Skip to content

So speichern Sie ein Matplotlib-Plot als Datei

Hast du dich schon einmal in die Welt der Datenvisualisierung begeben? Wenn ja, kennst du sicherlich Matplotlib, eine äußerst vielseitige Bibliothek zum Plotten in Python. Es ist ein unverzichtbares Werkzeug für Wissenschaftler, Ingenieure und Datenanalysten, die komplexe Daten in einem visuell intuitiven Format darstellen müssen. Wenn du Matplotlib noch nicht ausprobiert hast oder eine Auffrischung suchst, ist dieser Leitfaden genau das Richtige für dich!

Möchtest du schnell und ohne Code Datenauswertung und Visualisierung von Python Pandas Dataframes erstellen?

PyGWalker ist eine Python-Bibliothek für explorative Datenanalyse mit Visualisierung. Mit PyGWalker (opens in a new tab) kannst du deinen Workflow zur Datenanalyse und Datenvisualisierung in Jupyter Notebooks vereinfachen, indem du deinen Pandas Dataframe (und Polars Dataframe) in eine tableauähnliche Benutzeroberfläche für visuelle Exploration verwandelst.

PyGWalker für Datenvisualisierung (opens in a new tab)

Was ist Matplotlib?

Matplotlib (opens in a new tab) ist eine 2D-Plotting-Bibliothek, mit der du eine Vielzahl von Diagrammen und Figuren in Python erstellen kannst. Es ist ein leistungsstarkes Tool, das zahlreiche Methoden und Stile für die Datenvisualisierung unterstützt, einschließlich Liniendiagrammen, Histogrammplots und sogar fortgeschrittenen Techniken.

Wie installiert man Matplotlib

Die Installation von Matplotlib ist so einfach wie das Ausführen eines einzigen Befehls in deiner Python-Umgebung. Du kannst pip, den Python-Paketinstaller, verwenden. Öffne dein Terminal und gib pip install matplotlib ein, und schon kannst du deine Daten in Diagrammen darstellen.

Warum Matplotlib für die Datenvisualisierung nutzen

Matplotlib ist einfach zu bedienen und flexibel. Du kannst damit ein grundlegendes Diagramm mit nur wenigen Zeilen Code erstellen, aber auch nahezu jedes Element eines Diagramms anpassen, von Achsenbeschriftungen bis zur Begrenzungsbox.

Ein großer Vorteil von Matplotlib ist seine Kompatibilität mit vielen Betriebssystemen und Grafik-Backends. Es kann Diagramme in verschiedenen Ausgabeformaten (PNG, PDF, SVG und mehr) erstellen, was es für interaktives Skripting und hochwertige Veröffentlichungen geeignet macht.

Die Kunst des Plottens mit Matplotlib beherrschen

Das Erstellen eines Diagramms mit Matplotlib in Python ist recht einfach. Du beginnst damit, die Bibliothek zu importieren, normalerweise als plt, und dann kannst du ihre Funktionen verwenden, um ein Diagramm zu erstellen und anzuzeigen.

Schauen wir uns an, wie man ein Liniendiagramm erstellt - ein grundlegender, aber effektiver Diagrammtyp. Definiere zunächst deine Daten und verwende dann die Funktion plot(), um das Diagramm zu erstellen. Du kannst das Diagramm mit zusätzlichen Funktionen wie Gitterlinien, einem Titel und Achsenbeschriftungen verbessern. Verwende dann die Funktion show(), um das Diagramm anzuzeigen.

Histogramme sind ein weiterer häufig verwendeter Diagrammtyp. Histogramme werden verwendet, um die zugrunde liegende Häufigkeitsverteilung einer Menge von kontinuierlichen oder diskreten numerischen Werten anzuzeigen. Das Erstellen eines Histogramms in Matplotlib ist so einfach wie die Verwendung der Funktion hist().

Aber was ist, wenn du noch einen Schritt weiter gehen möchtest? Matplotlib unterstützt auch fortgeschrittenere Techniken. Du kannst beispielsweise wunderschöne Funnel-Charts (opens in a new tab) oder beeindruckende Violin-Plots mit etwas mehr Code erstellen.

Anpassen von Diagrammen mit Matplotlib

Matplotlib ermöglicht dir eine umfangreiche Kontrolle über das Erscheinungsbild deines Diagramms. Du kannst Diagramme anpassen, indem du Beschriftungen hinzufügst, Farben änderst, Skalen anpasst und vieles mehr. Eine Möglichkeit, dies zu tun, ist die Verwendung der Methode .savefig().

Die Methode .savefig() in Matplotlib ermöglicht es dir, das aktuelle Diagramm in eine Datei zu speichern. Du kannst das Dateiformat, die DPI, die Hintergrundfarbe, die Randfarbe und die Transparenz des Diagramms angeben. Dadurch hast du eine große Kontrolle über deine Matplotlib-Ausgabe.

Zum Beispiel kannst du den Abstand um das Diagramm (Begrenzungsbox) anpassen oder den Hintergrund transparent machen. Dies sind nur einige der zahlreichen Anpassungsoptionen, die du mit Matplotlib hast.

Verschiedene Arten von Diagrammen in Matplotlib

Matplotlib ist nicht auf einfache Liniendiagramme oder Histogramme beschränkt. Es bietet eine Vielzahl von Diagrammen, um deinen Anforderungen gerecht zu werden, egal ob du Trends darstellen, Kategorien vergleichen oder Muster in deinen Daten aufzeigen möchtest.

  • Funnel-Charts: Diese werden häufig in Vertrieb und Marketing eingesetzt, um den Fortschritt potenzieller Kunden durch verschiedene Stadien eines Prozesses zu veranschaulichen.

  • Violin-Plots: Diese kombinieren ein Boxplot und ein Kernel-Dichtebild in einem einzigen Diagramm und erleichtern somit das Verständnis der Verteilung deiner Daten.

  • Heatmaps: Diese eignen sich hervorragend, um Beziehungen zwischen zwei Variablen darzustellen, wenn du viele Daten hast.

  • Gestapelte Balkendiagramme: Ein gestapeltes Balkendiagramm ist ein Diagramm, das verwendet wird, um Teile des Ganzen zu vergleichen. Die Balken in einem gestapelten Balkendiagramm sind in Kategorien unterteilt. Jeder Balken repräsentiert eine Gesamtsumme.

Denke daran, dass jeder Diagrammtyp einen anderen Zweck erfüllt. Wähle also weise basierend auf dem aus, was du mit deinen Daten kommunizieren möchtest.

Fazit

Die Beherrschung von Matplotlib und seiner vielfältigen Möglichkeiten kann dein Spiel in der Datenvisualisierung verbessern, egal ob du explorative Datenanalyse durchführst oder einen Abschlussbericht vorbereitest. Von grundlegenden Diagrammen bis hin zu fortgeschrittenen Techniken bietet Matplotlib endlose Möglichkeiten. Selbst beim Exportieren deiner Diagramme mit der Methode .savefig() hast du eine Vielzahl von Dateiformaten zur Auswahl. Möchten Sie Ihre Datenaufbereitungsfähigkeiten noch weiter ausbauen? Erfahren Sie mehr über die Visualisierung von Airtable-Daten oder erkunden Sie Open-Source-Alternativen zu Tableau. Wenn Sie ein Datenwissenschafts-Enthusiast sind, sollten Sie sich nicht entgehen lassen, den ChatGPT-Code-Interpreter für Datenwissenschaft und ChatGPT-Browsing zu erkunden. Es gibt eine ganze Welt an Daten da draußen, die darauf wartet, visualisiert zu werden!