Jupyter Notebooks und Matplotlib

Notizen

  • Eine andere Möglichkeit zur Interaktion mit Python, die sich insbesondere in der wissenschaftlichen Community viel verwendet wird, besteht in den sog. Jupyter Notebooks, die sich aus IPython entwickelt haben. Auch diese Möglichkeit ist mit Anaconda vorinstalliert. Jupyter Notebooks bieten eine einfache Möglichkeit, eine interaktive Python-Sitzung inklusive der erzeugten Ausgaben und eventueller Kommentare abzuspeichern und auszutauschen. Der Aufruf von Jupyter in der Windows-Eingabeaufforderung erfolgt durch die Eingabe von jupyter notebook. Daraufhin öffnet sich ein Browserfenster, von dem aus eine ipynb-Datei eingelesen oder eine neue erstellt werden kann.

  • Eine hervorragende Informationsquelle für die Verwendung von Python, IPython und insbesondere Jupyter im wissenschaftlichen Kontext ist das Python Data Science Handbook von Jake VanderPlas. Der komplette Inhalt des Buches steht auch als eine Kollektion von Jupyter-Notebooks zur Verfügung, die Sie hier online lesen und unter diesem Link auch für die interaktive Beschäftigung herunterladen können (Knopf rechts oben „Clone or Download“, dann „Download ZIP“).

  • Matplotlib ist ein umfangreiches und mächtiges Programmpaket zum Plotten von Daten. In den meisten Python-Distributionen, die für den Einsatz in der Wissenschaft konzipiert sind, ist es bereits enthalten. Die offizielle Dokumentation finden Sie hier, und ein gutes Tutorial mit Übungen zum Nachmachen hier.

  • Ebenfalls nützlich sind die neuen Tutorials auf der Matplotlib-Webseite sowie die Galerie von Beispiel-Plots, in der man für jede Beispielgrafik den Quelltext abrufen kann, mit dem sie erzeugt wurde. Das macht die Modifikation für die eigenen Bedürfnisse einfach.

  • das erste Test-Notebook aus der Vorlesung

  • Anfangs kann es verwirrend sein, dass Matplotlib verschiedene Möglichkeiten der Benutzung bietet, eine objektorientierte, in der die Figures und Axes (Achsenpaare) benannte Objekte sind, und eine bewusst an MATLAB angelehnte Kommandoversion. Der folgende Artikel beschreibt die Unterschiede: plt.xxx() or ax.xxx(), That is the Question in Matplotlib

  • Graphen können in einem Python-Skript z.B. direkt nach der numerischen Bearbeitung von Daten automatisch generiert werden. Das folgende Skript generiert einen Plot mit zwei Graphen und modifiziert einige der default-Eigenschaften.

     1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
    # Standard-Einbindung der Matplotlib-Funktionalitaeten ueber ein MATLAB-
# artiges Befehlsinterface
import matplotlib.pyplot as plt
import numpy as np

# Generierung der "Leinwand", auf der die Plots gezeichnet werden, Ausdehnung
# in Zoll, Aufloesung in dpi, Dots per Inch
fig = plt.figure(figsize=(8, 6), dpi=80)

# Create a new subplot from a grid of 1x1
ax = fig.add_subplot(1, 1, 1)

# x-Werte fuer die beiden Beispielplots als eindimensionales numpy-Array
# generieren
X = np.linspace(-np.pi, np.pi, 256, endpoint=True)
C, S = np.cos(X), np.sin(X)  # Und die y-Werte dazu

# Plot cosine with a blue continuous line of width 1 (pixels)
ax.plot(X, C, color="blue", linewidth=2.5, linestyle="--")  # erster Graph

# Plot sine with a green continuous line of width 1 (pixels)
ax.plot(X, S, color="green", linewidth=1.0, linestyle="-")  # zweiter Graph

# Definition einer ausgefuellten Flaeche zwischen den Graphen
ax.fill_between(X, C, S, where=C > S, facecolor="green")

# Modifikation der Plot-Umrandung, Verschiebung der Achsen in die Plot-Mitte
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_position(('data', 0))
ax.xaxis.set_ticks_position('bottom')
ax.spines['left'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')

# Set x limits
ax.set_xlim(X.min() * 1.1, X.max() * 1.1)

# Set x ticks
# Beschriftung mit LaTeX-Syntax moeglich!
ax.set_xticks([-np.pi, -np.pi / 2, 0, np.pi / 2, np.pi])
ax.set_xticklabels([r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])

# Set y limits
ax.set_ylim(C.min() * 1.1, C.max() * 1.1)

# Set y ticks
ax.set_yticks(np.linspace(-1, 1, 5, endpoint=True))

# Show result on screen
plt.show()

# Abspeichern mit
# plt.savefig('test.png')

  • Ein schönes Beispiel für die Möglichkeiten von Matplotlib finden sie hier. Es handelt sich um die animierte Darstellung eines sogenannten Lorenz-Attraktors, der Lösung eines Satzes von Differentialgleichungen, die ein chaotisches Verhalten zeigt. Das Skript können sie direkt herunterladen und in der eigenen Python-Installation ausprobieren.

  • Für die explorative und interaktive Datenauswertung und -darstellung ist die für diese Zwecke optimierte Kommandozeile IPython als Ersatz für die Standard-Shell geeignet. IPython ist in der Anaconda Python Distribution vorkonfiguriert enthalten. Es gestattet ein interaktives Arbeiten in Kombination mit NumPy/SciPy/Matplotlib, das der kommerziellen Software MATLAB ähnlich ist. Eine einfache Möglichkeit zur interaktiven Arbeit mit Plots bietet auch die Entwicklungsumgebung Spyder, in der IPython als Standardeingabeaufforderung zum Einsatz kommt.

Aufgaben bis zum nächsten Mal