Diferencias

Muestra las diferencias entre dos versiones de la página.

--- clase:iabd:pia:1eval:tema04 [2022/12/21 16:50]
admin [Dibujando en 3D]
+++ clase:iabd:pia:1eval:tema04 [2024/04/07 10:46] (actual)
admin [Figura]
@@ Línea 195: / Línea 195: @@
 ===== Figura =====
 Acabamos de ver como colocar cada gráfica dentro de la figura. Ahora veremos unas cosas mas sobre ella.
 *  Para hacer la figura mas grande solo hay que indicar el tamaño con el argumento ''figsize''
@@ Línea 223: / Línea 224: @@
+==== Subfiguras ====
+Además de ''figure'' y ''axes'', a partir de matplolib 3.4 existe las ''subfigure''. Éstas se pueden usar para poder poner un título común a varios ''axes''.
+Para ello se usa el método ''subfigures'' , indicando el número de filas y columnas. Este método retornará un array con todas las subfiguras. Cada subfigura será como una nueva figura.
-===== Proyecciones =====
+<sxh python>
+subfigure_a,subfigure_b = figure.subfigures(nrows=2, ncols=1)
+</sxh>
+Veamos un ejemplo:
+<sxh python>
+import matplotlib.pyplot as plt
+figure=plt.figure(figsize=(8, 6),layout='constrained')
+figure.suptitle("Título de la figura")
+subfigure_a,subfigure_b = figure.subfigures(nrows=2, ncols=1)
+subfigure_a.suptitle("Titulo de la SubFigura A")
+axes_1 = subfigure_a.add_subplot(1,2,1)
+axes_1.set_title("axes_1")
+axes_2 = subfigure_a.add_subplot(1,2,2)
+axes_2.set_title("axes_2")
+subfigure_b.suptitle("Titulo de la SubFigura B")
+axes_3 = subfigure_b.add_subplot(1,2,1)
+axes_3.set_title("axes_3")
+axes_4 = subfigure_b.add_subplot(1,2,2)
+axes_4.set_title("axes_4")
+</sxh>
+{{:clase:iabd:pia:1eval:subfiguras.png?400|}}
+==== Proyecciones ====
 Indicar como es la proyección de los ejes.
@@ Línea 251: / Línea 285: @@
 {{:clase:iabd:pia:1eval:figure_proyecciones.png|}}
+==== Clase Figura ====
+La siguiente clase permite simplificar la creación de ''Axes'' cuando queremos mostrar muchos en forma de matriz con varias columnas y muchas filas.
+<sxh python>
+class Figura:
+  def __init__(self,ncols,naxes,axes_width_inches=6, axes_height_inches=None):
+    self.ncols=ncols
+    self.num_axes=naxes
+    self.nrows=math.ceil(naxes/ncols)
+    if axes_height_inches==None:
+      axes_height_inches=axes_width_inches*0.86
+    self.figure, self.arr_axes = plt.subplots(ncols=self.ncols, nrows=self.nrows, figsize=(self.ncols*axes_width_inches,self.nrows*axes_height_inches),
+                        layout="constrained")
+    if isinstance(self.arr_axes, (list, tuple, np.ndarray))==False:
+      self.arr_axes=np.array([[self.arr_axes]])
+  def get_axes(self):
+        return np.array(self.arr_axes).reshape(-1)
+</sxh>
+El uso de la clase es la siguiente.
+Imagina que quieres mostrar 12 ''Axes'' en 3 columnas y luego obtener cada uno de los axes.
+<sxh python>
+figura=Figura(ncols=3,naxes=12)
+for axes in figura.get_axes():
+  axes.plot()
+</sxh>
+La ventaja de esta clase es que no te tienes que preocupar del número de filas que va a haber. Que en este caso serán 4
 ===== Dibujando en 2D =====
 Ahora veamos una serie de métodos para dibujar en un ''Axes'' o gráfica en 2 dimensiones
@@ Línea 788: / Línea 858: @@
 <sxh python>
 axes.grid(visible=True, which='major', axis='both',color="#A0A0A0",linewidth=1)
+axes.set_axisbelow(True)
 </sxh>
-{{:clase:iabd:pia:1eval:ejemplo_grid.png|}}
+{{:clase:iabd:pia:1eval:ejemplo_grid.png?400|}}
+<note tip>
+Incluir ''axes.set_axisbelow(True)'' para que el grid esté por debajo en el z-orden.
+</note>
 <note tip>
@@ Línea 854: / Línea 929: @@
 {{:clase:iabd:pia:1eval:ejemplo_spines.png|}}
 ==== Superficies ====
@@ Línea 1358: / Línea 1434: @@
 <sxh python>
+import numpy as np
+import pandas as pd
 import seaborn as sns
+from sklearn.datasets import load_iris
+iris=load_iris()
+#Obtener los datos
+data=iris.data
+target=iris.target
+feature_names=['longitud sepalo ','ancho sepalo','longitud petalo','ancho petalo'] #iris.feature_names
+target_names=['setosa', 'versicolor', 'virginica'] #iris.target_names
+target_unique=[0,1,2] #np.unique(target)
+#Crear el DataFrame con los datos
+df=pd.DataFrame(data, columns=feature_names)
+df['flores']=target
+df['flores'] = df['flores'].replace(target_unique,target_names)
-iris =sns.load_dataset("iris")
-sns.pairplot(iris,hue="species")
+#Crear el gráfico
+sns.pairplot(df,hue="flores")
 </sxh>
@@ Línea 1429: / Línea 1523: @@
 {{ :clase:iabd:pia:1eval:tema_4_ejercicio_23_c.png?direct |}}
+==== Ejercicio 23.D ====
+Repite el ejercicio anterior pero ahora divide los datos en entrenamiento y validación.
+Para ello usa la función ''train_test_split'' de sklearn
+<sxh python>
+from sklearn.model_selection import train_test_split
+x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)
+</sxh>
+El parámetro ''test_size'' indica el % de datos (en tpu) que serán para el test.
+Ahora deberás indicar en el método ''fit'' que ahora hay datos de entrenamiento y de test
+<sxh python>
+history=model.fit(x_train,y_train,validation_data=(x_test,y_test),epochs=epochs,verbose=False)
+</sxh>
+Para acabar ahora están las métricas de:
+  * ''loss'' : La pérdida en entrenamiento
+  * ''val_loss'' : La pérdida en validación
+Al mostrar la gráfica, muestra tanto ''loss'' como ''val_loss'' del mismo color pero que la línea de ''val_loss'' sea continua y la línea de ''val_loss'' sea puenteada
+{{:clase:iabd:pia:1eval:tema_4_ejercicio_23_d.png?direct|}}

logongas

Herramientas de usuario

Herramientas del sitio

Diferencias

Herramientas de la página