Skip to content

Latest commit

 

History

History

d09

Folders and files

NameName
Last commit message
Last commit date

parent directory

..

readme_files

readme_files

 
 

stats_nagasaki_files

stats_nagasaki_files

 
 

readme.ipynb

readme.ipynb

 
 

readme.md

readme.md

 
 

stats_nagasaki.html

stats_nagasaki.html

 
 

readme.md

Numpy

Pythonでは，値の集合を「コンテナ」と呼び，代表的なものとして

  • リスト(List): [1, 'two', [3], 3.14]
    • タプル(Tuple): (1, 'two', [3], 3.14)
    • 文字列(Str): 'aa83988848'
  • 集合(Set): {1, 'two', [3], 3.14}
    • 辞書(Dict): {'v1':1, 'v2':'two', 'v3':[3], 'v4':3.14}

があります．コンテナは，基本的に各要素が異なる型(クラス)でも構いません．要素がさらにコンテナであっても構いません．

MyList = [1, 'two', [3], 3.14]
MyTuple = (1, 'two', [3], 3.14)
MyStr = 'aa83988848'
MySet = {1, 'two', 3.14} # setはコンテナを要素に持てない
MyDict = {'v1':1, 'v2':'two', 'v3':[3], 'v4':3.14}

print('==MyList==')
print(f'{MyList}\n')

print('==MyTuple==')
print(f'{MyTuple}\n')

print('==MyStr==')
print(f'{MyStr}\n')

print('==MySet==')
print(f'{MySet}\n')

print('==MyDict==')
print(f'{MyDict}\n')
==MyList==
[1, 'two', [3], 3.14]

==MyTuple==
(1, 'two', [3], 3.14)

==MyStr==
aa83988848

==MySet==
{1, 3.14, 'two'}

==MyDict==
{'v1': 1, 'v2': 'two', 'v3': [3], 'v4': 3.14}

これらのコンテナに対して演算をすると

print('==MyList * 3==')
print(f'{MyList * 3}\n')

print('==MyTuple * 3==')
print(f'{MyTuple * 3}\n')

print('==MyStr * 3==')
print(f'{MyStr * 3}\n')

#print('==MySet * 3==')
#print(f'{MySet * 3}\n') # Setは演算できない

#print('==MyDict * 3==')
#print(f'{MyDict * 3}'\n) # Dictは演算できない

MyList2 = [1, 2, 3]
print('==MyList + MyList2==')
print(f'{MyList + MyList2}\n')
==MyList * 3==
[1, 'two', [3], 3.14, 1, 'two', [3], 3.14, 1, 'two', [3], 3.14]

==MyTuple * 3==
(1, 'two', [3], 3.14, 1, 'two', [3], 3.14, 1, 'two', [3], 3.14)

==MyStr * 3==
aa83988848aa83988848aa83988848

==MyList + MyList2==
[1, 'two', [3], 3.14, 1, 2, 3]

==MyList * 3==
[1, 'two', [3], 3.14, 1, 'two', [3], 3.14, 1, 'two', [3], 3.14]

==MyTuple * 3==
(1, 'two', [3], 3.14, 1, 'two', [3], 3.14, 1, 'two', [3], 3.14)

==MyStr * 3==
aa83988848aa83988848aa83988848

==MyList + MyList2==
[1, 'two', [3], 3.14, 1, 2, 3]

というように，後ろに繰り返し要素を付け加えることになります．

それぞれの要素に対し演算するには，どうしたらいいでしょうか．そのような演算をベクトル演算といいます．

ベクトル演算をするためのコンテナをNumpy Arrayといいます．

NumPyというパッケージにNumPy Arrayクラスが定義されています．

Numpy Array

import numpy as np

MyList = [2, 3, 5,7]
print('==MyList==')
print(f'{MyList}\n')

print('==MyList * 3==')
print(f'{MyList * 3}\n')

MyArray = np.array(MyList)
print('==MyArray==')
print(f'{MyArray}\n')

print('==MyArray * 3==')
print(f'{MyArray * 3}\n')
==MyList==
[2, 3, 5, 7]

==MyList * 3==
[2, 3, 5, 7, 2, 3, 5, 7, 2, 3, 5, 7]

==MyArray==
[2 3 5 7]

==MyArray * 3==
[ 6  9 15 21]

要素数の異なるNumpyArrayとの加算はできません．

MyArray2 = np.array(MyList2)
print('==MyArray + MyArray2==')
#print(f'{MyArray + MyArray2}')
==MyArray + MyArray2==

NumpyArrayは，線形代数における行列やベクトルなので，行列やベクトルに対する演算しか許されないというわけです．

テンソル

「NumpyArrayは，行列やベクトル」と言いましたが，行列やベクトルには形があります．

M = [1 2 3]
    [4 5 6]

のとき，Mの形は「2行3列」です．

v = [7]
    [8]
    [9]

のとき，vの形は「3行1列」ですね．

u = [10 11]

のとき，uの形は「1行2列」ですね．

NumpyArrayで 2行3列の行列を作ってみましょう． すべての要素がゼロな2行3列の行列は，Numpyのzeros関数で作ることができます．

M = np.zeros((2,3))
print(M)
[[0. 0. 0.]
 [0. 0. 0.]]

行列の形は 属性.shapeに保存されています．

print(M.shape)
(2, 3)

形(2,3)のMをprintしたときの表示を見てみると，「行ごとの3つの要素がリストになっており，2行のリストをさらにリストに」しています．

実は，このようなリストからNumpyArrayを作ることもできます．

u1 = [1,2,3]
u2 = [4,5,6]
L = [u1, u2]
M = np.array(L)
print(M)
print(M.shape)
[[1 2 3]
 [4 5 6]]
(2, 3)

では，7と8と9を要素にもつ1行3列のNumpyArrayを作ってみましょう．行ごとにリストに，全体をさらにリストにします．つまり2重リストになります．

Lx = [[7,8,9]]
x = np.array(Lx)
print(x)
print(x.shape)
[[7 8 9]]
(1, 3)

このxを転置すれば，Mxが計算できます．転置はNumpyのtranspose関数を使います．また，行列積はNumpyのmatmul関数です．(ちなみに*は要素積（要素同士の積）です．)

R = np.matmul(M, np.transpose(x))
print(R)
print(R.shape)
[[ 50]
 [122]]
(2, 1)

皆が知っているように，行列積は，「左の行列の列数」と「右の行列の行数」が同じでなければいけません．上の例の場合，(2,3)と(3,1)なので行列積は(2,1)となるわけですね．

ところで，xは行列でしょうか？ベクトルでしょうか？

行ベクトルとか列ベクトルと言われているものですが，Numpyでは 「行数」とか「列数」とか言っているので，これは「行列」なのです．では，ベクトルは？

ベクトルとは，1重のリストから作ったものをいいます．「行」や「列」という概念がありません．

Ly = [7,8,9]
y = np.array(Ly)
print(y)
print(y.shape)
[7 8 9]
(3,)

さきほどの x は形が(1,3)で，転置したnp.transpose(x)は(3,1)でした．今度の y は(3,)です．さきほどの行列積ができます．

R2 = np.matmul(M, y)
print(R2)
print(R2.shape)
[ 50 122]
(2,)

R2はさきほどのRと要素は同じ数値ですが，(2,1)ではなく(2,)となります．（行列積の作られ方どおりです．）

まとめると

  • 行列: 2重のリストから作られる．形は (S1, S2)，行数S1, 列数S2
  • ベクトル: 1重のリストから作られる．形は (S1,), 要素数S1

行列積は，np.matmul関数で，

  • 左のArrayの形が(S1,S2)で，右のArrayの形が(S3,S4)のとき，S2==S3なら演算できて，答えのArrayの形は(S1,S4)

転置は np.transpose関数で，

  • 形が(S1,S2)の行列の転置は，形が(S2,S1)となる
  • 形が(S1,)のベクトルの転置は，形が変わらず(S1,)となる
print(y.shape)
yt = np.transpose(y)
print(yt.shape)
(3,)
(3,)

行列やベクトルをまとめて，一般的に「テンソル」と言います．さきほどの「n重のリスト」のnを階数といいます．

  • 行列: 2階テンソル
  • ベクトル: 1階テンソル

ここで，1重リストを並べたものをさらにリストにすれば，2重リストになるので，すなわち(S1,)ベクトル（1階テンソル）をS2個並べると(S2,S1)行列（2階テンソル）になるということです． 要素が(S1,)ベクトルである(S2,)ベクトルは，(S2,S1)という行列になります．

属性.ndimに保存されています．属性.shapeに保存されている「形」を表すタプルの要素数でもあります．

A1 = np.array([1,2,3,4])
print(A1)
print(f'shape(形):{A1.shape}')
print(f'ndim(階数):{A1.ndim}')
print(f'size(要素数):{A1.size}')
print('\n')

A2 = np.array([[1,2,3,4]])
print(A2)
print(f'shape(形):{A2.shape}')
print(f'ndim(階数):{A2.ndim}')
print(f'size(要素数):{A2.size}')
print('\n')

A3 = np.array([[[1,2,3,4]]])
print(A2)
print(f'shape(形):{A3.shape}')
print(f'ndim(階数):{A3.ndim}')
print(f'size(要素数):{A3.size}')
print('\n')

[1 2 3 4]
shape(形):(4,)
ndim(階数):1
size(要素数):4


[[1 2 3 4]]
shape(形):(1, 4)
ndim(階数):2
size(要素数):4


[[1 2 3 4]]
shape(形):(1, 1, 4)
ndim(階数):3
size(要素数):4

3階以上になっても行列積(テンソル積)は同じです．

T3 = np.array([[[1,2,3,4]]])
T1 = np.array([5,6,7,8])
Result = np.matmul(T3,T1)
print(f'{T3.ndim}階テンソル（形{T3.shape})と{T1.ndim}階テンソル(形{T1.shape})の行列積は{Result.ndim}階テンソル（形{Result.shape})')
print(Result)
3階テンソル（形(1, 1, 4))と1階テンソル(形(4,))の行列積は2階テンソル（形(1, 1))
[[70]]

抽出

M = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
print(M,type(M),M.shape,M.ndim,M.size,'\n')

M_row = M[1] # 行
print(M_row,type(M_row),M_row.shape,M_row.ndim,M_row.size,'\n')

M_item = M[1][2] # (1,2)要素 M[1,2]とは書けない
print(M_item,type(M_item),M_item.shape,M_item.ndim,M_item.size,'\n')

M_slice = M[1:3,0:2] #スライス
print(M_slice,type(M_slice),M_slice.shape,M_slice.ndim,M_slice.size,'\n')

M_column = M[:,1] # 列抽出はスライスで
print(M_column,type(M_column),M_column.shape,M_column.ndim,M_column.size,'\n')

M_sub = M[[0,2],[1,3]] # (0,1)要素と(2,3)要素　（スライス）
print(M_sub,type(M_sub),M_sub.shape,M_sub.ndim,M_sub.size)
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]] <class 'numpy.ndarray'> (3, 4) 2 12 

[5 6 7 8] <class 'numpy.ndarray'> (4,) 1 4 

7 <class 'numpy.int64'> () 0 1 

[[ 5  6]
 [ 9 10]] <class 'numpy.ndarray'> (2, 2) 2 4 

[ 2  6 10] <class 'numpy.ndarray'> (3,) 1 3 

[ 2 12] <class 'numpy.ndarray'> (2,) 1 2

追加

u1 = np.array([[1,2],[3,4]])
u2 = np.array([[11,12],[13,14]])

print('==np.concat: 階数を変えずに，連結する．==')
M1 = np.concatenate([u1,u2])
print(M1)
print(f'形:{M1.shape},階:{M1.ndim},要素数:{M1.size}\n')
M2 = np.concatenate([u1,u2],axis=1)
print(M2)
print(f'形:{M2.shape},階:{M2.ndim},要素数:{M2.size}\n')

print('==np.stack: 指定した階に，積む==')
M3 = np.stack([u1,u2],axis=0)
print(M3)
print(f'形:{M3.shape},階:{M3.ndim},要素数:{M3.size}\n')

M4 = np.stack([u1,u2],axis=1)
print(M4)
print(f'形:{M4.shape},階:{M4.ndim},要素数:{M4.size}\n')

M5 = np.stack([u1,u2],axis=2)
print(M5)
print(f'形:{M5.shape},階:{M5.ndim},要素数:{M5.size}\n')
==np.concat: 階数を変えずに，連結する．==
[[ 1  2]
 [ 3  4]
 [11 12]
 [13 14]]
形:(4, 2),階:2,要素数:8

[[ 1  2 11 12]
 [ 3  4 13 14]]
形:(2, 4),階:2,要素数:8

==np.stack: 指定した階に，積む==
[[[ 1  2]
  [ 3  4]]

 [[11 12]
  [13 14]]]
形:(2, 2, 2),階:3,要素数:8

[[[ 1  2]
  [11 12]]

 [[ 3  4]
  [13 14]]]
形:(2, 2, 2),階:3,要素数:8

[[[ 1 11]
  [ 2 12]]

 [[ 3 13]
  [ 4 14]]]
形:(2, 2, 2),階:3,要素数:8

形を変形

T = np.array([[1,2,3,4],[5,6,7,8]])
print(T)
print(f'形:{T.shape}, 階:{T.ndim}, 要素数:{T.size}\n')

T2 = np.reshape(T,(1,8))
print(T2)
print('前から順に8要素のリストを1個')
print(f'形:{T2.shape}, 階:{T2.ndim}, 要素数:{T2.size}\n')

T3 = np.reshape(T,(8,1))
print(T3)
print('前から順に1要素のリストを8個')
print(f'形:{T3.shape}, 階:{T3.ndim}, 要素数:{T3.size}\n')


T4 = np.reshape(T,(4,2))
print(T4)
print('前から順に2要素のリストを4個')
print(f'形:{T4.shape}, 階:{T4.ndim}, 要素数:{T4.size}\n')

T5 = np.reshape(T,(8,))
print(T5)
print('前から順に8要素')
print(f'形:{T5.shape}, 階:{T5.ndim}, 要素数:{T5.size}\n')

T6 = np.reshape(T,(1,2,4))
print(T6)
print('前から順に4要素2個の要素を1個')
print(f'形:{T6.shape}, 階:{T6.ndim}, 要素数:{T6.size}\n')
[[1 2 3 4]
 [5 6 7 8]]
形:(2, 4), 階:2, 要素数:8

[[1 2 3 4 5 6 7 8]]
前から順に8要素のリストを1個
形:(1, 8), 階:2, 要素数:8

[[1]
 [2]
 [3]
 [4]
 [5]
 [6]
 [7]
 [8]]
前から順に1要素のリストを8個
形:(8, 1), 階:2, 要素数:8

[[1 2]
 [3 4]
 [5 6]
 [7 8]]
前から順に2要素のリストを4個
形:(4, 2), 階:2, 要素数:8

[1 2 3 4 5 6 7 8]
前から順に8要素
形:(8,), 階:1, 要素数:8

[[[1 2 3 4]
  [5 6 7 8]]]
前から順に4要素2個の要素を1個
形:(1, 2, 4), 階:3, 要素数:8

pandasのデータフレーム

行列といえば，データフレームと見た目が似ています．

  • どちらも，行の要素数が各列で同じ，列の要素数が各行で同じでなければならない．（普通のList,Tuple,Set,Dictでは違う）

ということで，

  • 2階テンソル（行列）のNumpyArrayはpandasデータフレームに変換できます．: pandasのDataFrame関数
  • pandasデータフレームは，2階のNumpyArray（行列）に変換できます．: pandasのDataFrameクラスのto_numpyメソッド

NumpyArrayの行が，pandasの1行のサンプルに対応しています．

import pandas as pd

M = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
print(M)
print('\n')


columnsM = ['v0','v1','v2','v3']
indexM = ['#1','#2','#3']
df = pd.DataFrame(M,columns=columnsM,index=indexM)
print(df)
print('\n')

M2 = df.to_numpy()
print(M2)
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]


    v0  v1  v2  v3
#1   1   2   3   4
#2   5   6   7   8
#3   9  10  11  12


[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

pandas.read_htmlによるスクレイピング

ホームページや画像などからデータフレームを読み込む操作を「スクレイピング」と呼びます．

例えば，長崎の気温変化をデータフレームに読み込んでみましょう．

長崎の気温変化は，Linkにあります．

このページには，文章の中に，表がありますね．

pandasのread_html関数はURLを指定すると，そのURLのページに含まれる表の数だけデータフレームを作って，そのリストを返します．

pythonコードによるスクレイピングは，機械的な自動操作なのでホームページ作成者から敬遠される傾向があります． もしpythonコードからhttps経由でファイルを読み込めない場合は，普段使っているウェブブラウザで手動で読み込み，ページをstats_nagasaki.htmlなどと名前をつけて保存し， それを読み込むように変更してください．

import lxml
from datetime import datetime

#URL = 'https://www.data.jma.go.jp/obd/stats/etrn/view/monthly_s3.php?prec_no=84&block_no=47817&year=&month=&day=&view=a1'
URL = 'stats_nagasaki.html'
df_List = pd.read_html(URL,header=0)
df_List[0]
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
年 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月 年の値
0 1878 NaN NaN NaN NaN NaN NaN 26.0 26.6 24.9 19.2 12.1 6.9 19.3 ]
1 1879 5.7 7.7 8.8 14.2 18.6 21.9 26.6 27.6 23.3 17.2 12.1 8.4 16.0
2 1880 4.8 8.3 9.9 14.1 19.4 21.2 25.4 25.8 23.7 18.8 11.7 5.3 15.7
3 1881 4.0 5.9 7.5 14.1 18.8 22.3 26.3 27.8 24.6 18.2 13.6 7.9 15.9
4 1882 7.3 6.7 8.8 14.7 17.9 20.6 25.0 26.4 23.0 19.4 12.3 6.8 15.7
... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
141 2019 8.1 9.4 11.9 15.8 20.2 23.0 25.8 27.7 26.0 20.9 15.1 10.6 17.9
142 2020 9.7 9.8 12.3 14.0 20.2 24.1 25.5 28.8 24.3 19.6 15.3 8.5 17.7
143 2021 7.4 10.3 13.9 16.7 19.8 23.7 27.9 27.3 25.7 21.1 14.1 9.2 18.1
144 2022 7.1 6.5 12.9 16.4 20.0 23.9 27.8 28.6 25.9 19.9 16.5 7.8 17.8
145 2023 7.4 9.2 13.6 16.9 19.7 22.7 ] NaN NaN NaN NaN NaN NaN 13.4 ]

146 rows × 14 columns

まず，月ごとに列を成していますが，この列名は「年」と合わせて，1列にすべきです．

df = df_List[0].drop(columns=['年の値']) # 「年の値」という列をデータフレームから消す
df
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
年 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月
0 1878 NaN NaN NaN NaN NaN NaN 26.0 26.6 24.9 19.2 12.1 6.9
1 1879 5.7 7.7 8.8 14.2 18.6 21.9 26.6 27.6 23.3 17.2 12.1 8.4
2 1880 4.8 8.3 9.9 14.1 19.4 21.2 25.4 25.8 23.7 18.8 11.7 5.3
3 1881 4.0 5.9 7.5 14.1 18.8 22.3 26.3 27.8 24.6 18.2 13.6 7.9
4 1882 7.3 6.7 8.8 14.7 17.9 20.6 25.0 26.4 23.0 19.4 12.3 6.8
... ... ... ... ... ... ... ... ... ... ... ... ... ...
141 2019 8.1 9.4 11.9 15.8 20.2 23.0 25.8 27.7 26.0 20.9 15.1 10.6
142 2020 9.7 9.8 12.3 14.0 20.2 24.1 25.5 28.8 24.3 19.6 15.3 8.5
143 2021 7.4 10.3 13.9 16.7 19.8 23.7 27.9 27.3 25.7 21.1 14.1 9.2
144 2022 7.1 6.5 12.9 16.4 20.0 23.9 27.8 28.6 25.9 19.9 16.5 7.8
145 2023 7.4 9.2 13.6 16.9 19.7 22.7 ] NaN NaN NaN NaN NaN NaN

146 rows × 13 columns

df2 = pd.melt(df,id_vars=['年'],value_vars=df.columns[1:]) # pd.melt() : 先週やった pivotの逆操作
df2
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
年 variable value
0 1878 1月 NaN
1 1879 1月 5.7
2 1880 1月 4.8
3 1881 1月 4.0
4 1882 1月 7.3
... ... ... ...
1747 2019 12月 10.6
1748 2020 12月 8.5
1749 2021 12月 9.2
1750 2022 12月 7.8
1751 2023 12月 NaN

1752 rows × 3 columns

df2['date'] = df2['年'].astype(str)+'年'+df2['variable']
df2['date']
0        1878年1月
1        1879年1月
2        1880年1月
3        1881年1月
4        1882年1月
          ...   
1747    2019年12月
1748    2020年12月
1749    2021年12月
1750    2022年12月
1751    2023年12月
Name: date, Length: 1752, dtype: object

df2['date2'] = [datetime.strptime(s,'%Y年%m月') for s in df2['date']]
df2['date2']
0      1878-01-01
1      1879-01-01
2      1880-01-01
3      1881-01-01
4      1882-01-01
          ...    
1747   2019-12-01
1748   2020-12-01
1749   2021-12-01
1750   2022-12-01
1751   2023-12-01
Name: date2, Length: 1752, dtype: datetime64[ns]

df3 = df2.drop(columns=['年','variable','date'])
df3.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
value date2
0 NaN 1878-01-01
1 5.7 1879-01-01
2 4.8 1880-01-01
3 4.0 1881-01-01
4 7.3 1882-01-01 
df3.columns=['temperature','Date']
df4 = df3.set_index('Date')
df5 = df4.sort_index()
df5
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
temperature
Date
1878-01-01 NaN
1878-02-01 NaN
1878-03-01 NaN
1878-04-01 NaN
1878-05-01 NaN
... ...
2023-08-01 NaN
2023-09-01 NaN
2023-10-01 NaN
2023-11-01 NaN
2023-12-01 NaN

1752 rows × 1 columns

df5['temperature'] = df5['temperature'].astype(str)
df6 = df5['temperature'].str.extract('([ 0-9.]+)')
df6.columns=['temperature']
df6['temperature'] = df6['temperature'].astype(float)
df6.sort_index(inplace=True)
df6.dropna(inplace=True)
df6.tail(12)
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
temperature
Date
2022-07-01 27.8
2022-08-01 28.6
2022-09-01 25.9
2022-10-01 19.9
2022-11-01 16.5
2022-12-01 7.8
2023-01-01 7.4
2023-02-01 9.2
2023-03-01 13.6
2023-04-01 16.9
2023-05-01 19.7
2023-06-01 22.7

matplotlib

Matplotlibは，入力した系列に対応してグラフを描くライブラリです．

下のようなグラフを描きます．このグラフに書いてある用語（英単語）をそのまま覚えてください． 「図」の解剖

  • Figure：フィギュア：所謂，キャンバスのことです．Figureに描かれるのは，

    • 複数のグラフ(Axes)
    • キャンバスのタイトル，凡例

  • Axes：アクセス：所謂，グラフのことです．Axesに描かれるのは，

    • 軸線(Axis)
    • 軸ラベル(xlabel, ylabel)
    • プロット（Plot, データを使って書かれた線や点）

  • Axis：アクシス：所謂，軸線のことです．Axis上に描かれるのは，

    • 目盛印(Tick，ティック)：目盛として軸に刻みで描かれる細い線
    • 目盛文字列(Tick Label)：目盛の刻みに振られる文字列（数直線ならば数字．数字でなくてもいい）

グラフを描くには，

  1. まず，キャンバスを用意する
from matplotlib import pyplot as plt
plt.style.use(['science','ieee'])

fig = plt.figure(tight_layout=True,figsize=(4,6),facecolor='white')
fig
<Figure size 2400x3600 with 0 Axes>




<Figure size 2400x3600 with 0 Axes>

  1. グラフ領域を用意する: fig.add_subplot(3,2,4)

    例) キャンバスを3行2列の行列状に領域を分けたときの左上から4番目の領域

ax1 = fig.add_subplot(3,2,4)
fig

png

  1. グラフを描く

    2.1. プロットを描く

     ```
 ax1.plot(x座標の系列, y座標の系列)
 ```

ax1.plot([1,2,3,4,5,6], df6['temperature'][-6:])
fig

png

2.2. 軸ラベル，タイトル，凡例を補正する

    ```
    ax1.set_xlabel('横軸ラベル')
    ```

ax1.set_xlabel('Month')
ax1.set_ylabel('temperature')
ax1.set_title('Nagasaki 2022')
fig

png

2.3. グリッド線をつけたり，表示領域を決めたり
    ```
    ax1.set_xlim()
    ax1.grid()
    ```

ax1.set_ylim([0,35])
ax1.set_xlim([1,12])
ax1.grid()
fig

png

キャンバスの別の領域に別のグラフを書く

ax2 = fig.add_subplot(3,2,1)
print(df6.index[:6])
ax2.plot([7,8,9,10,11,12],df6['temperature'][:6])
ax2.set_xlabel('Month')
ax2.set_ylabel('temperature')
ax2.set_title('Nagasaki 1878')
ax2.set_ylim([0,35])
ax2.set_xlim([1,12])
ax2.grid()
fig
DatetimeIndex(['1878-07-01', '1878-08-01', '1878-09-01', '1878-10-01',
               '1878-11-01', '1878-12-01'],
              dtype='datetime64[ns]', name='Date', freq=None)

png

ax3 = fig.add_subplot(3,2,5)
ax3.plot(range(1,13),df6['temperature'][6:18],'b*',label='1879')
ax3.plot(range(1,13),df6['temperature'][-18:-6],'g^',label='2021')
ax3.set_xlabel('Month')
ax3.set_ylabel('temperature')
ax3.set_title('Nagasaki 1879 and 2021')
ax3.set_ylim([0,35])
ax3.set_xlim([1,12])
ax3.legend(loc='best')
ax3.grid()
fig

png

箱ひげ図を書くこともできる．: boxplot

  • 箱ひげ図を置く横軸目盛をpositionsで指定する
ax4 = fig.add_subplot(3,2,6)
ax4.boxplot(df6['temperature'][-6:],positions=[0])
ax4.boxplot(df6['temperature'][-18:-6],positions=[-1])
ax4.boxplot(df6['temperature'][-30:-18],positions=[-2])
ax4.boxplot(df6['temperature'][-42:-30],positions=[-3])
ax4.boxplot(df6['temperature'][-54:-42],positions=[-4])
ax4.set_xlabel('Year')
ax4.set_ylabel('temperature')
ax4.set_title('boxcar plot')
ax4.set_ylim([0,35])
ax4.set_xlim([-5, 1])
ax4.grid()
fig


fig
/Users/kotaro/.anyenv/envs/pyenv/versions/3.10.6/lib/python3.10/site-packages/matplotlib/ticker.py:2937: RuntimeWarning: invalid value encountered in log10
  majorstep_no_exponent = 10 ** (np.log10(majorstep) % 1)

png

課題 k03

上記で紹介したリンク https://www.data.jma.go.jp/obd/stats/etrn/view/monthly_s3.php?prec_no=84&block_no=47817&year=&month=&day=&view=a1 のページには，「日平均気温」の表が見えていますが， 「日平均気温」以外にも同様の形式のデータを選ぶことができます. また，全く別の気象庁以外のページを読んでもいいです．

適当なデータをスクレイピングして，4種類のグラフを1枚のキャンバスに図示するプログラムk03.pyを作成せよ．グラフのタイトルや軸ラベルを適切につけること．

提出物

  1. k03.py
  2. 図示したキャンバスを保存した画像