Tracés linéaires dans MatplotLib avec Python

Création d'un tracé linéaire de base dans Matplotlib

Nous commencerons par créer un graphique linéaire de base, puis nous le personnaliserons pour le rendre plus présentable et plus informatif.

Utilisation de plt.plot() pour créer un graphique linéaire

Pour créer un graphique linéaire, nous utiliserons la fonction plt.plot(). Cette fonction prend deux paramètres : les valeurs de l'axe des x et les valeurs de l'axe des y. Dans notre cas, la colonne des dates correspondra aux valeurs de l'axe des x, tandis que la colonne des fermetures correspondra aux valeurs de l'axe des y. Voici le code :

# Extract the date and close price columns
dates = df['Date']
closing_price = df['Close']

# Create a line plot
plt.plot(dates, closing_price)

# Show the plot
plt.show()

Lorsque vous exécutez le code ci-dessus, vous devriez voir un graphique linéaire de base de l'action DJIA. 

Personnalisation du tracé des lignes

Matplotlib nous offre de nombreuses possibilités de personnalisation, que nous pouvons utiliser en fonction de nos besoins.

Réglage de la couleur de la ligne

Par défaut, la fonction plt.plot() trace une ligne bleue. Cependant, vous pouvez modifier la couleur de la ligne en passant un paramètre color à la fonction. Le paramètre color peut prendre une chaîne représentant le nom de la couleur ou un code hexadécimal. 

En voici un exemple :

# Plot in Red colour
plt.plot(dates, closing_price, color='red')

# Show the plot
plt.show()

Ce code tracera une ligne rouge au lieu d'une ligne bleue, comme indiqué ci-dessous :

Tracé de base en rouge

Réglage de la largeur de ligne

Vous pouvez également modifier la largeur de la ligne en passant un paramètre linewidth à la fonction plt.plot(). Le paramètre linewidth prend une valeur en virgule flottante représentant la largeur de la ligne. 

En voici un exemple :

# Increasing the linewidth
plt.plot(dates, closing_price, linewidth=3)

# Show the plot
plt.show()

Ce code tracera une ligne d'une largeur de 3 au lieu de la largeur par défaut, comme indiqué ci-dessous : 

Lignes plus épaisses dans le graphique en raison d'une largeur de raie plus importante

Définition du style de ligne

Vous pouvez modifier le style de ligne en passant un paramètre linestyle à la fonction plt.plot(). Le paramètre linestyle contient une chaîne de caractères qui représente le style de ligne. La documentation de matplotlib fournit une liste exhaustive des styles disponibles. 

Voici comment les utiliser dans le code :

# Individually plot lines in solid, dotted, dashed and dashdot

plt.plot(dates, closing_price, linestyle='solid') # Default line style
plt.plot(dates, closing_price, linestyle='dotted')
plt.plot(dates, closing_price, linestyle='dashed')
plt.plot(dates, closing_price, linestyle='dashdot')

# Show the plot
plt.show()

Ajout de marqueurs aux tracés linéaires

Des marqueurs peuvent être utilisés pour mettre en évidence des points spécifiques dans le tracé linéaire. Différents types de symboles peuvent être utilisés comme marqueurs et peuvent être référencés dans la documentation de matplotlib.

Voici un exemple d'utilisation de marqueurs dans un graphique linéaire :

# Add a cross marker for each point
plt.plot(df['Date'], df['Close'], marker='x')

# Show the plot
plt.show()

Dans le code ci-dessus, nous utilisons des marqueurs en croix (x) pour mettre en évidence les prix Close de l'action DJIA, comme indiqué ci-dessous : 

Ajout d'étiquettes et de titres

Pour rendre le graphique plus informatif, nous pouvons ajouter des étiquettes d'axe et un titre. Pour ce faire, nous utilisons respectivement les fonctions plt.xlabel(), plt.ylabel() et plt.title(). 

En voici un exemple :

plt.plot(dates, closing_price, color='red', linewidth=2)
plt.xlabel('Date')
plt.ylabel('Closing Price')
plt.title('DJIA Stock Price')

# Show the plot
plt.show()

Ce code trace une ligne rouge d'une largeur de 2, dont l'axe x est intitulé "Date", l'axe y "Prix de clôture" et le titre "Prix de l'action DJIA". 

Ajout de lignes de grille

Nous pouvons également ajouter des lignes de grille à notre tracé pour le rendre plus lisible. Pour ce faire, nous utilisons la fonction plt.grid(). La fonction plt.grid() prend une valeur booléenne représentant l'affichage de la grille. 

En voici un exemple : 

plt.plot(dates, closing_price, color='red', linewidth=2)
plt.xlabel('Date')
plt.ylabel('Closing Price')
plt.title('DJIA Stock Price')

# Add the grid
plt.grid(True)

# Show the plot
plt.show()

Vous verriez des grilles ajoutées au tracé : 

Matplotlib - Tracés de lignes avec plusieurs lignes

Dans certains cas, vous pouvez vouloir tracer plusieurs lignes sur le même graphique. Pour ce faire, vous pouvez appeler la fonction plt.plot() plusieurs fois avec des données différentes à chaque appel. En voici un exemple :

# Line plot of Open and Close prices

plt.plot(df['Date'], df['Open'])
plt.plot(df['Date'], df['Close'])
plt.title('DJIA Open and Close Prices')
plt.xlabel('Date')
plt.ylabel('Price')

plt.show()

Dans le code ci-dessus, nous traçons les prix Open et Close de l'action DJIA sur le même graphique. 

Matplotlib - Tracés linéaires avec axes jumelés

Il peut arriver que vous souhaitiez représenter deux variables avec des échelles différentes sur le même graphique. Dans de telles situations, l'utilisation d'axes jumelés est un moyen efficace de visualiser la relation entre les variables sans perdre la clarté des échelles individuelles. 

Pour créer un graphique linéaire avec deux axes, nous devons utiliser la fonction twinx(). Cette fonction crée un nouvel axe des ordonnées qui partage le même axe des abscisses que le tracé original. 

En voici un exemple :

# Create a new variable for demonstration purposes
df['High_minus_Low'] = df['High'] - df['Low']

# Create a basic line plot for the Close prices
fig, ax1 = plt.subplots()
ax1.plot(df['Date'], df['Close'], color='blue', label='Close Price')
ax1.set_xlabel('Date')
ax1.set_ylabel('Closing Price', color='blue')
ax1.tick_params(axis='y', labelcolor='blue')

# Create a twin axis for the High_minus_Low variable
ax2 = ax1.twinx()
ax2.plot(df['Date'], df['High_minus_Low'], color='green', label='High - Low')
ax2.set_ylabel('High minus Low', color='green')
ax2.tick_params(axis='y', labelcolor='green')

# Add a title and show the plot
plt.title('DJIA Stock Price and High-Low Difference with Twin Axes')
plt.show()

Et le graphique qui en résulte avec deux axes : 

Ajouter des informations statistiques aux graphiques linéaires de Matplotlib

Outre la visualisation des tendances et des modèles de données, les tracés linéaires peuvent également afficher des informations statistiques telles que des lignes de régression et des barres d'erreur. 

Ajouter une ligne de régression Matplotlib

Une ligne de régression est une ligne qui correspond le mieux aux points de données d'un graphique et qui peut être utilisée pour modéliser et prédire des valeurs futures. Nous pouvons ajouter une ligne de régression à notre graphique linéaire en utilisant la fonction polyfit() de la bibliothèque NumPy, qui ajuste une ligne de régression polynomiale à nos points de données. 

import matplotlib.dates as mdates

# Convert Date column to numeric value
df['Date'] = mdates.date2num(df['Date'])

# Add regression line to plot
coefficients_open = np.polyfit(df['Date'], df['Open'], 1)
p_open = np.poly1d(coefficients_open)

coefficients_close = np.polyfit(df['Date'], df['Close'], 1)
p_close = np.poly1d(coefficients_close)

fig, ax = plt.subplots()
ax.plot(df['Date'], df['Open'], '.', label='Open Price')
ax.plot(df['Date'], p_open(df['Date']), '-', label='Open Regression Line')
ax.plot(df['Date'], df['Close'], '.', label='Close Price')
ax.plot(df['Date'], p_close(df['Date']), '-', label='Close Regression Line')
ax.set_title('DIJA Stock Prices')
ax.set_xlabel('Date')
ax.set_ylabel('Price')
ax.legend()

# Format x-axis labels as dates
date_form = mdates.DateFormatter("%Y-%m-%d")
ax.xaxis.set_major_formatter(date_form)
plt.gcf().autofmt_xdate()

plt.show()

Dans ce code, nous convertissons d'abord les dates en valeurs numériques à l'aide de la fonction date2num() , puis nous utilisons la fonctionpolyfit() pour obtenir les coefficients de la droite de régression. Nous utilisons la fonction poly1d() pour tracer la ligne. Nous représentons les points de données originaux par des points et la ligne de régression par une ligne continue. 

Ajout de barres d'erreur

Les barres d'erreur sont une représentation graphique de la variabilité des données et peuvent être utilisées pour indiquer l'incertitude des mesures.

Cette fonction est particulièrement utile lorsque vous vous attendez à des erreurs dans le processus de collecte des données, comme les données relatives à la température, à la qualité de l'air, etc. Bien que nous soyons certains des prix des actions, supposons une erreur potentielle d'un écart-type et traçons-la à l'aide de la fonction errorbar de matplotlib.

# Calculate standard deviation of data
std = df['Close'].std()

# Add error bars to plot
plt.errorbar(df['Date'], df['Close'], yerr=std/2, fmt='.', label='Close Price')
plt.title('DIJA Stock Prices')
plt.xlabel('Date')
plt.ylabel('Price')
plt.legend()
plt.show()

Dans ce code, nous calculons d'abord l'écart-type des prix Close dans notre ensemble de données. Nous utilisons ensuite la fonction errorbar() pour ajouter des barres d'erreur au graphique linéaire, la taille de la barre d'erreur étant fixée à la moitié de l'écart-type .

Ces techniques nous permettent d'ajouter des informations statistiques à nos graphiques linéaires et d'obtenir des informations plus approfondies sur nos données.

Conclusion

Les graphiques linéaires sont un outil puissant pour visualiser les tendances et les modèles dans les données, et Matplotlib fournit une interface conviviale pour les créer. 

Pour la suite, vous pourriez suivre notre cours Python intermédiaire, où vous appliquerez tout ce que vous avez appris à une étude de cas de statistiques sur le piratage informatique. 

Nous espérons que ce tutoriel vous a aidé à commencer à créer des tracés de lignes dans Matplotlib. Nous avons également couvert en détail les autres tracés de Matplotlib dans un autre tutoriel, qui peut vous présenter brièvement ce que vous pouvez faire d'autre avec Matplotlib. 

Continuez à explorer et à expérimenter en créant des visualisations étonnantes et en découvrant des informations à partir de vos données !