Compendio

• Python permite la creación gratuita de tramas, a diferencia de las calculadoras caras y estancadas.

• Importar Numpy y matplotlib para gráficos básicos lineales y polinomiales en Python.

• Seborn le permite hacer parcelas estadísticas, como gráficos de barras, histogramas y regresión, con Python de forma gratuita.

Las calculadoras gráficas son bártulos en los cursos de matemáticas y ciencias, pero son caros para una categoría que ha cambiado muy poco desde su comienzo en 1985. Python le permite hacer tramas de ecuaciones comunes y gráficos estadísticos de forma gratuita con las bibliotecas correctas.

Gráficos básicos con Numpy y Matplotlib

Es dócil crear gráficos lineales y polinomiales básicos con Python. Una preeminencia es que estarán en contraste con las calculadoras básicas que solo ofrecen pantallas monocromáticas, en comparación con la forma en que las calculadoras gráficas se han estancado, poco que xkcd ha señalado. La mejor forma de hacerlo es ejecutar Python en la terminal o en un cuaderno de Jupyter. Si está utilizando el terminal, le recomiendo usar Ip olethonya que tiene muchas características para favorecer el uso interactivo y es la pulvínulo para usar Python en Jupyter.

Para importar Numpy en su sesión o script de Python, solo use este comando:

        import numpy as np
    

Acortar el comando hará que sea más dócil de escribir.

Además debe importar la biblioteca de trazado matplotlib. Esto igualmente es dócil de hacer:

        import matplotlib.pyplot as plt
    

Si está trabajando en un cuaderno de Jupyter, cualquier dibujo que haga aparecerá en una ventana separada en emplazamiento de en el cuaderno. Es posible que desee cambiar esto a la pantalla en partidura con un “comando mágico”:

        %matplotlib inline
    

Con esos preliminares fuera del camino, podemos puntualizar nuestras ecuaciones para trazar.

Para trazar una ecuación directo, recuerde que la forma de intersección de la irresoluto es y = mx + b, donde “m” es la irresoluto, o inclinación, de la partidura y “b” es la intersección y, donde cruza el eje y, o el eje erguido en un plano 2D.

Configuraremos nuestro eje X con el comando np.linspace, que configurará una matriz de títulos uniformemente espaciada. Este comando configurará un eje X de 50 puntos de datos entre -10 y 10:

        
np.linspace(-10,10)

    

Almacenaremos la irresoluto en una variable. Podríamos ponerlo directamente en la fórmula, pero el uso de variables nos permitirá cambiar los títulos más fácilmente. Usaremos la variable “M” para nuestra irresoluto, que será 3.5:

        m = 3.5
    

Usaremos “B” para nuestra intersección y:

        b = 5
    

El eje y multiplicará cada valía de x por la irresoluto y agregará la intersección x: y

        y = m*x + b

    

Ahora haremos nuestra trama:

        plt.plot(x,y)
plt.grid()

    

El comando plt.plot () flama a matplotlib para trazar los títulos x e y, y el comando plt.grid () crea una cuadrícula detrás de la gráfica para que podamos ver los ejes más claramente.

Puede trazar una ecuación cuadrática utilizando un método similar. Una ecuación cuadrática clásica es Ax² + Bx + C. Podemos establecer variables para A, B y C, así como crear un eje X:

        
x = np.linspace(-10,10) 
a = 1
b = 2
c = -3
y = a*x**2 + b*x + c
plt.plot(x,y)
plt.grid()
    

Mientras que en la multiplicación de álgebra está implícita, como “Ax”, en Python, debe definirla explícitamente. Por ejemplo:

** Además es el cámara de exponentes en Python. Entonces X² en Python está escrito como x ** 2.

Los polinomios de grados más altos, como cúbicos (en cubos) y cuárticos (elevados a la cuarta potencia) funcionan de forma similar.

Creación de gráficos algebraicamente con Sympy

Una alternativa al uso de Numpy es Síntomas, Una biblioteca de álgebra por computadora para Python. Sympy opera en símbolos de la forma en que funciona una calculadora numérica o un software de Python regular en números. Para los gráficos, Numpy ofrece una forma más concisa de puntualizar ecuaciones, similar a cómo trabajaría con ellos usando lapicero y papel.

Puede instalar Sympy con PIP:

        pip install sympy
    

Para trabajar con Sympy, debe importarlo y puntualizar variables simbólicas. Sympy incluye un script llamado isympy que puede ejecutar desde el terminal que lo carga y define algunas variables comunes como X e Y para usted, configura una impresión conveniente, luego comienza una sesión interactiva. Además puede configurarlo en un cuaderno Jupyter o una sesión de Python interactiva regular:

        from sympy import *
x = symbols('x') 
init_printing()
    

Esto le dice a Python que cuantía a Sympy en el espacio de nombres principal, defina una variable X simbólica y configure “Pretty Printing”. Esto hará que la salida se vea más como lo hace en un texto de texto de matemáticas. Las variables simbólicas deben definirse antaño de que pueda usarlas con Sympy.

Podemos usar variables regulares para los coeficientes como lo hicimos con Numpy. Trazaremos la ecuación directo de antaño usando Sympy:

        m = 3.5
b = 5
plot(m*x + b,(x,-10,10))
    

La función del dibujo crea una gráfica 2D con la forma de pendiente-intersección de la ecuación, y la parte (x, -10,10) especifica el rango de dibujo, entre los títulos x de -10 y 10. Este igualmente será el rango predeterminado si omite esa sección. Observe que los ejes están encajado en el dibujo.

Recuerde cerrar todos los paréntesis. Ipython y Jupyter lo ayudarán resaltando a los paréntesis cuando los escriba.

Los cuadráticos y otros polinomios funcionan de la misma forma:

        a = 1
b = 2
c = -3
plot(a*x**2 + b*x + c,(x,-10,10))

    

Hacer diagramas estadísticas

Adicionalmente de trazar líneas y curvas, Python se puede usar para hacer gráficos estadísticos. Claro, podría hacer esto en una hoja de cálculo como Excel, LibreOffice Calc o Google Sheets, pero batalla que la salida se ve mejor de esta forma que usar una hoja de cálculo.

En esta sección, usaremos la Biblioteca Seborn, que he cubierto anteriormente, para visualizar datos estadísticos con Python de la forma que lo haría con una calculadora gráfica en una clase de estadísticas.

Puede instalarlo con PIP:

        
pip install seaborn
    

Importemos Seaborn en nuestra sesión de Ipython o en el cuaderno Jupyter.

        
import seaborn as sns
    

Al igual que con Numpy antaño, importar de esta forma ahorrará en la escritura.

Seborn tiene varios conjuntos de datos incluidos para entretenerse. Usaremos un conjunto de datos de consejos en los restaurantes de Nueva York:

        
tips = sns.load_dataset('tips')
    

Podemos ver las columnas de nuestro conjunto de datos, que se encuentra en el formato de un entorno de datos PANDAS, similar a una hoja de cálculo, utilizando la función Head ():

        
tips.head()
    

Incluso puede importar sus propios datos de hoja de cálculo de Excel u otro software. Por ejemplo, para adivinar un archivo CSV:

        import pandas as pd
data = pd.read_csv("/path/to/data.csv")
    

Con los datos cargados, podemos comenzar a mirarlos. Para ver una tabla de barras simple de la disposición total durante los días de la semana, use la función Catplot:

        sns.catplot(x='day',y='total_bill',kind='bar',data=tips)
    

Otra gráfica útil es un histograma, que muestra la distribución de los datos. Para ver las cantidades más frecuentes para consejos, use la función de desplazamiento:

        sns.displot(x='tip',data=tips)

    

Un diagrama de caja, o más correctamente un diagrama de caja y bigotador, lo ayudará a visualizar el rango de sus datos. Veamos nuevamente la disposición total, pero modifiquemos el tipo de una tabla de bares a un diagrama de caja:

        sns.catplot(x='day',y='total_bill',kind='box',data=tips)
    

Los cuadros muestran el 50%medio, o mediana, de cada categoría, representadas por la partidura en el medio, mientras que las líneas en la parte superior e inferior, los “bigotes” representan los títulos máximos y mínimos.

Una forma poderosa de ver los datos es a través de diagramas de dispersión y regresión. Un diagrama de dispersión analiza una variable independiente en el eje x frente a una variable dependiente en el eje y para ver si hay una relación.

Veamos cómo las puntas del restaurante están relacionadas con la disposición total.

        sns.relplot(x='total_bill',y='tip',data=tips)
    

¿Observe cómo los títulos parecen alinearse a lo grande de una partidura recta? Podemos visualizar esto con una partidura de regresión utilizando la función Regplot. Es esencialmente “relplot” cambiado por una sola verso:

        
sns.regplot(x='total_bill',y='tip',data=tips)

    

Verá la partidura superpuesta en el diagrama de dispersión innovador. Puede hacer un descomposición de regresión más formal para determinar cuánto de correlación hay, pero parece ser un buen ajuste al examinar la partidura en comparación con los puntos de datos.

---

Si perfectamente es posible que aún deba ratificarse a su calculadora gráfica para los exámenes, cuando está haciendo su tarea, explorando datos o incluso jugando, las tramas de Python se ven mejor y igualmente son gratuitas. No tienes que ser un nerd matemático para apreciar ese valía.