#!/usr/bin/env python
# coding: utf-8

# # Основы программирования в Python
# 
# *Алла Тамбовцева*

# ### Основы работы с библиотекой `matplotlib`

# С библиотекой `matplotlib` мы уже сталкивались, когда строили статистические графики на основе данных из датафреймов `pandas`. Но с помощью `matplotlib` можно строить не только гистограммы, графики плотности и диаграммы рассеяния, но и вообще любые графики. 
# 
# Для начала построим простенький график для визуализации данных в двух списках. Импортируем модуль pyplot из библиотеки и добавим питоновскую "магическую" строчку для того, чтобы графики отображались прямо в ipynb-файле.

# In[5]:


import matplotlib.pyplot as plt
get_ipython().run_line_magic('', 'matplotlib inline')


# Создадим два небольших списка.

# In[6]:


X = [-2, -0.5, 0, 2, 5, 8, 9, 10]
Y = [4, 0.25, 0, 4, 25, 64, 81, 100]


# Построим график.

# In[7]:


plt.plot(X,Y)


# Как можно заметить, в списке `Y` сохранены элементы списка `X`, возведенные в квадрат. Однако наш график не похож на ветвь параболы, он какой-то угловатый. Это нормально, потому что в списках у нас всего по 8 элементов, то есть, всего 8 точек на графике соединяются линиями. Если бы точек было больше, график был бы более гладким. Воспользуемся функцией `linspace` из библиотеки `numpy` (вот она нам и пригодилась!).

# In[8]:


import numpy as np


# In[9]:


x = np.linspace(-2, 10, 100) # 100 точек
x


# In[10]:


plt.plot(x, x**2)


# Так график больше похож на параболу. Могли бы изобразить ее полностью, определенную на участке от -10 до 10.

# In[11]:


x = np.linspace(-10, 10, 200)
plt.plot(x, x**2)


# Поменяем цвет линии по умолчанию на какой-нибудь другой.

# In[12]:


plt.plot(x, x**2, 'lightblue')


# Или так:

# In[14]:


plt.plot(x, x**2, 'red')


# Список цветов в Python см. [здесь](https://matplotlib.org/users/colors.html). 
# 
# Теперь изменим тип линии. По умолчанию используется сплошная линия, но ее можно заменить на пунктирную или что-то подобное:

# In[17]:


plt.plot(x, x**2, 'red', linestyle = '--')


# In[18]:


plt.plot(x, x**2, 'red', linestyle = '-.')


# Список всех типов линий см. [здесь](https://matplotlib.org/gallery/lines_bars_and_markers/line_styles_reference.html). 

# Кроме того, можно изменить толщину линии, добавив аргумент `linewidth`.

# In[24]:


plt.plot(x, x**2, 'red', linewidth = 3)


# Теперь построим график, состоящий только из точек (можно считать диаграммой рассеяния).

# In[25]:


plt.scatter(X, Y)


# Теперь будем менять цвет точек и тип точек (тип маркера) одновременно.

# In[26]:


plt.scatter(X, Y, color ='red', marker = 'o')


# In[27]:


plt.scatter(X, Y, color ='red', marker = '*')


# In[28]:


plt.scatter(X, Y, color ='green', marker = '2')


# Список маркеров смотри [здесь](https://matplotlib.org/api/markers_api.html).

# Если бы все строки кода со `scatter()` были в одной ячейке, то графики бы просто накладывались друг на друга.

# In[30]:


plt.scatter(X, Y, color ='red', marker = 'o')
plt.scatter(X, Y, color ='blue', marker = '*')
plt.scatter(X, Y, color ='green', marker = '2')


# Если присмотреться, то на красных точках можно увидеть синие звездочки и зеленые треугольники. Чтобы такого не происходило (например, если вы создаете и сохраняете графики в цикле в пределах одной ячейки), нужно добавить строку с функцией `clf()`, которая очищает координатную плоскость для следующего графика (*clf* ‒ от *clear figure*).

# In[31]:


plt.scatter(X, Y, color ='red', marker = 'o')
plt.clf()
plt.scatter(X, Y, color ='blue', marker = '*')


# На плоскости представлен только последний график с синими звездочками, красные точки от первого графика был стерты с помощью `clf()`.

# При построении графиков стоит иметь в виду, что функция `plot()` всегда соединяет точки, причем последовательно, в том порядке, в котором они следуют в списках или массивах. Из-за этой особенности, допустив ошибку, связанную с заданием неверной области определения функции, можно получить некорректные графики. Построим для примера гиперболу.

# In[32]:


x = np.linspace(-100, 100, 100)
y = 1/x
plt.plot(x, y)


# Полученный график не совсем похож на гиперболу! Как известно, в точке $x=0$ график уходит на бесконечность, линия при $x=0$ отсутствует. А здесь она есть! Избавимся от нее, построив график "по кусочкам".

# In[35]:


x1 = np.linspace(-100, 0, 100) # x < 0
y1 = 1/x1

x2 = np.linspace(0, 100, 100) # x > 0
y2 = 1/x2

plt.plot(x1, y1, 'blue')
plt.plot(x2, y2, 'blue')


# В завершение попробуем построить целый рисунок (*figure*), состоящий сразу из нескольких графиков (подграфиков). Построим разные типы функций: $y=x^2$, $y=x^3$, $y=e^x$ и $y=|x|$. Сначала создадим соответствующие массивы значений:

# In[36]:


x = np.linspace(-100, 100, 100)
y = x ** 2
z = x ** 3
r = np.exp(x)
m = abs(x)


# Создадим рисунок (*figure*):

# In[37]:


plt.figure(1)


# А теперь будем добавлять в него графики, указывая их расположение. В функции `subplot()` указывается число. Первые две цифры ‒ это число графиков в строке и столбце (здесь 2 на 2, поэтому `22`). Последняя цифра ‒ это положение графика: левый верхний угол (`1`), правый верхний угол (`2`), левый нижний угол (`3`), правый нижний угол (`4`).

# In[39]:


plt.subplot(221)
plt.plot(x, y) # x^2
plt.title('parabola')
plt.grid(True)

plt.subplot(222)
plt.plot(x, z) # x^3
plt.title('hyperbola')
plt.grid(True)

plt.subplot(223)
plt.plot(x, r) # e^x
plt.title('exponent')
plt.grid(True)

plt.subplot(224)
plt.plot(x, m) # |x|
plt.title('abs')
plt.grid(True)


# Строка `plt.grid(True)` нужна для того, чтобы на графиках были добавлены линии разметки, привычные нам "клеточки", которые позволяют удобным образом определять координаты точек на графике.

# И напоследок: как сохранить график в файл. Очень просто. Например, так.

# In[40]:


plt.figure(1)
plt.scatter(X, Y, color ='red', marker = '*')
plt.savefig('MyScatter.png') # ищем файл в рабочей папке (рядом с текущим ipynb-файлом)


# Мы достаточно кратко обсудили возможности библиотеки `matplotlib`, но на этом ее возможности не заканчиваются. Кому интересно, стоит посмотреть документацию по `matplotlib`, а также заглянуть в галерею с примерами графиков, которые можно адаптировать под свои задачи и данные.
# 
# Если кто-то привык работать в R и полюбил вид графиков `ggplot2`, можно установить [библиотеку](http://ggplot.yhathq.com/install.html) `ggplot` для Python. Кроме того, можно поработать с библиотекой [seaborn](https://seaborn.pydata.org/), она предоставляет много возможностей для построения статистических графиков, и выглядят ти графики тоже очень симпатично.
# 
# Если хочется более продвинутой интерактивной графики, связанной со статистическими моделями, стоит обратить внимание на библиотеку GraphLab. Она интересна не только графикой, но и другими вещами, но есть один минус: библиотека платная. Однако есть возможность получить доступ по учебной лицензии и даже продлевать ее, особенно, если учесть, что GraphLab используется в некоторых курсах на Coursera, что тоже облегачает получение доступа ([пример](https://www.coursera.org/learn/ml-foundations/home/welcome) такого курса).