Todos os artistas agora acompanham se seu estado interno foi alterado, mas não refletido no visor (8216stale8217) por uma chamada para desenhar. Assim, é possível determinar de forma pragmática se uma determinada Figura precisa ser reestruturada em uma sessão interativa. Para facilitar o uso interativo, um método de retirada foi adicionado ao pyplot, que irá redesenhar todas as figuras que são 8216stale8217. Para tornar este conveniente para uso interativo matplotlib agora registra uma função com o evento IPython8217s 8216postexecute8217 ou com o displayhook no padrão PPLER REPL para chamar automaticamente o plt. drawall imediatamente antes do controle ser retornado ao REPL. Isso garante que o comando de desenho seja diferido e apenas chamado uma vez. O resultado disso é o de backends interativos (incluindo notebook matplotlib) no modo interativo (com plt. ion ()) atualizará automaticamente o gráfico para ser verde. Qualquer modificação subseqüente aos objetos do artista fará o mesmo. Este é o primeiro passo de uma consolidação e simplificação maiores dos componentes internos piplot. Os métodos de traçado que tomam matrizes como entradas agora podem também funcionar com dados rotulados e descompactar esses dados. Isso significa que os dois exemplos a seguir produzem o mesmo gráfico: isso funciona para a maioria dos métodos de traçado, que esperam seqüências de arrays como entradas. Os dados podem ser qualquer coisa que suporte getitem (dict. Pandas. DataFrame. H5py.) Para acessar array como valores com chaves de string. Além disso, algumas outras alterações foram feitas, o que facilita o trabalho com dados rotulados (ex pandas. Series): para traçar métodos com argumento de palavra-chave de etiqueta, uma das entradas de dados é designada como a fonte do rótulo. Se o usuário não fornecer um rótulo, o objeto de valor será introspectivo para um rótulo, atualmente procurando por um atributo de nome. Se o objeto de valor não tiver um atributo de nome, mas foi especificado como uma chave no kwarg de dados, a chave é usada. Nos exemplos acima, isso resulta em uma etiqueta rotatória de dois casos para ambos os casos. Plot () agora usa o índice de uma série em vez de np. arange (len (y)). Se nenhum argumento x for fornecido. Esta é uma forma mais genérica do parâmetro now-deprecated axes. colorcycle. Agora, podemos fazer um ciclo mais do que apenas cores, mas também estilos de linha, escotilhas e praticamente qualquer outra propriedade de artista. A notação Cycler é usada para definir ciclos de propriedade. A adição de ciclistas em conjunto será como se você fosse zip () - juntando dois ou mais ciclos de propriedade juntos: você pode até multiplicar ciclistas, como usar itertools. product () em dois ou mais ciclos de propriedade. Lembre-se de usar parênteses se estiver escrevendo um parâmetro propicular multi-line. Todos os quatro dos modelos de cores propostos como o novo padrão estão disponíveis como viridis (o novo padrão em 2.0), o magma. plasma. E inferno Vários novos estilos foram adicionados, incluindo muitos estilos do projeto Seaborn. Além disso, para preparar a próxima versão de estilo 2.0, um estilo 8216classic8217 e 8216default8217 foi adicionado. Para este lançamento, os estilos 8216default8217 e 8216classic8217 são idênticos. Ao usá-los agora em seus scripts, você pode ajudar a garantir uma transição suave durante futuras atualizações do matplotlib, para que você possa atualizar para os novos padrões snazzy quando estiver pronto. O estilo 8216default8217 lhe dará os últimos estilos de trama matplotlib8217: Nova seleção do backend O A variável de ambiente MPLBACKEND agora pode ser usada para configurar o backend matplotlib. O backend do wx foi atualizado O backend do wx agora pode ser usado com o wxPython classic e o Phoenix. O wxPython classic deve ser pelo menos a versão 2.8.12 e funciona no Python 2.x. A partir de maio de 2015, nenhuma versão oficial do wxPython Phoenix está disponível, mas um instantâneo atual funcionará no Python 2.7 e 3.4. Se você tiver várias versões do wxPython instalado, o código do usuário é responsável por configurar a versão wxPython. Como fazer isso é explicado no comentário no início do exemplo examplesuserinterfacesembeddinginwx2.py. Alguns parâmetros foram adicionados, outros foram melhorados. Matplotlib possui uma extensão de diretiva de esfinge que cria gráficos para inclusão em documentos de esfinge. O Matplotlib 1.5 adiciona uma nova opção à diretiva do enredo - close-figs - que fecha qualquer figura anterior janelas antes de criar as parcelas. Isso pode ajudar a evitar algumas duplicatas surpreendentes de parcelas ao usar plotdirective. A função imread () agora aceita cadeias de URL que apontam para arquivos PNG remotos. Isso evita a geração de um objeto HTTPResponse diretamente. As instâncias de animação ganharam um método de reprhtml para suportar a exibição in-line de animações no notebook. O método usado para exibir é controlado pelo parâmetro animation. html rc, que atualmente suporta valores de none e html5. Nenhum é o padrão, sem exibição. Html5 converte a animação em um vídeo codificado h264, que é incorporado diretamente no notebook. Os usuários que não desejam usar o gancho da exibição reprhtml também podem chamar manualmente o método tohtml5video para obter o HTML e exibir usando a classe de exibição HTML do IPython8217s: o manuseio do pkg-config foi corrigido na medida em que agora é possível configurá-lo usando o ambiente Variável PKGCONFIG. Isso é importante se o seu toolchain for prefixado. Isso é feito de forma simples como configuração CC ou CXX antes da construção. Um exemplo segue. Thomas A. Caswell atuou como gerente de lançamento para o lançamento 1.4. Nos mapas de calor, um espectro de verde para vermelho é freqüentemente usado para indicar intensidade de atividade, mas isso pode ser problemático para o colorblind redgreen. Um novo e colorido color-cego é agora disponível no matplotlib. cm. Wistia. Este mapa de cores mantém o simbolismo redgreen ao alcançar a legibilidade deuteranópica através de variações de brilho. Veja aqui para obter mais informações. Phil Elson adicionou um novo backend, chamado 8220nbagg8221, que permite figuras interativas em uma sessão de álbuns em tempo real do IPython. O backend faz uso da infra-estrutura desenvolvida para o backend do webagg, que por sua vez fornece figuras interativas suportadas pelo servidor autônomo no navegador, no entanto, a nbagg não requer um servidor matplotlib dedicado, pois todas as comunicações são tratadas através da máquina IPython Comm. Tal como acontece com outros backends, o nbagg pode ser ativado dentro do notebook IPython com: Uma vez que as figuras são criadas e, posteriormente, elas serão colocadas em um widget interativo dentro do notebook, permitindo a panorâmica e o zoom da mesma maneira que qualquer outro backend matplotlib. Como os números requerem uma conexão com o servidor do notebook IPython para sua interatividade, uma vez que o notebook seja salvo, cada figura será renderizada como uma imagem estática, permitindo a visualização não-interativa de figuras em serviços como o nbviewer. Norma do poder-lei Ben Gamari adicionou um método de normalização de poder-lei, PowerNorm. Esta classe mapeia uma gama de valores para o intervalo 0,1 com escala de potência com o expoente fornecido pelo argumento gama do constructor8217s. A normalização da lei de poder pode ser útil para, por exemplo, Enfatizando pequenas populações em um histograma. Planos de caixa totalmente customizáveis Paul Hobson revisou o método boxplot () de modo que agora é completamente customizável em termos de estilos e posições dos artistas individuais. Sob o capô, boxplot () depende de uma nova função (boxplotstats ()), que aceita qualquer estrutura de dados atualmente compatível com boxplot (). E retorna uma lista de dicionários contendo as posições para cada elemento dos blocos de caixa. Então, um segundo método, bxp () é chamado para desenhar os boxplots com base nas estatísticas. A função boxplot () pode ser usada como antes para gerar boxplots a partir de dados em uma única etapa. Mas agora o usuário tem a flexibilidade para gerar as estatísticas de forma independente, ou para modificar a saída de boxplotstats () antes de plotar com bxp (). Por fim, cada artista (por exemplo, a caixa, outliers, cap, entalhes) agora pode ser ativado ou desativado e seus estilos podem ser transmitidos através de kwargs individuais. Veja os exemplos: código de exemplo de estatísticas: boxplotdemo. py e código de exemplo de estatísticas: bxpdemo. py Adicionado um bool kwarg, managexticks. Que se False desabilitar o gerenciamento dos tiques e limites no eixo x por bxp (). Suporte para eixos de data e hora em gráficos 2d Suporte para tipos de espectro adicionais Todd Jennings adicionou suporte para novos tipos de lotes de espectro de freqüência: magnitudespectrum (). Fasepectrum (). E anglespectrum (). Bem como funções correspondentes em mlab. Ele também adicionou esses tipos de espectro a specgram (). Bem como adicionar suporte para escala linear lá (além da escala de dB existente). O suporte para tipos de espectro adicionais também foi adicionado ao specgram (). Ele também aumentou o desempenho de todas essas funções e tipos de enredo. Suporte para arranjos de 2D de detrending e windowing em mlab Todd Jennings adicionou suporte para matrizes 2D no detrendmean (). Detrendnone (). E detrenda (). Bem como adicionar applywindow () que suportam janelas 2D arrays. O suporte para avanços no mlab Todd Jennings adicionou algumas funções ao mlab para facilitar o uso de passos numpy para criar matrizes 2D eficientes em memória. Isso inclui striderepeat (). Que repete uma matriz para criar uma matriz 2D e stridewindows (). Que usa uma janela em movimento para criar uma matriz 2D a partir de uma matriz 1D. Formatador para cadeias de formatação de estilo novo Adicionado FormatStrFormatterNewStyle que faz o mesmo trabalho como FormatStrFormatter. Mas aceita strings de formatação de estilo novo em vez de strings de formatação de estilo printf. Os tamanhos de grade consistentes no streamplot do streamplot () usam um tamanho de grade base de 30x30 para densidade1 e densidade (1, 1). Anteriormente, um tamanho de grade de 30x30 foi usado para densidade1. Mas um tamanho de grade de 25x25 foi usado para densidade (1, 1). Obter uma lista de todos os rótulos de marcadores (maior e menor) Adicionou o kwarg 8216which8217 para getxticklabels (). Getyticklabels () e getticklabels (). 8216which8217 pode ser 8216major8217, 8216minor8217 ou 8216both8217 selecionar quais tiques para retornar, como setticksposition (). Se 8216which8217 for None, então o comportamento antigo (controlado pelo bool minor). Suporte de preenchimento de eixos horizontais horizontais separados no ImageGrid O kwarg 8216axespad8217 para mpltoolkits. axesgrid1.ImageGrid agora pode ser uma tupla se for necessário um preenchimento horizontal reverso separado. Isso é suposto ser muito útil quando você tem uma legenda rotulada ao lado de cada subtrama e você precisa criar algum espaço para os rótulos do legend8217s. Suporte para transformações distorcidas O Affine2D ganhou métodos adicionais desviados e espreitadelas para criar transformações distorcidas. Além disso, os dispositivos internos do matplotlib foram limpos para suportar usando tais transformações nos Eseus. Esta transformação é importante para alguns tipos de enredo, especificamente o Skew-T usado na meteorologia. Suporte para especificar propriedades de cunha e texto em gráficos de torta. Adicionado o kwargs 8216wedgeprops8217 e 8216textprops8217 para pie () para aceitar propriedades para objetos de cunha e texto em uma torta. Por exemplo, pode-se especificar um wedgeprops para especificar a largura das bordas das cunhas na torta. Para obter mais propriedades que o usuário pode especificar, veja os documentos para os objetos de cunha e texto. Corrigido a direção dos limites superiores da barra de erro Larry Bradley corrigiu o método da barra de erro (), de modo que os limites superior e inferior (lolims. Uplims. Xlolims. Xuplims) agora apontam na direção correta. API de add-object mais consistente para Axes Adicionou o método de Axes addimage para colocar o processamento de imagem em par com artistas, coleções, contêineres, linhas, patches e tabelas. Parques de violino Por Parker, Gregory Kelsie, Adam Ortiz, Kevin Chan, Geoffrey Lee, Deokjae Donald Seo e Taesu Terry Lim adicionaram uma implementação básica para parcelas de violino. Os gráficos de violino podem ser usados para representar a distribuição de dados de amostra. Eles são semelhantes aos gráficos de caixa, mas usam uma função de estimativa de densidade de kernel para apresentar uma aproximação suave da amostra de dados utilizada. As características adicionais são: violino () - Renderiza um gráfico de violino de uma coleção de estatísticas. Violinstats () - Produz uma coleção de estatísticas adequadas para renderizar uma trama de violino. Violinplot () - Cria um gráfico de violino de um conjunto de dados de amostra. Este método faz uso de violinstats () para processar os dados de entrada e violinstats () para fazer a renderização real. Os usuários também são livres para modificar ou substituir a saída de violinstats () para personalizar os gráficos de violino ao seu gosto. Este recurso foi implementado para um curso de engenharia de software na Universidade de Toronto, Scarborough, executado no inverno de 2014 por Anya Tafliovich. Mais opções de markevery para mostrar apenas um subconjunto de marcadores. Rohan Walker estendeu a propriedade de markevery na Line2D. Agora você pode especificar um subconjunto de marcadores para mostrar com um objeto int, slice, indexação fantastica numpy ou flutuante. O uso de um flutuador mostra marcadores em distâncias de exibição-coordenada aproximadamente iguais ao longo da linha. Funções relacionadas ao tamanho adicionado a Coleções especializadas Fixou as coordenadas do mouse dando o valor theta errado no gráfico Polar Código adicionado para transformnonaffine () para garantir que o valor calculado de theta estava entre o intervalo de 0 e 2 pi, uma vez que o problema era que o valor pode se tornar Negativo depois de aplicar a direção e rotação para o cálculo theta. Parcela de aljava simples para o kit de ferramentas mplot3d Uma equipe de estudantes em um curso de Engenharia de Sistemas de Software Grande, ministrada pela Prof. Anya Tafliovich na Universidade de Toronto, implementou uma versão simples de um enredo de trepidação em espaço 3D para o kit de ferramentas mplot3d como um de seus termos projeto. Esse recurso está documentado em quiver (). Os membros da equipe são: Ryan Steve D8217Souza, Victor B, xbtsw, Yang Wang, David, Caradec Bisesar e Vlad Vassilovski. Locais de r-tick do plano polar Adicionou a capacidade de controlar a posição angular das etiquetas r-tick em um gráfico polar através do setrlabelposition (). Suporte de rede n-d para a conversão de data Andrew Dawson adicionou suporte para o gerenciamento de matriz n-d para matplotlib. dates. num2date (). Matplotlib. dates. date2num () e matplotlib. dates. datestr2num (). O suporte também é adicionado às interfaces de conversão da unidade matplotlib. dates. DateConverter e matplotlib. units. Registry. Savefig. transparent added Controla se os números são salvos com um fundo transparente por padrão. Anteriormente, o savefig sempre foi inadimplente em um plano de fundo não transparente. Axes. titleweight Adicionado rcParam para controlar o peso do título axes. formatter. useoffset adicionado Controla o valor padrão de useOffset em ScalarFormatter. Se True e o intervalo de dados forem muito menores do que a média de dados, então um deslocamento será determinado de forma que os rótulos sejam significativos. Se falso, o número completo será formatado em todas as condições. Nbagg. transparent added Controla se as figuras nbagg têm um fundo transparente. O nbagg. transparent é True por padrão. Conformidade XDG Matplotlib agora procura arquivos de configuração (tanto rcparams quanto estilo) em locais compatíveis com XDG. Agora você pode alternar facilmente entre diferentes estilos usando o novo pacote de estilo: os gráficos subseqüentes usarão cores atualizadas, tamanhos, etc. Para listar todos os estilos disponíveis, use: Você pode adicionar seus próprios arquivos lttytyle namegt. mplstyle personalizados para. matplotlibstylelib ou uso de chamadas Com uma URL apontando para um arquivo com configurações matplotlibrc. Observe que esta é uma característica experimental. E a interface pode mudar à medida que os usuários testam esse novo recurso. O backend Qt5 Martin Fitzpatrick e Tom Badran implementaram um backend Qt5. As diferenças nas posições de espaço para nome entre Qt4 e Qt5 foram tratadas ao diminuir o Qt4 para se parecer com Qt5, portanto, a implementação do Qt5 é a principal implementação. A compatibilidade com versões anteriores do Qt4 é mantida envolvendo a implementação do Qt5. O backend Qt5Agg atualmente não funciona com a magia matplotlib do IPython8217s. A versão 1.4.0 possui um erro conhecido onde a barra de ferramentas está quebrada. Isso pode ser corrigido por: o backend Qt4 Rudolf Hfler mudou a aparência do subplottool. Todos os controles deslizantes estão dispostos verticalmente agora, foram adicionados botões para layout apertado e reinicialização. Além disso, o subplottool agora é implementado como um diálogo modal. Anteriormente, era um QMainWindow, deixando o SPT aberto se alguém fechasse a janela do gráfico. Na caixa de diálogo de opções da figura, agora é possível escolher (re) gerar uma legenda automática simples. Todas as entradas de legenda definidas explicitamente serão perdidas, mas as alterações no rótulo curves8217, linestyle, etc., serão atualizadas na legenda. O desempenho interativo do backend Qt4 foi dramaticamente melhorado no Windows. O mapeamento de sinais-chave de Qt para valores que Matplotlib entende melhorou bastante (tanto para o Qt4 quanto para o Qt5). Backends do Cairo Os backends do Cairo agora podem usar as ligações cairocffi que são mais ativamente mantidas do que as ligações de pycairo. Gtk3Agg backend 1.3.1 é uma versão de bugfix, principalmente lidando com a melhor configuração e gerenciamento de dependências, e corrigindo e aprimorando a documentação. As seguintes alterações foram feitas em 1.3.1 desde 1.3.0. Aprimoramentos Adicionado um gerenciador de contexto para criação de pdfs de várias páginas (veja matplotlib. backends. backendpdf. PdfPages). O backend do WebAgg deve agora ter menor latência em conexões de Internet heterogêneas. Correção de erros Os gráficos de histograma agora contêm a linha final. Corrige para a projeção Molleweide. Manipulação de fontes recentes de fontes de estilo Microsoft e Macintosh com metadados não-ascii é melhorada. A incubação do preenchimento entre parcelas agora funciona corretamente no backend PDF. O suporte da caixa de encadernação apertada agora funciona no backend do PGF. Figuras transparentes agora exibidas corretamente no backend Qt4Agg. As linhas de desenho de uma subtrama para outra agora funcionam. O manuseio de unidades em arrays mascarados foi melhorado. Configuração e dependências Agora funciona com qualquer versão de pyparsing 1.5.6 ou posterior, sem mostrar centenas de avisos. Agora funciona com versões de 64 bits do Ghostscript no MS-Windows. Ao instalar da fonte em um ambiente sem Numpy, Numpy primeiro será baixado e construído e, em seguida, usado para criar matplotlib. Os backends instalados externamente agora são sempre importados usando um caminho totalmente qualificado para o módulo. Funciona com a versão mais recente do wxPython. Agora, pode construir com um PyCXX instalado globalmente no sistema a partir da fonte. Melhor detecção de dependências Gtk3. Os testes agora devem funcionar em locais não ingleses. Os testes de conformidade de PEP8 agora relatam os locais de problemas. Esquema de esboço de estilo xkcd Para dar a suas tramas uma sensação de autoridade que eles podem estar perdendo, Michael Droettboom (inspirado pelo trabalho de muitos outros no PR 1329) adicionou um modo de traçado de esboço estilo xkcd. Para usá-lo, basta chamar matplotlib. pyplot. xkcd () antes de criar seu enredo. Para um controle realmente bom, também é possível modificar individualmente os parâmetros de esboço de cada artista82 com matplotlib. artist. Artist. setsketchparams (). Ryan May escreveu uma estrutura independente do backend para criar figuras animadas. O módulo de animação destina-se a substituir os exemplos específicos do backend anteriormente nas listas de exemplos do Matplotlib. Exemplos usando o novo framework estão em exemplos de animação, veja o pendular duplo que usa matplotlib. animation. Animation. save () para criar o filme abaixo. Isso deve ser considerado como uma versão beta do framework, por favor, tente e forneça comentários. Uma questão freqüente levantada pelos usuários do matplotlib é a falta de um mecanismo de layout para espaçar os elementos das parcelas. Enquanto a matplotlib ainda adere à filosofia de dar aos usuários o controle completo sobre a colocação de elementos da trama, Jae-Joon Lee criou o módulo tightlayout e introduziu um novo comando tightlayout () para resolver os problemas de layout mais comuns. O uso desta funcionalidade pode ser tão simples quanto ajustará o espaçamento entre as subparcelas, de modo que os rótulos dos eixos não se sobrepõem com subparcelas vizinhas. Um guia Layout Layout foi criado para mostrar como usar essa nova ferramenta. Gerald Storer tornou o backend Qt4 compatível com PySide, bem como PyQT4. No momento, no entanto, PySide não suporta o mecanismo PyOSInputHook para lidar com eventos gui enquanto aguarda a entrada de texto, portanto não pode ser usado com a nova versão 0.11 do IPython. Até este recurso aparecer no PySide, os usuários do IPython devem usar o wrapper PyQT4 para QT4, que permanece o padrão matplotlib. Uma entrada rcParam, 8220backend. qt48221, foi adicionada para permitir aos usuários selecionar PyQt4, PyQt4v2 ou PySide. Os dois últimos usam a API Qt da Versão 2. Na maioria dos casos, os usuários podem ignorar esta variável rcParam está disponível para auxiliar no teste e fornecer controle para usuários que estão incorporando matplotlib em um aplicativo PyQt4 ou PySide. Jae-Joon Lee melhorou as lendas da trama. Em primeiro lugar, as legendas para tramas complexas, como parcelas de haste (), agora serão exibidas corretamente. Em segundo lugar, a colocação de uma legenda na 8216best8217 foi melhorada na presença de NANs. Consulte o guia Legend para obter explicações e exemplos mais detalhados. Ao continuar os esforços para fazer gráficos 3D em matplotlib tão fácil quanto o planejamento 2D, a Ben Root fez várias melhorias no módulo mplot3d. O Axes3D foi melhorado para trazer a classe para a paridade característica com os objetos regulares do Axes A documentação para o mplot3d foi significativamente expandida. Etiquetas de eixo e orientação melhorada. A maioria das funções de traçado 3D agora suportam as entradas vazias Exibição de compensação de Ticker adicionada: depois de mais de dois anos de avisos de desaprovação, Numerix O suporte agora foi completamente removido do matplotlib. A lista de marcadores disponíveis para plot () e scatter () já foi mesclada. Enquanto eles eram principalmente semelhantes, alguns marcadores existiam para uma função, mas não para a outra. Esta fusão resultou em um conflito para o marcador de diamante 8216d8217. Agora, 8216d8217 será interpretado como significando sempre 8220thin8221 diamante enquanto 8216D8217 significaria diamante 8220regular8221. Obrigado a Michael Droettboom por esse esforço. Suporte de unidade para eixos polares e seta () O PolarAxes ganha getters e setters para 8220thetadirection8221 e 8220thetaoffset8221 para permitir que theta entre no sentido horário ou anti-horário e especifique onde zero graus devem ser colocados. Setthetazerolocation () é uma função de conveniência adicional. Corrigido o erro no tratamento de argumentos para tri-funções como o parâmetro tripcolor () axes. labelweight adicionado a rcParams. Para imshow (). Interpolation8217nearest8217 agora sempre executará uma interpolação. Uma opção 8220none8221 foi adicionada para indicar nenhuma interpolação. Um erro na projeção Hammer foi corrigido. Clabel para contorno () agora aceita um callable. Obrigado a Daniel Hyams pelo patch original. Jae-Joon Lee adicionou as classes HBox e VBox. Christoph Gohlke reduziu o uso da memória em imshow (). Scatter () agora aceita entradas vazias. O comportamento da escala 8216symlog8217 foi corrigido, mas isso pode resultar em pequenas alterações nos gráficos existentes. Este trabalho foi refinado pela ssyr. Peter Butterworth adicionou o suporte de figura nomeado para figura (). Michiel de Hoon modificou o backend do MacOSX para tornar seu comportamento interativo consistente com os outros backends. Pim Schellart adicionou um novo mapa de cores chamado 8220cubehelix8221. O Sameer Grover também adicionou um mapa de cores chamado 8220coolwarm8221. Veja isso e todos os outros modelos de cores aqui. Muitas correções de bugs e melhorias na documentação. Simon Ratcliffe e Ludwig Schwardt lançaram um backend HTML5Canvas para matplotlib. O backend é quase completo, e eles fizeram muito trabalho comparando suas imagens renderizadas html5 com o nosso processador principal Agg. O backend possui a navegação interativa do servidor de clientes de matplotlib em um navegador compatível com html5. Jae-Joon Lee escreveu gridspec. Um novo módulo para fazer layouts de subtramas complexas, com espessuras de linha e coluna e muito mais. Consulte Personalizar a localização da subtração usando o GridSpec para obter uma visão geral do tutorial. Fernando Perez ficou cansado de todo o código de referência necessário para criar uma figura e múltiplas subparcelas ao usar a API matplotlib, e escreveu uma função auxiliar de subparcelas (). O uso básico permite que você crie a figura e uma matriz de subparcelas com indexação numpy (começa com 0). Por exemplo: Ian Thomas corrigiu um bug de longa data que tem vexado nossos desenvolvedores mais talentosos há anos. Contourf () agora lida com regiões internas mascaradas e os limites da linha e os contornos preenchidos coincidem. Além disso, ele contribuiu com um novo módulo tri e função triplot () para criar e plotar grades triangulares não estruturadas. Um pedido de longa data é suportar várias chamadas para mostrar (). Isso tem sido difícil porque é difícil obter um comportamento consistente em todos os sistemas operacionais, kits de ferramentas de interface de usuário e versões. Eric Firing fez muito trabalho na racionalização do show em backends, com o comportamento desejado para fazer mostrar aumentar todas as figuras recém-criadas e bloquear a execução até serem fechadas. As chamadas repetidas para exibição devem aumentar os números recém-criados desde a última chamada. Eric fez muitos testes nos kits de ferramentas da interface do usuário e nas versões e plataformas para as quais ele acessou, mas não é possível testá-los todos, então informe os problemas na lista de discussão e rastreador de bugs. Agora você pode colocar um gráfico mplot3d em um local de eixos arbitrários, suportando a mistura de gráficos 2D e 3D na mesma figura, e ou vários gráficos 3D em uma única figura, usando o argumento de palavra-chave 8220projection8221 para addaxes ou addsubplot. Obrigado Ben Root. Eric Firing escreveu tickparams, um método de conveniência para mudar a aparência de carrapatos e marcas de tiques. Veja a opção piplot tickparams () e o método associado Axes tickparams (). Ampliação mais rápida de imagens grandes e a capacidade de ampliar em um único pixel Instalações locais de documentação funcionam melhor Melhorado 8220widgets8221 A captura de mouse 8211 é suportada Encadernação mais precisa de linhas para limites de pixels Manejo mais consistente de cores, particularmente o canal alfa, durante todo o período API O tronco matplotlib provavelmente está em uma forma tão boa quanto já foi, graças à melhoria da carpintaria de software. Agora temos um buildbot que executa um conjunto de testes de regressão do nariz em cada commit de svn, gerando automaticamente um conjunto de imagens e comparando-os contra um conjunto de produtos conhecidos, enviando e-mails para desenvolvedores em falhas com uma imagem de pixel por pixel comparação. Lançamentos e liberação de correções de erros acontecem em filiais, permitindo que o desenvolvimento de novos recursos ativos ocorra no tronco, mantendo os ramos de lançamento estáveis. Graças a Andrew Straw, Michael Droettboom e outros desenvolvedores matplotlib para o levantamento pesado. Eric Firing foi uma maratona de reparação e fecho de bugs, fechando mais de 100 insetos no rastreador de bugs com a ajuda de Jae-Joon Lee, Michael Droettboom, Christoph Gohlke e Michiel de Hoon. Jae-Joon Lee escreveu dois novos guias Legend guide e Annotating Axes. Michael Sarahan escreveu um tutorial de imagem. John Hunter escreveu dois novos tutoriais sobre o trabalho com caminhos e transformações: Tutorial de Tutorial e Tutorial de Transformações. Reinier Heeres liderou o mplot3d da John Porter8217 para a nova estrutura de transformações matplotlib, e agora está disponível como um kit de ferramentas mpltoolkits. mplot3d (que agora vem padrão com todas as instalações do mpl). Veja os exemplos do mplot3d e o tutorial do mplot3d. Jae-Joon Lee adicionou um novo conjunto de ferramentas para facilitar a exibição de imagens múltiplas no matplotlib, bem como algum suporte para grades curvilíneas para suportar o sistema de coordenadas mundial. O kit de ferramentas está incluído padrão com todas as novas instalaçes mpl. Veja os exemplos do axesgrid e o Guia do usuário8217s do Matdexib AxesGrid Toolkit. Andrew Straw adicionou a capacidade de colocar 8220axis spines8221 8211 as linhas que indicam os limites de dados 8211 em vários locais arbitrários. Já não são suas linhas de eixo restritas para ser um retângulo simples em torno da figura 8211, você pode ativar ou desativar a esquerda, a parte inferior, a direita e a parte superior, bem como 8220detach8221 a espinha para compensá-la dos dados. Consulte o exemplo do exemplo de pylabexamples: spineplacementdemo. py e matplotlib. spines. Spine. It8217s tem sido quatro meses desde a última versão matplotlib, e há muitos novos recursos e correções de erros. Graças a Charlie Moad por testar e preparar a versão original, incluindo binários para OS X e Windows para python 2.4 e 2.5 (2.6 e 3.0 não estarão disponíveis até que numpy esteja disponível nesses lançamentos). Graças aos muitos desenvolvedores que contribuíram para este lançamento, com contribuições de Jae-Joon Lee, Michael Droettboom, Ryan May, Eric Firing, Manuel Metz, Jouni K. Seppnen, Jeff Whitaker, Darren Dale, David Kaplan, Michiel de Hoon e muitos Outros que apresentaram remendos Jae-Joon reescreveu a classe da legenda e adicionaram suporte para múltiplas colunas e linhas, além de desenho de caixa extravagante. Veja a legenda () e matplotlib. legend. Legend. Jae-Joon adicionou muito apoio às anotações para desenhar caixas e conectores de fantasia em anotações. Veja anotar () e BoxStyle. ArrowStyle. E ConnectionStyle. Michiel de Hoon forneceu um backend Mac OSX nativo que é quase completamente implementado em C. O backend pode, portanto, usar Quartz diretamente e, dependendo da aplicação, pode ser ordens de magnitude mais rápidas do que os backends existentes. Além disso, nenhuma biblioteca de terceiros é necessária além de Python e NumPy. O backend é interativo do aplicativo de terminal usual no Mac usando Python regular. Ainda não foi testado com ipython, mas, em princípio, deve funcionar também. Defina 8216backend. Macosx8217 no seu arquivo matplotlibrc ou execute seu script com: Ryan May fez muito trabalho para racionalizar a amplitude da escala de psd () e amigos. Consulte o exemplo do exemplo de pylabexemplos: psddemo2.py. E pylabexamples exemplo código: psddemo3.py. As mudanças devem aumentar a compatibilidade MATLAB e aumentar as opções de dimensionamento. Adicionou uma função fillbetween () para tornar mais fácil fazer parcelas de regiões sombreadas na presença de dados em máscaras. Você pode passar uma matriz x e uma matriz ylower e yupper para preencher entre, e um argumento opcional onde é uma máscara lógica onde você quer fazer o preenchimento. Aprendendo Aprendizagem com Python Deep Learning com Python Confira o que os clientes estão dizendo: isso O livro é muito prático e tem muitos exemplos de código com o objetivo de você começar rapidamente. Ele ignora o aspecto matemático do ML que é útil porque explica os conceitos ML em termos práticos sem ser enterrado na matemática. Eu sou um desenvolvedor de software e tenho recomendado este livro aos meus amigos de desenvolvedores para ajudá-los a obter os blocos rodoviários passados e começar a usar o ML com aplicações práticas no mundo real. Eu sou um desenvolvedor de software e tenho recomendado este livro aos meus amigos de desenvolvedores para ajudá-los a obter os blocos rodoviários passados e começar a usar o ML com aplicações práticas no mundo real. Jack Neto Parceiro no The Working Group, Inc Uma boa introdução ao Deep Learning com Keras. Encontrei o livro bastante didático e divertido. Theano e Tensorflow são explorados brevemente em alguns capítulos específicos no início do livro, mas a maioria do material cobre como usar o Keras efetivamente com CNNs e RNNs. Eu achei os capítulos de Time Series e de melhoria de modelos especialmente interessantes. Eu recomendo este livro para iniciantes dispostos a obter uma aterragem suave em Deep Learning com PythonampKeras. Miguel Peralvo Senior Software Engineer Eu acho que este é o melhor livro de Jason8217s até à data. Starting with no previous deep learning experience and little familiarity with Python, over the course of a weekend I was able to develop and train a Convolutional Neural Net that achieved a 0.8 error rate on the famous MNIST digit recognition task (best-in-class is 0.23). If you8217re struggling to get up to speed with deep learning, this book is a great way to get started. Altamente recomendado. Russ Boucher Data Scientist Machine Learning Enthusiast This is a truly excellent hands-on, no-nonsense book on deep learning. If you want to quickly jump into the bandwagon of deep learning without having to worry about the nuts and bolts, the linear algebra, calculus, etc, this is the book. The author8217s decision to pick TensorFlow is also a very wise one. Data scientists ought to have this book as a companion. Siong Jong Hang Consultant at Teradata Singapore Youre Not Alone in Choosing Machine Learning Mastery Trusted by Over 10,000 Practitioners including employees from companies like: students and faculty from universities like: and many thousands more. Absolutely No Risk with. 100 Money Back Guarantee Plus, as you should expect of any great product on the market, every Machine Learning Mastery Ebook comes with the surest sign of confidence: my gold-standard 100 money-back guarantee. 100 Money-Back Guarantee If youre not happy with your purchase of any of the Machine Learning Mastery Ebooks, just email me within 90 days of buying, and Ill give you your money back ASAP. No waiting. Não foram feitas perguntas. No risk. Get Started With Deep Learning Today Choose Your Package: Basic Package Deep Learning With Python ( including bonus source code ) Python Pro Bundle You get the 3-book set: Machine Learning Mastery With Python Deep Learning With Python XGBoost With Python ( includes all bonus source code ) (save 37, like getting a book for free) Super Bundle You get the complete 7-book set: Master Machine Learning Algorithms ML Algorithms From Scratch Machine Learning Mastery With Weka Machine Learning Mastery With R Machine Learning Mastery With Python Deep Learning With Python XGBoost With Python ( includes all bonus source code ) (save a massive 72) (1) Click the button. (2) Enter your details. (3) Download your package immediately. Secure Payment Processing With SSL Encryption Have more Questions Imagine you had the skills and confidence to say: YES . and follow through . I have been there. It feels great How much is that worth to you The industry is demanding skills in machine learning. The market wants people that can deliver results, not write academic papers. Business knows what these skills are worth and are paying sky-high starting salaries. A Data Scientists Salary Begins at: 100,000 to 150,000 . A Machine Learning Engineers Salary is Even Higher. What Are Your Alternatives You made it this far. Youre ready to take action. But, what are your alternatives What options are there (1) A Theoretical Textbook for 100 . its boring, math-heavy and youll probably never finish it. (2) An On-site Boot Camp for 10,000 . its full of young kids, you must travel and it can take months. (3) A Higher Degree for 100,000 . its expensive, takes years, and youll be an academic. For the Hands-On Skills You Get. And the Speed of Results You See. And the Low Price You Pay. Machine Learning Mastery Ebooks are Amazing Value And they work. Thats why I offer the money-back guarantee. Youre A Professional The field moves quickly, . how long can you wait You think you have all the time in the world, but. New methods are devised and algorithms change . New books get released and prices increase . New graduates come along and jobs get filled . Right Now is the Best Time to make your start. Bottom-up is Slow and Frustrating, . dont you want a faster way Can you really go on another day, week or month. Scraping ideas and code from incomplete posts . Skimming theory and insight from short videos . Parsing Greek letters from academic textbooks . Targeted Training is your Shortest Path to a result. Professionals Use Training To Stay On Top Of Their Field Get The Training You Need You dont want to fall behind or miss the opportunity. Frequently Asked Questions What programming language is used All examples use the Python programming language version 2 or 3. It assumes you have a working SciPy environment with NumPy, pandas, matplotlib and scikit-learn installed. Do I need to be a good programmer Not at all. This Ebook requires that you have a programmers mindset of thinking in procedures and learning by doing. You do not need to be an excellent programmer to read and learn about machine learning algorithms. How much math do I need to know No background in statistics, probability or linear algebra is required. We do not derive any equations. How many pages it the Ebook The Ebook is 256 pages. How many example Python scripts are included My personal library of 66 Python deep learning recipes are included. Is there a hard copy physical book Not at this stage. Ebook only. Will I get updates Yes. You will be notified about updates to the book and code that you can download for free. Is there any digital rights management (DRM) No, there is no DRM. How long will the Ebook take to complete I recommend reading one chapter per day. With 18 lessons and 9 projects and moving fast through the intro and conclusions, you can finish in 3 weeks. On the other hand, if you are keen you could work through all of the material in a weekend. What if I need help The final chapter is titled 8220 Getting More Help 8221 and points to resources that you can use to get more help with deep learning in Python. How much machine learning do I need to know Only a little. You will be lead step-by-step through the process of working a deep learning projects. It would help if you were already familiar with concepts like cross-validation. Are there any additional downloads Yes. In addition to the download for the Ebook itself, you will have access to my personal library of Python deep learning recipes. What operating systems are supported You can work through the book using Linux, Mac OS X and Windows. Note that TensorFlow is difficult to install on Windows, but is not needed to complete the book. All examples use Keras and the Theano backend is preferred for speed.
Comments
Post a Comment