41 - 80 件 / 581件
One document to learn numerics, science, and data with Python¶ Tutorials on the scientific Python ecosystem: a quick introduction to central tools and techniques. The different chapters each correspond to a 1 to 2 hours course with increasing level of expertise, from beginner to expert.
Products AI PLATFORMANACONDA AI PLATFORM PRICING Solutions BY INDUSTRY PROFESSIONAL SERVICES Resources RESOURCE CENTER FOR USERS Company COMPANY CONTACT PARTNER NETWORK Free DownloadSign InGet Demo Register to get everything you need to get started on your workstation including Cloud Notebooks, Navigator, AI Assistant, Learning and more. Easily search and install thousands of data science, machine
matplotlibでも割と綺麗な図を作ることができる。 図示の時に色々と使うテクニックを列挙。 どうぞ皆さんもお使いください 基本の体裁 関数で調整 plt()内の基本オプションで調整 透過度をあげる 漫画風にする 棒グラフに柄を載せる グラデーション用の色を作る グラデーションの作り方 色の参考にcmリスト 王道カラフル系 単色濃淡(っぽい) 温度系 季節の色たち グラデーションにならない系 その他 基本の体裁 まずこのグラフ import numpy as np import matplotlib.pyplot.plt x = np.arange(-np.pi,np.pi,np.pi/50) plt.axvspan(-0.5*np.pi,0.5*np.pi,color="red") plt.plot(x,np.sin(x)) plt.show() どぎついし、端が切れているし、イマイ
👋 The Python Graph Gallery is a collection of hundreds of charts made with Python. Graphs are dispatched in about 40 sections following the data-to-viz classification. There are also sections dedicated to more general topics like matplotlib or seaborn. Each example is accompanied by its corresponding reproducible code along with comprehensive explanations. The gallery offers tutorials that cater
データビジュアライゼーションのデザインパターン20 - 混沌から意味を見つける可視化の理論と導入 -posted with カエレバ鈴木雅彦,鈴村嘉右 技術評論社 2015年05月08日 Amazonで最安値を探す楽天市場で最安値を探すYahooショッピングで最安値を探す 目次 目次 PythonライブラリのSeabornとは? Seabornのインストール Seabornの特徴 スタイルの変更方法 matplotlibのグラフをSeabornのデフォルトスタイルに変更する Seabornのスタイルを変更する whitegrid dark white ticks 右と上のグラフの枠線を無くす グラフ描画機能 折れ線グラフ 棒グラフ 一次元分布データの描画(ヒストグラムや確率密度関数) ヒストグラム表示 二次元の分布データの描画 散布図のプロット データセットの相関分析 ヒートマップ Mac
初めに javascriptベースで手軽に対話的な操作が可能な作図が出来るPlotly Express(公式サイト)というライブラリが少し前に公開されたのを見つけました。 今までの静的な作図とは明らかに異なる次元のポテンシャルを感じたので、備忘録を兼ねて基本的な可視化手法の描き方をまとめました。 参考までに、matplotlib+seabornで同様の図を書いたパターンと比較しています。 「基本的な可視化手法」は、以前書いた「探索的データ解析における正しい可視化手法の選び方と描き方」に準拠しています。 Plotly Expressとは Plotly Expressは2019年の3月に公開されたplotlyの高レベルAPI群です。 インタラクティブで複雑な描画を簡単に書けるのが特徴です。 公式サイト: https://plot.ly/python/plotly-express/ API re
Kivyプログラミング ―Pythonで作るマルチタッチアプリ― (実践Pythonライブラリー)posted with カエレバ原口 和也 朝倉書店 2018年06月25日 Amazonで探す楽天市場で探すYahooショッピングで探す 目次 目次 はじめに Windowを作る アクションバーを作る テキスト入力ボックスを作る ボタンのUIを作る スライダーUIを作る チェックボックスのUIを作る matplotlibのグラフをkivyの一部として利用する 二次元の地図データを埋め込む 参考資料 MyEnigma Supporters はじめに 先日、 PythonのマルチプラットフォームGUIライブラリである Kivyを紹介しましたが、 myenigma.hatenablog.com myenigma.hatenablog.com 今回は、Kivyによる基本的なGUIシステムの 作り方を紹
最近pythonを触り始めたのですが、散布図をアニメーションさせる方法が分からなかったので調べてみました。 散布図はmatplotlib.plt.scatter(x,y)で作成する事が出来ます。 また、アニメーションをさせる方法は二通りのやり方があるようです。 animation.ArtistAnimation 事前に用意してあるデータを描画 animation.FuncAnimation 随時データを更新する そこで円周上の点を一度ずつ移動させるというアニメーションをArtistAnimationとFuncAnimationの2つの方法で試してみました。 実行結果はどちらも次のようなものになります。 animation.ArtistAnimationの場合 事前にplt.scatterの戻り値をlistに保存しておき、animation.ArtistAnimationの第二引数に渡すと
数日前、pandas を利用して地理情報をプロットするという非常によいエントリが翻訳されていた。 postd.cc 上のエントリ、前処理が手間に見えるが pd.read_html や .str アクセサを使えばもっと簡単に書けると思う、、、がそれは本題でない。 pandas で地理情報を扱う場合、geopandas という拡張パッケージを利用すると便利なため、その使い方を書きたい。また、処理を Python で完結させるため、QGIS ではなく Bokeh でプロットしたい。 geopandas のインストール pip で。 $ pip install geopandas geopy このエントリでは依存パッケージである shapely、geopy の機能も利用する。shapely は自動的にインストールされるはずだが、geopy については上のように別途インストールが必要。 地理情報の読
Pythonグラフ入門# このPythonグラフ入門では、プログラミング言語Pythonを使ってグラフを描画する方法を解説しています。対象としている方は、ある程度Pythonに触れている人(リストやNumPyを使った配列を理解できるレベル)です。 本サイトの特徴# このサイトは、Jupyter LabでPythonコードを実行した結果を、Jupyter Bookを用いてHTMLファイルに変換したものです。そのため、お手元の環境でもライブラリなどのバージョンを揃えた上でコードを実行すれば、同じ結果が得られます。 サイト内の検索は、ページ右上の虫メガネのアイコン、または左側のメニュー上部の検索窓から行えます(ウィンドウの幅によって異なります)。 このサイトで検証したPythonと各ライブラリのバージョンは以下の通りです。 Python 3.12.4 Matplotlib 3.9.1 Seabo
データ視覚化のいろはを無視したグラフはニュースや学術論文によく現れます。いろんな資料からかきあつめたり苦労して測定したデータ、あるいは自分の部署の成果をかっこよく見せたい気持ちはわかりますが、たいていの場合「よく見せる」という欲求は色の濫用や3D化などデザイン要素の足し算として現れがちです。結果としてよく見せたいデータがごちゃごちゃした印象になってしまい、メッセージを読み取りにくいだけでなく時に誤解を生む図に仕上がってしまっていることも多いでしょう。 「データ視覚化のいろは」とは書きましたが、自分は実際に体系的に学んだことがあるわけではなく、ウェブや論文などで目にした良い例と悪い例からぼんやりと「こうすべきなのかな」という指針を認識している程度です。そんな折に、UXやUIを突き詰めたサービスで有名なTHE GUILDの方がデータ視覚化に関するnote記事を公開しているのをみつけました。 デ
使用しているデータセットはscikit-learnの手書き文字認識用のものです。 上がSCW、下がscikit-learnのSVCで学習、分類した結果です。timeは学習にかかった時間、accuracyは精度を表しています。 結果を見ればわかるように、SCWは非常に高速に学習することができます。 また、SCWは逐次学習が可能です。すなわち、データをひとつずつ入力しても学習することができます。つまり、データを全てメモリ上に展開して学習させなくてもよいのです。 精度はデータセットに依存します。というのも、SCWは線形分類器だからです。 線形分離不可能なデータに対してはSCWでは精度が落ちてしまいますが、線形分離可能、もしくはそれに近いかたちで分布しているデータに対しては高い精度を得ることができます。 scikit-learnの手書き文字認識データセットは線形分離可能だったようで、精度100%と
時は戦国 Python には作図ライブラリがたくさんあります。 最もデファクトスタンダードに近く歴史も古い作図ライブラリは matplotlib で間違いないでしょうが、それでも R における ggplot2 ほどの地位は確立していないように思います。 特に、Jupyter-notebook 上ではインタラクティブなグラフを表示するニーズがあり、そこでは静的なグラフよりもさらにライブラリが割拠している印象があります。何がどう違うのかよくわかりません。 そこで今回は代表的な作図ライブラリの Jupyter-notebook 上での 違いについて簡単にまとめます。 注意 各ライブラリはいずれも細かくグラフのスタイルを設定可能で、やろうと思えば同じような見た目のグラフを生成することも可能ですが、今回はできるだけ何も設定せずにプロットした時のグラフを使います。 今回試すライブラリたち matplo
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
開発部 R&D グループで研究開発をしている CRuby コミッターの村田 (mrkn) です。 2/23 に渋谷で開催された Ruby Business Users Conference 2017 *1 でキーノートスピーカーとして講演をさせていただきました。 内容は、Ruby で統計分析や機械学習ができない現状についての解説と、その状況を打破するために私が現在開発を進めている pycall.gem のデモンストレーションでした。 カンファレンス当日に使用した資料は私個人の Speaker Deck で公開していますので、そちらをご覧ください。 カンファレンスの発表後、当日カンファレンスで一緒だった YassLab の安川さんがデモ部分の動画を facebook で公開し、twitter で拡散してくださいました。 .@mrkn さんの PyCall を使ったデモがスゴい!😆 #RBU
多層パーセプトロンが収束する様子(2014年1月23日)の続き。数字認識は前にニューラルネットによるパターン認識(2005年5月5日)をJavaで作りましたが今回はPythonです。 今回は、多層パーセプトロンを用いて手書き数字を認識するタスクを実験します。今回からscikit-learnというPythonの機械学習ライブラリを活用しています。ただ、scikit-learnには多層パーセプトロンの正式な実装はない*1ため多層パーセプトロンのスクリプトはオリジナルです。今回から比較的大きなデータを扱うためなるべく高速に動作し、かつPRMLと変数名を合わせることで理解しやすいようにしました。 digitsデータ 手書き数字データは、MNISTというデータが有名です。PRMLの付録Aでも紹介されています。今回はいきなりMNISTではなく、scikit-learnのdigitsというより単純なデータセ
One document to learn numerics, science, and data with Python¶ Tutorials on the scientific Python ecosystem: a quick introduction to central tools and techniques. The different chapters each correspond to a 1 to 2 hours course with increasing level of expertise, from beginner to expert. Release: 2022.1
(訳注:2016年7月15日、記事を修正いたしました。) 本記事では、世界50カ国におけるソフトウェアエンジニアの年収の中央値と国内の年収の平均値(1人当たりのGDP)を比較します。その方法は、まず lxml を使ってWebページからデータを収集し、 Pandas のデータフレームに変換した後、クリーニングを行います。そのデータに対し matplotlib を使い、全体としての傾向を可視化する散布図と棒グラフを作成するというものです。一般的な人々と比較するとソフトウェアエンジニアはどのくらい稼いでいるのか、その収入が高い国と低い国を比較してみましょう。 データは PayScale と 国際通貨基金(IMF) から得たもので、2014年5月に Bloomberg に掲載されたものです。そこに、PayScaleが最も入手しやすい50カ国の統計データが含まれていました。ソフトウェアエンジニアに関す
僕はベイズ統計モデリングをはじめる前(5年ほど前)までは主に機械学習をしていました。その頃は平易な成書はあまりなくて、サポートベクターマシンの理論の難しい本を読んだり、Weka本(当時はこれ)を読みながら実装していたことを思い出します。PythonでもSVM-RFEを書いたりしてました。しかし、時は流れ、Pythonからscikit-learnという機械学習用ライブラリや深層学習を手軽に使うことができるようになり、気づいたらPythonは機械学習に必要不可欠な言語になっていました。この本はそんな機械学習に特化したPythonの使い方を理論と実装の両面から平易に丁寧に説明しています。理論は理系学部生なら理解できるぐらいで、実装はPythonやnumpyを少し触ったことがある人なら分かるぐらいのレベルです。いつの間にかこのような読みやすい機械学習の和書が出ているのは感慨深いです。 Python
最近、とある興味 *1 から量子力学(とりわけ量子化学)の勉強をしています。 水素原子の電子の軌道を計算すると、s軌道とかp軌道とかd軌道とかの計算が載っていて、対応する図が教科書に載っていたりしますよね。 こういうやつです: Wikipedia「球面調和関数」より引用 Attribution: I, Sarxos 個人的な体験ですが、予備校の頃は先生の影響で「化学」に大ハマりしていました *2。 ここから「Emanの物理学」というサイトの影響で「物理」に目覚め、そこからなぜか「数学」に目覚めて現在に至ります。そういった経緯もあって、化学には大変思い入れがあります。 特にこの水素原子の軌道の図は当時から気になっていて、自分で描いてみたいと思っていました。先日ようやく理解でき、実際に自分で描画できるまでになりました。以下がその画像です: これはタイトルにもある「球面調和関数」と呼ばれる関数を
こんにちは、Gunosyのエンジニアの粟飯原です。Gunosyでは、主に広告配信サーバー全般の開発運用インフラを行いつつ、データ集計や分析等を行なっています。 Gunosyのエンジニアブログはこちら http://gunosy.github.io/2014/07/08/iptyhonnotebook.html 今回は、自分が開発業務や分析業務で日常的に利用しているIPython Notebookを便利に使う方法を紹介させて頂きます。 基本的に、pipでライブラリがインストールできる環境とnumpy、scipyの環境が揃っていることが前提で進めます。windows環境であれば、ライブラリのインストールは以下のURLのパッケージ群を利用すると快適です。とはいえこのページで紹介しているライブラリはwindowsでは動かないものもあります。 http://www.lfd.uci.edu/~gohl
はじめに Web上で長期間の株価データを探してもなかなか見つからないので,Pythonを用いて株価のヒストリカルデータを取得し,CSV形式で出力,さらに出力したデータをプロットするプログラムを作成しました. 日本株・外国株いずれにも対応しています. 参考までに,例として出力した日経平均株価1のCSVファイルはこちら,さらにプロットすると以下のようになります. ソースコードの紹介 まず,作成したソースコードを紹介します. #!/usr/bin/env python3 # -*- coding:utf-8 -*- ''' 株価データのプロット・CSVへの出力 ''' import datetime as dt from pandas import DataFrame import jsm import pandas_datareader.data as web import matplotli
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
PCV - an open source Python module for computer vision Download .zip Download data View on GitHub PCV is a pure Python library for computer vision based on the book "Programming Computer Vision with Python" by Jan Erik Solem. The final pre-production draft of the book (as of March 18, 2012) is available under a Creative Commons license. Note that this version does not have the final copy edits and
memoring コンピュータを研究に使うための私的メモ。Python、Fortran、Ubuntu、etc... トップページページ一覧メンバー掲示板編集 ×ばつ matplotlib 最終更新: miyacdoor 2014年03月07日(金) 11:35:22履歴 Tweet 基本 インポート プロット 図を閉じる アクティブなオブジェクトの取得 カレントaxisを変更する。 GUIでの操作 インタラクティブモード 図の大きさ・配置・色 キャンバスのサイズ・解像度を設定する。 図の余白 背景を透明にする。 色の巡回パターンを指定する。 マルチプロット 複数の図を描く サイズの違う図を並べる AxesGrid toolkit マルチプロットをタイル状に配置する 凡例 凡例を表示 オプション 凡例の位置を自由に決める 凡例のフォントサイズを変える 凡例の表示順序を逆にする。 判例を複数列にし
Pythonというと、日本では長らくややマイナーな存在でしたが、ここに来ていきなり、最も重要なプログラミング言語になった感があります。もし、"PRG48"というグループがあって、"プログラミング言語総選挙"をやったとしたら、人気急上昇で1位になりそうな勢い...。すみません、つまらない例えをしてしまいました。 Python人気の最大の理由は最近の人工知能ブームでしょう。「TensorFlow」や「scikit-learn」といった機械学習の有名ライブラリがPython向けに提供されているので、「人工知能や機械学習を学ぶならPython」という認識が広まっています。 書店の技術書売り場へ行くと機械学習をPythonのコードとともに解説する本が何冊も並んでいます。この出版不況のご時世に、お世辞にも簡単とは言えない機械学習の本が何冊も出ている状況は、日本のソフトウエア業界の未来は案外明るい、と思わせ
今回は matplotlib を使って動的にグラフを生成する方法について。 ここでいう動的というのは、データを逐次的に作って、それを随時グラフに反映していくという意味を指す。 例えば機械学習のモデルを学習させるときに、その過程 (損失の減り方とか) を眺める用途で便利だと思う。 使った環境は次の通り。 $ sw_vers ProductName: Mac OS X ProductVersion: 10.13.5 BuildVersion: 17F77 $ python -V Python 3.6.5 $ pip list --format=columns | egrep -i "(matplotlib|pillow)" matplotlib 2.2.2 Pillow 5.2.0 もくじ もくじ 下準備 静的にグラフを生成する 動的にグラフを生成する グラフを延々と描画し続ける Jupyte
TL;DR ipython notebook --pylab inlineのかわりにipython notebook --matplotlib inlineを使おう.もしくはipythonの始めに%matplotlib inlineを実行しておく. iPython Notebookについて 周知の事実だとは思うが,iPythonは超便利なPythonのインタラクティブシェルだ.その一部としてiPython Notebookというのがあり,ブラウザでコードを実行できたり,実行結果をノートとして保存したり,matplotlibなどで描写したグラフをノートの中にそのまま表示したりできる.RでいうところのRstudio+knitrのような,解析レポートを作るときには重宝するツールとなっている. (http://nbviewer.ipython.org/gist/twiecki/3962843より)
ちなみに Matplotlib はおそらく2次元グラフィック用の Python パッケージの決定版です。高速なデータの可視化手法や出版品質の図を多くのフォーマットで提供します。これから対話モードで matplotlib の機能を調べていきましょう。 ほとんどの状況は対話モードですませることができます。
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
Matplotlib: Visualization with Python Matplotlib is a comprehensive library for creating static, animated, and interactive visualizations in Python. Matplotlib makes easy things easy and hard things possible. Create publication quality plots. Make interactive figures that can zoom, pan, update. Customize visual style and layout. Export to many file formats. Embed in JupyterLab and Graphical User I
はじめに 本記事はPython2.7, numpy 1.11, scipy 0.17, scikit-learn 0.18, matplotlib 1.5, seaborn 0.7, pandas 0.17を使用しています. jupyter notebook上で動作確認済みです.(%matplotlib inlineは適当に修正してください) SklearnのManifold learningの記事を参考にしています. 多様体学習と言われる手法について,sklearnのdigitsサンプルを用いて説明します. 特にt-SNEはKaggleなどでもたまに使用されている,多次元データの可視化に適した手法です. また可視化だけでなく,元のデータと圧縮されたデータを結合することで,単純な分類問題の精度を向上することができます. 目次 データの生成 線形要素に注目した次元削減 Random Proj
カルマンフィルタは、時間変化するシステムの、誤差のある離散的な観測から現在の状態を推定する手法。Wikipediaの記事(カルマンフィルター)がわかりやすい。 状態方程式と観測方程式が次のように与えられているとき (状態方程式) (観測方程式) (ノイズ) (フィルタ分布)線形カルマンフィルタ(LKF; Linear Kalman Filter)は μt, Σt, ut, yt+1 を入力として、 μt+1, Σt+1を出力する。1ステップのプロセスは以下のとおり。 # prediction (現在の推定値) (現在の誤差行列)# update (観測残差) (観測残差の共分散) (最適カルマンゲイン) (更新された現在の推定値) (更新された現在の誤差行列)観測を得るごとにPredictionとUpdateを繰り返すことで、現在の状態を推定します。 導出は後述(予定)。 例題を。 2次元
Products AI PLATFORMANACONDA AI PLATFORM PRICING Solutions BY INDUSTRY PROFESSIONAL SERVICES Resources RESOURCE CENTER FOR USERS Company COMPANY CONTACT PARTNER NETWORK Free DownloadSign InGet Demo
› This page is for LHD/NIFS collaborators only. › Input your email address used for LHD/NIFS collaboration into the "Login Name" field. Before using this authentication system, please set your password via a web page. › More info and help. National Institute for Fusion Science, National Institutes of Natural Sciences
Rubyは、Webアプリケーションの領域を中心に利用が広がっているが、データ解析の分野ではライバルであるPythonに大きく遅れを取っている。本発表では、Rubyによるデータ解析の現状と今後の発展についての展望を述べた。 DCワークショップ2016(http://dcworkshop.github.io/201602/0_about.html)での発表。
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く