तरं अनुकूलनेन, विशेषताविस्तारेण च, एतत् दत्तांशविश्लेषणस्य दृश्यीकरणस्य च अधिकसंभावनाः निरन्तरं प्रदास्यति ।