Matplotlib Tutorial

Matplotlib:

            

                It is a library to create graph plotting in data science.

Import Matplotlib:

                            

                Import matplotlib

This line used to import matplotlib.

Find Version:

                import matplolib

                print(matplotlib.__version__)

This line used to find matplotlib version.

Pyplot:

            Most commonly used utility is pyplot.

            

Import Pyplot:

            import matplotlib. pyplot as plt

This line used to import the pyplot module.

Example:

                import matplotlib.pyplot as plt

        import numpy as np
        xpoints = np.array([0, 5])
        ypoints = np.array([0, 100])
        plt.plot(xpoints, ypoints)
        plt.show()

Output:    

                    

Set Position:

Example:

                import matplotlib.pyplot as plt

        import numpy as np
        xpoints = np.array([1, 5])
        ypoints = np.array([4, 10])
        plt.plot(xpoints, ypoints, 'o')

        plt.show()     

Output:  

                

      It shows only the position of the x,y points by using plt.plot(xpoints, ypoints, 'o')

Multiple Points:

            import matplotlib.pyplot as plt

            import numpy as np
            xpoints = np.array([2,4,7,9])
            ypoints = np.array([6,3,8,1])
            plt.plot(xpoints, ypoints)
            plt.show()

Output:

            

Default X Points:

            import matplotlib.pyplot as plt

            import numpy as np
            ypoints = np.array([3, 8, 1, 10, 5, 7])
                         plt.plot(ypoints)
            plt.show()

Output:

            

Markers:     

                import matplotlib.pyplot as plt

        import numpy as np
        ypoints = np.array([1,4,6,3])
        plt.plot(ypoints, marker = 'o')

        plt.show()               

Output:

                

Point the position by the markers code plt.plot(ypoints, marker = 'o')

Marker own symbol:

        import matplotlib.pyplot as plt

        import numpy as np
        ypoints = np.array([1,4,6,3])
        plt.plot(ypoints, marker = '*')

        plt.show()        

Output:

Line Style:

                 import matplotlib.pyplot as plt

        import numpy as np
        ypoints = np.array([3, 8, 1, 10])
        plt.plot(ypoints, linestyle = 'dotted')
        plt.show()

Output:     

                

           We have more line style like this dashed(), dashdot().

Line Color:

                import matplotlib.pyplot as plt

        import numpy as np
        ypoints = np.array([3, 8, 1, 10])
        plt.plot(ypoints, color = 'pink')
        plt.show()

Output:

        

we can use ,ore colors by using plt.plot(ypoints, color = 'pink')

Line Width:

        import matplotlib.pyplot as plt
        import numpy as np
        ypoints = np.array([3, 8, 1, 10])
        plt.plot(ypoints, linewidth = '25.0')
        plt.show()

Output:

Labels:

        import numpy as np
        import matplotlib.pyplot as plt
        x = np.array([80, 85, 90, 95, 100, 105, 110, 115, 120, 125])
        y = np.array([240, 250, 260, 270, 280, 290, 300, 310, 320, 330])
        plt.plot(x, y)
        plt.title("Income")
        plt.xlabel("Average ")
        plt.ylabel("Days")
        plt.show()

Output:

     

We can add labels like this.

Grid Lines:

        import sys

        import matplotlib

        matplotlib.use('Agg')

        import numpy as np

        import matplotlib.pyplot as plt

        x = np.array([80, 85, 90, 95, 100, 105, 110, 115, 120, 125])

        y = np.array([240, 250, 260, 270, 280, 290, 300, 310, 320, 330])

        plt.title("Income")

        plt.xlabel("Average")

        plt.ylabel("Days")

        plt.plot(x, y)

        plt.grid()

        plt.show()

Output:

        

We can add horizontal and vertical lines only by using plt.grid(axis = 'x'), 

plt.grid(axis = 'y')

Bar Chart:

        import matplotlib.pyplot as plt

        import numpy as np
        x = np.array(["A", "B", "C", "D"])
        y = np.array([3, 8, 1, 10])
        plt.bar(x,y)
        plt.show()

Output:

Histograms:

                  import sys

                  import matplotlib

                  matplotlib.use('Agg')

                  import matplotlib.pyplot as plt

                  import numpy as np

                  x = np.random.normal(150,50,230)

                  plt.hist(x)

                  plt.show()

Output:

Pie Chart:

        import matplotlib.pyplot as plt
        import numpy as np
        y = np.array([35, 25, 25, 15])
        plt.pie(y)
        plt.show() 

Output:

Pandas Tutorial                      

Pandas:

        Working with Data sets and Arrays for analyze, clean, and manipulating Data. 

  Import Pandas:

    Coding

        Import pandas as pd  

Example 

Checking pandas version

         Coding

                import pandas as pd

                print(pd.__version__)

This coding used to know about our pandas versions.

Data Frames:

        Example 1:

       Coding

            import pandas as pd

            mydataset = { 'TVs': ["Sony", "Samsung", "LG"], 'Passings': [3, 7, 2]

                                  }

            myvar = pd.DataFrame(mydataset)

            print(myvar)

Output:

                                Tvs                            Passings

            0           Sony                                        3

            1           Samsung                                 7

            2           LG                                           2

In this example we set the data's into data frames

pd.DataFrame(mydataset) Used to set data frames

Find Location:

            

            Coding

                        

                        print(df.loc[1])

Output:

                       TVs Samsung

            Passings          7
            Name: 1, dtype: object

Read CSV File:

                We use csv files or excel, sheets for the data analysis.

                 These files having all the details of the project what we done.

                Store big data's into this csv files.

Example:

               import pandas as pd

        df = pd.read_csv('example.csv')

        print(df.to_string()) 

Output:

            Tvs                            Passings

            0           Sony                                        3

            1           Samsung                                 7

            2           LG                                           2

            3           Panasonic                                4

            4           Mi                                             6

            5           Sansui                                       5

In this Example we read the csv file by using pd.read_csv('example.csv').

It will analyse the all data in the csv file and show all the data's.

Read Json File:

Example:

          import pandas as pd

     df = pd.read_json('Example.json')

     print(df.to_string()) 

Output:

                             Tvs                            Passings

            0           Sony                                        3

            1           Samsung                                 7

            2           LG                                           2

            3           Panasonic                                4

            4           Mi                                             6

            5           Sansui                                       5

In this example we using Json Files.                    

JavaScript Object Notation(JSON) lightweight format for storing and transporting data.

We can resd the Json files by using pd.read_json('Example.json')

Viewing The Data's

head() Function:

Example:

        import pandas as pd

        df = pd.read_csv('Example.csv')

        print(df.head(3))

Output:

                            Tvs                            Passings

            0           Sony                                        3

            1           Samsung                                 7

            2           LG                                           2

head () function used to show first 3 data's of the csv file.

Tail() Function:

               import pandas as pd

        df = pd.read_csv('Example.csv')

        print(df.tail(3))

Output:

                

            3           Panasonic                                4

            4           Mi                                             6

            5           Sansui                                       5

In this tail function used show last data's of the csv file.

Cleaning Data:

            Data cleaning is the process of remove empty cells, Wrong data's, Wrong format data, Duplicate Data's.

Example:

               import pandas as pd

        df = pd.read_csv('example.csv')

        new_df = df.dropna()

        print(new_df.to_string())

dropna() function is used to remove empty cells from our data's.

Wrong format data Correction:

 Example:

        import pandas as pd

    df = pd.read_csv('example.csv')

    df['Date'] = pd.to_datetime(df['Date'])

    print(df.to_string())

Convert wrong format of data into correct format.

In this exapmle used to convert correct format of date.

Wrong Data Correction:

        df.loc[4, 'Duration'] = 8

In this example we correct the data by its location.

Remove Duplicates:

       

         print(df.duplicated())

this line used to find duplicates.

         df.drop_duplicates(inplace = True)

this line used to drop duplicates.

Correlation:

            df.corr()

this line used to correlate the columns of the datasets.