Beruflich Dokumente
Kultur Dokumente
curso_python_alicante (/github/Pybonacci/curso_python_alicante/tree/master)
/
03_visualizacion-matplotlib.ipynb (/github/Pybonacci/curso_python_alicante/tree/master/03_visualizacion-matplotlib.ipynb)
¿Qué es matplotlib?
Lo primero que vamos a hacer es activar el modo inline - de esta manera las figuras aparecerán automáticamente
incrustadas en el notebook.
In [1]:
%matplotlib inline
In [2]:
import numpy as np
import matplotlib.pyplot as plt
La biblioteca matplotlib es gigantesca y es difícil hacerse una idea global de todas sus posibilidades en una primera
toma de contacto. Es recomendable tener a mano la documentación y la galería:
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 1/19
9/10/2018 Jupyter Notebook Viewer
In [12]:
Out[12]:
accented_text agg_buffer
agg_buffer_to_array agg_buffer_to_array
alignment_test anchored_artists
Si hacemos clic en cualquiera de las imágenes, accedemos al código fuente que la ha generado:
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 2/19
9/10/2018 Jupyter Notebook Viewer
In [13]:
Out[13]:
This Page
Show Sou
Quick sea
Interfaz pyplot
Función plot
La interfaz pyplot proporciona una serie de funciones que operan sobre un estado global - es decir, nosotros no
especificamos sobre qué gráfica o ejes estamos actuando. Es una forma rápida y cómoda de crear gráficas pero
perdemos parte del control.
El paquete pyplot se suele importar bajo el alias plt , de modo que todas las funciones se acceden a través de
plt.<funcion> . La función más básica es la función plot :
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 3/19
9/10/2018 Jupyter Notebook Viewer
In [3]:
Out[3]:
[<matplotlib.lines.Line2D at 0x7f77925ac450>]
La función plot recibe una sola lista (si queremos especificar los valores y) o dos listas (si especificamos x e y).
Naturalmente si especificamos dos listas ambas tienen que tener la misma longitud.
La tarea más habitual a la hora de trabajar con matplotlib es representar una función. Lo que tendremos que hacer es
definir un dominio y evaluarla en dicho dominio. Por ejemplo:
2
−x
f (x) = e
In [4]:
def f(x):
return np.exp(-x ** 2)
Definimos el dominio con la función np.linspace , que crea un vector de puntos equiespaciados:
In [5]:
x = np.linspace(-1, 5, num=30)
Y representamos la función:
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 4/19
9/10/2018 Jupyter Notebook Viewer
In [9]:
Out[9]:
<matplotlib.text.Text at 0x7f779236b210>
Con diversas llamadas a funciones dentro de plt. se actualiza el gráfico actual. Esa es la forma de trabajar
con la interfaz pyplot.
Podemos añadir etiquetas, y escribir LATEX en ellas. Tan solo hay que encerrarlo entre signos de dólar $$.
Personalización
La función plot acepta una serie de argumentos para personalizar el aspecto de la función. Con una letra podemos
especificar el color, y con un símbolo el tipo de línea.
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 5/19
9/10/2018 Jupyter Notebook Viewer
In [19]:
Out[19]:
[<matplotlib.lines.Line2D at 0x7f7792343290>]
Esto en realidad son códigos abreviados, que se corresponden con argumentos de la función plot :
In [34]:
Out[34]:
[<matplotlib.lines.Line2D at 0x7f77919f3890>]
La función scatter muestra una nube de puntos, con posibilidad de variar también el tamaño y el color.
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 6/19
9/10/2018 Jupyter Notebook Viewer
In [37]:
N = 100
x = np.random.randn(N)
y = np.random.randn(N)
plt.scatter(x, y)
Out[37]:
<matplotlib.collections.PathCollection at 0x7f7791f05750>
Con s y c podemos modificar el tamaño y el color respectivamente. Para el color, a cada valor numérico se le
asigna un color a través de un mapa de colores; ese mapa se puede cambiar con el argumento cmap . Esa
correspondencia se puede visualizar llamando a la función colorbar .
In [48]:
s = 50 + 50 * np.random.randn(N)
c = np.random.randn(N)
Out[48]:
<matplotlib.colorbar.Colorbar at 0x7f77911ab590>
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 7/19
9/10/2018 Jupyter Notebook Viewer
In [49]:
Out[49]:
<matplotlib.colorbar.Colorbar at 0x7f7791107d90>
matplotlib trae por defecto muchos mapas de colores. En las SciPy Lecture Notes dan una lista de todos ellos:
La función contour se utiliza para visualizar las curvas de nivel de funciones de dos variables y está muy ligada a
la función np.meshgrid . Veamos un ejemplo:
2
f (x) = cos x + sin y
In [50]:
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 8/19
9/10/2018 Jupyter Notebook Viewer
In [52]:
x = np.linspace(-2, 2)
y = np.linspace(-2, 2)
xx, yy = np.meshgrid(x, y)
Out[52]:
<matplotlib.colorbar.Colorbar at 0x7f7790f79410>
La función contourf es casi idéntica pero rellena el espacio entre niveles. Podemos especificar manualmente
estos niveles usando el cuarto argumento:
In [60]:
zz = f(xx, yy)
plt.contourf(xx, yy, zz, np.linspace(-0.5, 2.0))
plt.colorbar()
Out[60]:
<matplotlib.colorbar.Colorbar at 0x7f77906da910>
Para guardar las gráficas en archivos aparte podemos usar la función plt.savefig . matplotlib usará el tipo de
archivo adecuado según la extensión que especifiquemos. Veremos esto con más detalle cuando hablemos de la
interfaz orientada a objetos.
In [24]:
Out[24]:
In [25]:
f(x)
Out[25]:
In [28]:
fig.savefig("grafica1.png")
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 10/19
9/10/2018 Jupyter Notebook Viewer
In [35]:
Out[35]:
<matplotlib.text.Text at 0x7f70c765f750>
In [40]:
x = np.random.randn(100)
y = np.random.randn(100)
s = 200 * np.random.randn(100)
c = np.random.randn(100)
plt.scatter(x, y, s, c, cmap=plt.cm.BrBG_r)
Out[40]:
<matplotlib.collections.PathCollection at 0x7f70c7338b50>
2
g(x, y) = cos(x) + sin(y)
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 11/19
9/10/2018 Jupyter Notebook Viewer
In [45]:
x = np.linspace(-2, 2)
y = np.linspace(-2, 2)
xx, yy = np.meshgrid(x, y)
In [47]:
In [48]:
zz = g(xx, yy)
In [55]:
Out[55]:
<matplotlib.contour.QuadContourSet at 0x7f70c6dc52d0>
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 12/19
9/10/2018 Jupyter Notebook Viewer
In [57]:
!cat temperaturas.csv
STATION,DATE,TMAX,TMIN
GHCND:USW00094728,20130101,44,-33
GHCND:USW00094728,20130102,6,-56
GHCND:USW00094728,20130103,0,-44
GHCND:USW00094728,20130104,28,-11
GHCND:USW00094728,20130105,56,0
GHCND:USW00094728,20130106,78,11
GHCND:USW00094728,20130107,72,28
GHCND:USW00094728,20130108,89,17
GHCND:USW00094728,20130109,94,39
GHCND:USW00094728,20130110,83,44
GHCND:USW00094728,20130111,78,28
GHCND:USW00094728,20130112,83,56
GHCND:USW00094728,20130113,100,61
GHCND:USW00094728,20130114,133,33
GHCND:USW00094728,20130115,33,17
GHCND:USW00094728,20130116,28,0
GHCND:USW00094728,20130117,61,17
GHCND:USW00094728,20130118,17,-39
GHCND:USW00094728,20130119,106,-11
GHCND:USW00094728,20130120,117,-11
GHCND:USW00094728,20130121,0,-33
GHCND:USW00094728,20130122,-28,-106
GHCND:USW00094728,20130123,-67,-117
GHCND:USW00094728,20130124,-56,-111
GHCND:USW00094728,20130125,-44,-106
GHCND:USW00094728,20130126,-28,-94
GHCND:USW00094728,20130127,11,-72
GHCND:USW00094728,20130128,22,-17
GHCND:USW00094728,20130129,94,22
GHCND:USW00094728,20130130,150,39
GHCND:USW00094728,20130131,161,-11
GHCND:USW00094728,20130201,-6,-44
GHCND:USW00094728,20130202,-17,-72
GHCND:USW00094728,20130203,-11,-44
GHCND:USW00094728,20130204,-11,-50
GHCND:USW00094728,20130205,0,-22
GHCND:USW00094728,20130206,39,-17
GHCND:USW00094728,20130207,0,-33
GHCND:USW00094728,20130208,11,-28
GHCND:USW00094728,20130209,0,-61
GHCND:USW00094728,20130210,22,-78
GHCND:USW00094728,20130211,72,11
GHCND:USW00094728,20130212,67,22
GHCND:USW00094728,20130213,67,6
GHCND:USW00094728,20130214,78,6
GHCND:USW00094728,20130215,128,28
GHCND:USW00094728,20130216,50,-6
GHCND:USW00094728,20130217,0,-78
GHCND:USW00094728,20130218,17,-83
GHCND:USW00094728,20130219,94,6
GHCND:USW00094728,20130220,33,-39
GHCND:USW00094728,20130221,11,-44
GHCND:USW00094728,20130222,33,-39
GHCND:USW00094728,20130223,56,22
GHCND:USW00094728,20130224,83,11
GHCND:USW00094728,20130225,72,0
GHCND:USW00094728,20130226,67,17
GHCND:USW00094728,20130227,83,22
GHCND:USW00094728,20130228,106,39
GHCND:USW00094728,20130301,72,22
GHCND:USW00094728,20130302,44,-6
GHCND:USW00094728,20130303,44,-17
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 13/19
9/10/2018 Jupyter Notebook Viewer
GHCND:USW00094728,20130304,56,-28
GHCND:USW00094728,20130305,94,-6
GHCND:USW00094728,20130306,56,33
GHCND:USW00094728,20130307,33,6
GHCND:USW00094728,20130308,56,-6
GHCND:USW00094728,20130309,128,17
GHCND:USW00094728,20130310,100,22
GHCND:USW00094728,20130311,122,44
GHCND:USW00094728,20130312,139,61
GHCND:USW00094728,20130313,111,33
GHCND:USW00094728,20130314,50,-17
GHCND:USW00094728,20130315,83,-11
GHCND:USW00094728,20130316,50,0
GHCND:USW00094728,20130317,33,-17
GHCND:USW00094728,20130318,17,-22
GHCND:USW00094728,20130319,61,6
GHCND:USW00094728,20130320,72,0
GHCND:USW00094728,20130321,44,-11
GHCND:USW00094728,20130322,50,-22
GHCND:USW00094728,20130323,78,0
GHCND:USW00094728,20130324,83,6
GHCND:USW00094728,20130325,44,22
GHCND:USW00094728,20130326,117,28
GHCND:USW00094728,20130327,117,22
GHCND:USW00094728,20130328,106,28
GHCND:USW00094728,20130329,128,44
GHCND:USW00094728,20130330,150,44
GHCND:USW00094728,20130331,122,67
GHCND:USW00094728,20130401,167,28
GHCND:USW00094728,20130402,61,6
GHCND:USW00094728,20130403,78,6
GHCND:USW00094728,20130404,117,6
GHCND:USW00094728,20130405,178,50
GHCND:USW00094728,20130406,111,17
GHCND:USW00094728,20130407,128,44
GHCND:USW00094728,20130408,228,106
GHCND:USW00094728,20130409,278,106
GHCND:USW00094728,20130410,233,128
GHCND:USW00094728,20130411,156,83
GHCND:USW00094728,20130412,83,50
GHCND:USW00094728,20130413,144,50
GHCND:USW00094728,20130414,139,78
GHCND:USW00094728,20130415,150,67
GHCND:USW00094728,20130416,172,83
GHCND:USW00094728,20130417,217,128
GHCND:USW00094728,20130418,150,106
GHCND:USW00094728,20130419,217,128
GHCND:USW00094728,20130420,156,61
GHCND:USW00094728,20130421,128,28
GHCND:USW00094728,20130422,128,50
GHCND:USW00094728,20130423,117,50
GHCND:USW00094728,20130424,206,67
GHCND:USW00094728,20130425,189,78
GHCND:USW00094728,20130426,194,100
GHCND:USW00094728,20130427,217,89
GHCND:USW00094728,20130428,206,106
GHCND:USW00094728,20130429,139,111
GHCND:USW00094728,20130430,200,106
GHCND:USW00094728,20130501,206,83
GHCND:USW00094728,20130502,222,94
GHCND:USW00094728,20130503,189,94
GHCND:USW00094728,20130504,206,89
GHCND:USW00094728,20130505,178,78
GHCND:USW00094728,20130506,206,78
GHCND:USW00094728,20130507,233,111
GHCND:USW00094728,20130508,172,128
GHCND:USW00094728,20130509,200,122
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 14/19
9/10/2018 Jupyter Notebook Viewer
GHCND:USW00094728,20130510,261,150
GHCND:USW00094728,20130511,211,161
GHCND:USW00094728,20130512,211,106
GHCND:USW00094728,20130513,144,72
GHCND:USW00094728,20130514,161,56
GHCND:USW00094728,20130515,206,111
GHCND:USW00094728,20130516,261,167
GHCND:USW00094728,20130517,222,144
GHCND:USW00094728,20130518,183,133
GHCND:USW00094728,20130519,150,128
GHCND:USW00094728,20130520,261,144
GHCND:USW00094728,20130521,300,200
GHCND:USW00094728,20130522,256,150
GHCND:USW00094728,20130523,267,178
GHCND:USW00094728,20130524,183,72
GHCND:USW00094728,20130525,122,72
GHCND:USW00094728,20130526,189,89
GHCND:USW00094728,20130527,228,106
GHCND:USW00094728,20130528,200,133
GHCND:USW00094728,20130529,278,144
GHCND:USW00094728,20130530,322,222
GHCND:USW00094728,20130531,322,239
GHCND:USW00094728,20130601,322,228
GHCND:USW00094728,20130602,311,206
GHCND:USW00094728,20130603,256,189
GHCND:USW00094728,20130604,239,139
GHCND:USW00094728,20130605,233,144
GHCND:USW00094728,20130606,211,150
GHCND:USW00094728,20130607,172,150
GHCND:USW00094728,20130608,250,139
GHCND:USW00094728,20130609,267,172
GHCND:USW00094728,20130610,211,167
GHCND:USW00094728,20130611,267,178
GHCND:USW00094728,20130612,244,183
GHCND:USW00094728,20130613,206,128
GHCND:USW00094728,20130614,222,117
GHCND:USW00094728,20130615,267,161
GHCND:USW00094728,20130616,267,183
GHCND:USW00094728,20130617,289,206
GHCND:USW00094728,20130618,289,178
GHCND:USW00094728,20130619,250,150
GHCND:USW00094728,20130620,267,167
GHCND:USW00094728,20130621,278,178
GHCND:USW00094728,20130622,289,183
GHCND:USW00094728,20130623,311,211
GHCND:USW00094728,20130624,333,233
GHCND:USW00094728,20130625,328,228
GHCND:USW00094728,20130626,294,233
GHCND:USW00094728,20130627,300,228
GHCND:USW00094728,20130628,294,228
GHCND:USW00094728,20130629,283,217
GHCND:USW00094728,20130630,300,228
GHCND:USW00094728,20130701,250,222
GHCND:USW00094728,20130702,278,222
GHCND:USW00094728,20130703,283,228
GHCND:USW00094728,20130704,306,239
GHCND:USW00094728,20130705,322,244
GHCND:USW00094728,20130706,333,256
GHCND:USW00094728,20130707,333,256
GHCND:USW00094728,20130708,317,228
GHCND:USW00094728,20130709,311,233
GHCND:USW00094728,20130710,294,239
GHCND:USW00094728,20130711,289,244
GHCND:USW00094728,20130712,250,200
GHCND:USW00094728,20130713,272,194
GHCND:USW00094728,20130714,322,233
GHCND:USW00094728,20130715,344,256
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 15/19
9/10/2018 Jupyter Notebook Viewer
GHCND:USW00094728,20130716,344,250
GHCND:USW00094728,20130717,361,261
GHCND:USW00094728,20130718,367,272
GHCND:USW00094728,20130719,356,283
GHCND:USW00094728,20130720,339,272
GHCND:USW00094728,20130721,317,244
GHCND:USW00094728,20130722,300,239
GHCND:USW00094728,20130723,306,228
GHCND:USW00094728,20130724,283,200
GHCND:USW00094728,20130725,200,178
GHCND:USW00094728,20130726,283,183
GHCND:USW00094728,20130727,278,211
GHCND:USW00094728,20130728,256,211
GHCND:USW00094728,20130729,294,206
GHCND:USW00094728,20130730,283,194
GHCND:USW00094728,20130731,283,194
GHCND:USW00094728,20130801,244,189
GHCND:USW00094728,20130802,283,194
GHCND:USW00094728,20130803,256,200
GHCND:USW00094728,20130804,267,189
GHCND:USW00094728,20130805,256,167
GHCND:USW00094728,20130806,278,178
GHCND:USW00094728,20130807,267,211
GHCND:USW00094728,20130808,272,211
GHCND:USW00094728,20130809,294,233
GHCND:USW00094728,20130810,283,211
GHCND:USW00094728,20130811,272,183
GHCND:USW00094728,20130812,278,211
GHCND:USW00094728,20130813,250,200
GHCND:USW00094728,20130814,233,161
GHCND:USW00094728,20130815,256,150
GHCND:USW00094728,20130816,278,178
GHCND:USW00094728,20130817,289,178
GHCND:USW00094728,20130818,244,200
GHCND:USW00094728,20130819,261,189
GHCND:USW00094728,20130820,311,200
GHCND:USW00094728,20130821,322,222
GHCND:USW00094728,20130822,256,217
GHCND:USW00094728,20130823,278,217
GHCND:USW00094728,20130824,267,183
GHCND:USW00094728,20130825,283,178
GHCND:USW00094728,20130826,289,200
GHCND:USW00094728,20130827,306,217
GHCND:USW00094728,20130828,300,217
GHCND:USW00094728,20130829,267,217
GHCND:USW00094728,20130830,294,211
GHCND:USW00094728,20130831,300,228
GHCND:USW00094728,20130901,289,239
GHCND:USW00094728,20130902,278,233
GHCND:USW00094728,20130903,278,200
GHCND:USW00094728,20130904,278,183
GHCND:USW00094728,20130905,267,178
GHCND:USW00094728,20130906,222,139
GHCND:USW00094728,20130907,267,150
GHCND:USW00094728,20130908,283,178
GHCND:USW00094728,20130909,228,139
GHCND:USW00094728,20130910,306,200
GHCND:USW00094728,20130911,356,250
GHCND:USW00094728,20130912,306,211
GHCND:USW00094728,20130913,250,150
GHCND:USW00094728,20130914,194,122
GHCND:USW00094728,20130915,228,106
GHCND:USW00094728,20130916,228,133
GHCND:USW00094728,20130917,183,100
GHCND:USW00094728,20130918,222,106
GHCND:USW00094728,20130919,256,128
GHCND:USW00094728,20130920,261,156
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 16/19
9/10/2018 Jupyter Notebook Viewer
GHCND:USW00094728,20130921,250,161
GHCND:USW00094728,20130922,206,122
GHCND:USW00094728,20130923,189,100
GHCND:USW00094728,20130924,228,83
GHCND:USW00094728,20130925,228,111
GHCND:USW00094728,20130926,217,144
GHCND:USW00094728,20130927,206,139
GHCND:USW00094728,20130928,228,133
GHCND:USW00094728,20130929,222,139
GHCND:USW00094728,20130930,239,133
GHCND:USW00094728,20131001,278,150
GHCND:USW00094728,20131002,283,178
GHCND:USW00094728,20131003,256,172
GHCND:USW00094728,20131004,300,189
GHCND:USW00094728,20131005,244,178
GHCND:USW00094728,20131006,211,183
GHCND:USW00094728,20131007,244,156
GHCND:USW00094728,20131008,194,122
GHCND:USW00094728,20131009,167,117
GHCND:USW00094728,20131010,183,122
GHCND:USW00094728,20131011,200,156
GHCND:USW00094728,20131012,222,156
GHCND:USW00094728,20131013,183,133
GHCND:USW00094728,20131014,189,111
GHCND:USW00094728,20131015,222,117
GHCND:USW00094728,20131016,194,133
GHCND:USW00094728,20131017,228,161
GHCND:USW00094728,20131018,200,128
GHCND:USW00094728,20131019,178,111
GHCND:USW00094728,20131020,172,100
GHCND:USW00094728,20131021,189,100
GHCND:USW00094728,20131022,194,106
GHCND:USW00094728,20131023,128,72
GHCND:USW00094728,20131024,122,50
GHCND:USW00094728,20131025,117,44
GHCND:USW00094728,20131026,128,50
GHCND:USW00094728,20131027,144,78
GHCND:USW00094728,20131028,161,61
GHCND:USW00094728,20131029,133,67
GHCND:USW00094728,20131030,156,83
GHCND:USW00094728,20131031,189,117
GHCND:USW00094728,20131101,211,150
GHCND:USW00094728,20131102,200,128
GHCND:USW00094728,20131103,128,28
GHCND:USW00094728,20131104,78,17
GHCND:USW00094728,20131105,128,50
GHCND:USW00094728,20131106,161,94
GHCND:USW00094728,20131107,178,67
GHCND:USW00094728,20131108,100,44
GHCND:USW00094728,20131109,100,33
GHCND:USW00094728,20131110,161,67
GHCND:USW00094728,20131111,117,61
GHCND:USW00094728,20131112,111,-5
GHCND:USW00094728,20131113,39,-16
GHCND:USW00094728,20131114,111,6
GHCND:USW00094728,20131115,139,67
GHCND:USW00094728,20131116,156,72
GHCND:USW00094728,20131117,156,106
GHCND:USW00094728,20131118,183,106
GHCND:USW00094728,20131119,106,22
GHCND:USW00094728,20131120,67,0
GHCND:USW00094728,20131121,111,17
GHCND:USW00094728,20131122,139,106
GHCND:USW00094728,20131123,122,-5
GHCND:USW00094728,20131124,-10,-49
GHCND:USW00094728,20131125,17,-49
GHCND:USW00094728,20131126,83,6
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 17/19
9/10/2018 Jupyter Notebook Viewer
GHCND:USW00094728,20131127,167,17
GHCND:USW00094728,20131128,17,-10
GHCND:USW00094728,20131129,39,-16
GHCND:USW00094728,20131130,39,-38
GHCND:USW00094728,20131201,94,22
GHCND:USW00094728,20131202,94,50
GHCND:USW00094728,20131203,117,33
GHCND:USW00094728,20131204,111,50
GHCND:USW00094728,20131205,156,89
GHCND:USW00094728,20131206,167,28
GHCND:USW00094728,20131207,50,0
GHCND:USW00094728,20131208,6,-16
GHCND:USW00094728,20131209,39,-5
GHCND:USW00094728,20131210,28,-10
GHCND:USW00094728,20131211,6,-27
GHCND:USW00094728,20131212,-10,-49
GHCND:USW00094728,20131213,17,-49
GHCND:USW00094728,20131214,11,-55
GHCND:USW00094728,20131215,44,-10
GHCND:USW00094728,20131216,6,-38
GHCND:USW00094728,20131217,0,-43
GHCND:USW00094728,20131218,28,-49
GHCND:USW00094728,20131219,83,-10
GHCND:USW00094728,20131220,117,50
GHCND:USW00094728,20131221,183,106
GHCND:USW00094728,20131222,217,161
GHCND:USW00094728,20131223,178,56
GHCND:USW00094728,20131224,56,-32
GHCND:USW00094728,20131225,-5,-71
GHCND:USW00094728,20131226,22,-10
GHCND:USW00094728,20131227,44,-5
GHCND:USW00094728,20131228,128,22
GHCND:USW00094728,20131229,89,50
GHCND:USW00094728,20131230,72,-49
GHCND:USW00094728,20131231,0,-60
GHCND:USW00094728,20140101,6,-43
In [61]:
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 18/19
9/10/2018 Jupyter Notebook Viewer
In [65]:
x = np.arange(len(datos[:, 1]))
Out[65]:
[<matplotlib.lines.Line2D at 0x7f70c6b449d0>]
Referencias
http://nbviewer.jupyter.org/github/Pybonacci/curso_python_alicante/blob/master/03_visualizacion-matplotlib.ipynb 19/19