- Ausführende
-
Lernen
Python lernen Ausführbare Beispiele, NumPy, pandas und mehr KI lernenNeuronale Netze, ML und LLMs von Grund auf C/C++ lernen Zeiger, Speicher, STL und modernes C++ C# lernenC#-Grundlagen, OOP, LINQ, Async und .NET-Übungen Matplotlib lernenLinien-, Balken-, Streu- und Kreisdiagramme mit interaktiven Visualisierungen Python-Algorithmen Suche, Sortierung, Rekursion und Visualisierungen O(n) C/C++-Algorithmen Implementierungen in C und C++ vergleichen
- AufgabenNeu
- Für LehrkräfteNeu
Error Bars and Uncertainty
Öffne, starte und verändere Error Bars and Uncertainty in der Online-Matplotlib-IDE von CodeUtility.
🚀 565,273 Gesamt-Ausführungen (11,978 diesen Monat)
Übe Python mit Coding Challenges
Löse praktische Aufgaben direkt im Editor: Führe die Beispieltests aus, reiche ein und erhalte ein KI-Code-Review.
📊 Über diesen Matplotlib Online-Executor
Der CodeUtility Matplotlib Executor ermöglicht es dir, Python-Code zu schreiben und auszuführen, der Matplotlib-Plot-Befehle enthält - direkt in deinem Browser, ohne Einrichtung oder lokale Installation. Er startet echte Python-Umgebungen mit vorinstalliertem Matplotlib und ermöglicht so die sofortige Erstellung visueller Ausgaben.
Dieses Tool verwendet die neueste Matplotlib-Version und unterstützt typische Python-Bibliotheken für Datenanalyse und Scientific Computing, darunter NumPy und Pandas.
Du kannst 2D-Diagramme, Streudiagramme, Histogramme oder individuelle Visualisierungen erstellen - das Tool erfasst deine Abbildung automatisch und zeigt sie in einem Popup-Fenster an, sobald der Code erfolgreich ausgeführt wurde.
Ideal für Lernende, Data Scientists und Ingenieurinnen und Ingenieure, die schnell mit Python-Visualisierungscode experimentieren wollen - ganz ohne Jupyter Notebook oder lokale Python-Installation.
Mehr als nur ein Code-Runner
Nutzen Sie im selben Executor einen Editor für mehrere Dateien, ein isoliertes Ausführungsterminal, laufzeitspezifische Bibliotheken, persistente Arbeitsbereiche, Freigaben und Zusammenarbeit in Echtzeit.
Wie verwende ich diesen Executor?
Wählen Sie eine Laufzeit aus, öffnen oder erstellen Sie eine Datei, schreiben Sie Ihren Code und wählen Sie Ausführen. Die Ausgabe erscheint im Terminal. Angemeldete Benutzer können Dateien in einem Arbeitsbereich speichern, Bibliotheken installieren und über Freigaben zusammenarbeiten.
- Wählen Sie eine Version aus und bearbeiten Sie die aktuelle Datei oder öffnen Sie eine andere Datei aus dem Arbeitsbereich.
- Führen Sie den Code aus, geben Sie bei Aufforderung Daten im Terminal ein und prüfen Sie den gespeicherten Ausführungsverlauf.
- Nutzen Sie Bibliotheken, Arbeitsbereichswerkzeuge, Freigaben und den Chat, wenn Ihre Aufgabe mehr als ein einzelnes Codefragment erfordert.
📊 Einführung in Matplotlib
1. Was ist Matplotlib?
Matplotlib ist eine beliebte Python-Bibliothek zum Erstellen statischer, animierter und interaktiver Visualisierungen. Sie ist besonders nützlich in der Datenanalyse und im Scientific Computing.
import matplotlib.pyplot as plt2. Liniendiagramm
Ein einfaches Liniendiagramm mit X- und Y-Werten.
import matplotlib.pyplot as plt
x = [1, 2, 3, 4]
y = [2, 4, 6, 8]
plt.plot(x, y)
plt.title("Liniendiagramm")
plt.xlabel("X-Achse")
plt.ylabel("Y-Achse")
plt.show()3. Balkendiagramm
Balkendiagramme eignen sich zum Vergleichen diskreter Kategorien.
categories = ['A', 'B', 'C']
values = [5, 7, 3]
plt.bar(categories, values)
plt.title("Balkendiagramm")
plt.show()4. Streudiagramm
Verwende Streudiagramme, um Beziehungen zwischen zwei numerischen Variablen zu zeigen.
x = [1, 2, 3, 4]
y = [10, 20, 25, 30]
plt.scatter(x, y)
plt.title("Streudiagramm")
plt.show()5. Kreisdiagramm
Kreisdiagramme werden verwendet, um Anteile darzustellen.
labels = ['Apfel', 'Banane', 'Kirsche']
sizes = [30, 40, 30]
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title("Obstverteilung")
plt.show()6. Histogramm
Histogramme helfen, die Verteilung numerischer Daten zu verstehen.
import numpy as np
data = np.random.randn(1000)
plt.hist(data, bins=30)
plt.title("Histogramm")
plt.show()7. Mehrere Diagramme
Erzeuge mehrere Diagramme in einer Abbildung mit Subplots.
x = [1, 2, 3, 4]
y1 = [1, 4, 9, 16]
y2 = [2, 3, 5, 7]
plt.subplot(1, 2, 1)
plt.plot(x, y1)
plt.title("Diagramm 1")
plt.subplot(1, 2, 2)
plt.plot(x, y2)
plt.title("Diagramm 2")
plt.tight_layout()
plt.show()8. Stile anpassen
Du kannst Farben, Stile, Marker und mehr anpassen.
plt.plot(x, y1, color='red', linestyle='--', marker='o')
plt.title("Formatierte Linie")
plt.show()9. Diagramm als Bild speichern
Speichere dein Diagramm mit savefig() als Bilddatei.
plt.plot(x, y1)
plt.savefig("mein_diagramm.png")10. 3D-Plot (Fortgeschritten)
Matplotlib unterstützt auch 3D-Plotting über mpl_toolkits.mplot3d.
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = [1, 2, 3]
y = [2, 3, 4]
z = [5, 6, 7]
ax.scatter(x, y, z)
plt.show()