Python Библиотеки. Джейд Картер

pandas as pd

      import matplotlib.pyplot as plt

      import seaborn as sns

      ```

      Здесь мы импортируем необходимые библиотеки. `pd` – это стандартное соглашение для обозначения библиотеки Pandas. `matplotlib.pyplot` используется для создания графиков, а `seaborn` – библиотека для стилизации графиков и добавления дополнительных функций визуализации.

      – Создание данных:

      ```python

      data = {'Имя': ['Анна', 'Борис', 'Виктория'],

      'Возраст': [25, 30, 22],

      'Город': ['Москва', 'Санкт-Петербург', 'Киев']}

      df = pd.DataFrame(data)

      ```

      Мы создаем простой DataFrame с тремя колонками: 'Имя', 'Возраст' и 'Город'. Эти данные представляют собой три записи с именами, возрастами и городами.

      Настраиваем стиль seaborn:

      ```python

      sns.set(style="whitegrid")

      ```

      Эта строка устанавливает стиль для графика с помощью библиотеки seaborn. Здесь мы выбрали стиль "whitegrid", который добавляет белую сетку на фоне графика.

      – Создаем гистограмму:

      ```python

      plt.figure(figsize=(8, 6))

      sns.histplot(df['Возраст'], bins=20, kde=True, color='skyblue')

      ```

      Здесь мы создаем гистограмму для столбца 'Возраст' из DataFrame. `figsize=(8, 6)` устанавливает размер графика. `bins=20` указывает количество столбцов в гистограмме. `kde=True` добавляет оценку плотности на гистограмму. `color='skyblue'` задает цвет графика.

      – Добавляем подписи и заголовок:

      ```python

      plt.xlabel('Возраст', fontsize=12)

      plt.ylabel('Частота', fontsize=12)

      plt.title('Гистограмма возрастов', fontsize=14)

      ```

      Эти строки добавляют подписи к осям и заголовок для улучшения понимания графика

      – Добавляем сетку:

      ```python

      plt.grid(axis='y', linestyle='–', alpha=0.7)

      ```

      Эта строка добавляет горизонтальную сетку для лучшей читаемости.

      – Показываем график:

      ```python

      plt.show()

      ```

      И наконец, эта строка отображает график.

      Этот код создает красивую гистограмму с данными о возрасте и демонстрирует базовые шаги визуализации данных с использованием библиотек Pandas, Matplotlib и Seaborn в Python.

      Pandas предоставляет эффективные инструменты для работы с табличными данными, что делает его широко используемым в анализе данных, машинном обучении и других областях. DataFrame позволяет легко выполнять множество операций, от фильтрации и группировки данных до визуализации результатов. Это делает Pandas мощным инструментом для аналитики и обработки данных в Python.

      Приведем примеры фильтрации, сортировки и агрегации данных с использованием библиотеки Pandas на основе предположимого DataFrame с информацией о людях:

      В этом примере мы использовали фильтрацию для выбора только тех записей, где возраст больше 25 лет.

      Здесь мы отсортировали DataFrame по столбцу 'Возраст' в порядке убывания.

      В данном примере мы использовали агрегацию для расчета среднего возраста и суммы зарплаты для каждого города.

      Эти примеры показывают базовые операции фильтрации, сортировки и агрегации данных с Pandas, которые могут быть полезны при работе с табличными данными.

2.3. Matplotlib

      Matplotlib – это библиотека для визуализации данных в языке программирования Python. Она предоставляет множество инструментов для создания различных типов графиков и диаграмм. Давайте рассмотрим несколько