Cheatsheet pour générer des graphiques en Python

Installation des bibliothèques

# Installer les bibliothèques nécessaires (si ce n'est pas déjà fait)
!pip install matplotlib pandas

Importation des bibliothèques

import matplotlib.pyplot as plt
import pandas as pd

Création de graphiques de base

Graphique en lignes

# Créer un graphique en lignes
plt.figure(figsize=(10, 5))
plt.plot(df['date'], df['value'], label='Valeur')
plt.xlabel('Date')
plt.ylabel('Valeur')
plt.title('Graphique en lignes')
plt.legend()
plt.show()

Histogramme

# Créer un histogramme
plt.figure(figsize=(10, 5))
plt.hist(df['value'], bins=30, edgecolor='k')
plt.xlabel('Valeur')
plt.ylabel('Fréquence')
plt.title('Histogramme')
plt.show()

Graphique en barres

# Créer un graphique en barres
plt.figure(figsize=(10, 5))
plt.bar(df['category'], df['value'])
plt.xlabel('Catégorie')
plt.ylabel('Valeur')
plt.title('Graphique en barres')
plt.show()

Diagramme circulaire

# Créer un diagramme circulaire
plt.figure(figsize=(8, 8))
plt.pie(df['value'], labels=df['category'], autopct='%1.1f%%', startangle=140)
plt.title('Diagramme circulaire')
plt.show()

Graphiques avancés

Nuage de points

# Créer un nuage de points
plt.figure(figsize=(10, 5))
plt.scatter(df['x_value'], df['y_value'], alpha=0.5)
plt.xlabel('Valeur X')
plt.ylabel('Valeur Y')
plt.title('Nuage de points')
plt.show()

Boîte à moustaches

# Créer une boîte à moustaches
plt.figure(figsize=(10, 5))
plt.boxplot(df['value'])
plt.ylabel('Valeur')
plt.title('Boîte à moustaches')
plt.show()

Graphiques multiples

Graphiques côte à côte

# Créer deux graphiques côte à côte
fig, axs = plt.subplots(1, 2, figsize=(15, 5))

# Premier graphique
axs[0].plot(df['date'], df['value'])
axs[0].set_title('Graphique en lignes')

# Deuxième graphique
axs[1].bar(df['category'], df['value'])
axs[1].set_title('Graphique en barres')

plt.show()

Graphiques superposés

# Superposer deux graphiques
plt.figure(figsize=(10, 5))
plt.plot(df['date'], df['value'], label='Valeur')
plt.plot(df['date'], df['another_value'], label='Autre valeur')
plt.xlabel('Date')
plt.ylabel('Valeur')
plt.title('Graphiques superposés')
plt.legend()
plt.show()

Personnalisation des graphiques

Ajouter des annotations

# Ajouter des annotations à un graphique
plt.figure(figsize=(10, 5))
plt.plot(df['date'], df['value'])
plt.xlabel('Date')
plt.ylabel('Valeur')
plt.title('Graphique avec annotations')

for i, txt in enumerate(df['value']):
    plt.annotate(txt, (df['date'][i], df['value'][i]))

plt.show()

Modifier l’apparence

# Modifier l'apparence d'un graphique
plt.figure(figsize=(10, 5))
plt.plot(df['date'], df['value'], color='red', linestyle='--', marker='o', linewidth=2, markersize=5)
plt.xlabel('Date')
plt.ylabel('Valeur')
plt.title('Graphique personnalisé')
plt.show()

Exemple complet

import matplotlib.pyplot as plt
import pandas as pd

# Exemple de DataFrame
data = {
    'date': pd.date_range(start='1/1/2020', periods=10, freq='M'),
    'value': [5, 7, 8, 6, 5, 4, 6, 7, 8, 9],
    'another_value': [1, 3, 5, 7, 9, 2, 4, 6, 8, 10],
    'category': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J']
}
df = pd.DataFrame(data)

# Graphique en lignes
plt.figure(figsize=(10, 5))
plt.plot(df['date'], df['value'], label='Valeur')
plt.plot(df['date'], df['another_value'], label='Autre valeur')
plt.xlabel('Date')
plt.ylabel('Valeur')
plt.title('Graphiques superposés')
plt.legend()
plt.show()

# Histogramme
plt.figure(figsize=(10, 5))
plt.hist(df['value'], bins=30, edgecolor='k')
plt.xlabel('Valeur')
plt.ylabel('Fréquence')
plt.title('Histogramme')
plt.show()

# Diagramme circulaire
plt.figure(figsize=(8, 8))
plt.pie(df['value'], labels=df['category'], autopct='%1.1f%%', startangle=140)
plt.title('Diagramme circulaire')
plt.show()

# Graphiques côte à côte
fig, axs = plt.subplots(1, 2, figsize=(15, 5))

# Premier graphique
axs[0].plot(df['date'], df['value'])
axs[0].set_title('Graphique en lignes')

# Deuxième graphique
axs[1].bar(df['category'], df['value'])
axs[1].set_title('Graphique en barres')

plt.show()

Avec ce cheatsheet, vous disposez d’un guide complet pour créer et personnaliser des graphiques statistiques avec matplotlib en Python.