رسم نمودار با Matplotlib — کدهای آماده کامل برای هر نیاز بصری

🎨 نقشه راه شما برای تسلط بر Matplotlib در یک نگاه 📊

💡 یه نکته دوستانه: یادگیری Matplotlib فقط برای تحلیلگرهای داده نیست. حتی اگه تو حوزه‌های مثل توسعه وب با پایتون یا یادگیری ماشین کار می‌کنی، نمایش بصری نتایج می‌تونه کلی بهت کمک کنه تا کارتو بهتر درک و ارائه بدی.

pip install matplotlib
    

import matplotlib.pyplot as plt

# داده‌های نمونه
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 5, 2]

# رسم نمودار خطی
plt.plot(x, y)

# اضافه کردن عنوان و برچسب محورها
plt.title("اولین نمودار خطی من")
plt.xlabel("محور X")
plt.ylabel("محور Y")

# نمایش نمودار
plt.show()
    

import matplotlib.pyplot as plt
import numpy as np

# داده‌های تصادفی
np.random.seed(42) # برای نتایج قابل تکرار
x = np.random.rand(50) * 10
y = np.random.rand(50) * 10
colors = np.random.rand(50) # رنگ بر اساس یه متغیر سوم
sizes = np.random.rand(50) * 100 # اندازه بر اساس یه متغیر چهارم

plt.scatter(x, y, c=colors, s=sizes, alpha=0.7, cmap='viridis')
plt.title("نمودار پراکنده با رنگ و اندازه متفاوت")
plt.xlabel("متغییر X")
plt.ylabel("متغیر Y")
plt.colorbar(label="میزان C") # اضافه کردن راهنمای رنگ
plt.show()
    

import matplotlib.pyplot as plt

دسته_بندی_ها = ['A', 'B', 'C', 'D']
مقادیر = [23, 45, 56, 12]

plt.bar(دسته_بندی_ها, مقادیر, color=['skyblue', 'lightcoral', 'lightgreen', 'gold'])
plt.title("نمودار میله‌ای مقایسه‌ای")
plt.xlabel("دسته‌بندی‌ها")
plt.ylabel("مقادیر")
plt.show()
    

import matplotlib.pyplot as plt
import numpy as np

# داده‌های تصادفی با توزیع نرمال
data = np.random.normal(loc=0, scale=1, size=1000) # میانگین 0، انحراف معیار 1

plt.hist(data, bins=30, color='teal', alpha=0.7) # bins تعداد ستون‌ها رو مشخص می‌کنه
plt.title("هیستوگرام توزیع داده‌ها")
plt.xlabel("مقادیر")
plt.ylabel("تعداد فراوانی")
plt.grid(axis='y', alpha=0.75) # اضافه کردن خطوط راهنما
plt.show()
    

import matplotlib.pyplot as plt

labels = ['سیب', 'موز', 'پرتقال', 'انگور']
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0) # جدا کردن یه قسمت برای تاکید

fig1, ax1 = plt.subplots()
ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
        shadow=True, startangle=90, colors=['gold', 'yellowgreen', 'lightcoral', 'lightskyblue'])
ax1.axis('equal')  # تضمین می‌کند که دایره به صورت یک پارچه کشیده شود.

plt.title("توزیع میوه‌ها")
plt.show()
    

import matplotlib.pyplot as plt
import numpy as np

# داده‌های چند گروه
data_group1 = np.random.normal(loc=100, scale=10, size=100)
data_group2 = np.random.normal(loc=90, scale=20, size=100)
data_group3 = np.random.normal(loc=110, scale=5, size=100)

data_to_plot = [data_group1, data_group2, data_group3]

plt.boxplot(data_to_plot, patch_artist=True,
            boxprops=dict(facecolor='lightblue', color='blue'),
            medianprops=dict(color='red'))
plt.title("نمودار جعبه‌ای برای مقایسه توزیع گروه‌ها")
plt.xlabel("گروه‌ها")
plt.ylabel("مقادیر")
plt.xticks([1, 2, 3], ['گروه 1', 'گروه 2', 'گروه 3']) # نامگذاری محور x
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()
    

✅ بهینه‌سازی برای موبایل و تبلت: یادت باشه که نمودارهات باید روی هر دستگاهی خوب دیده بشن. Matplotlib به صورت پیش‌فرض خروجی نسبتاً رسپانسیو می‌ده، اما استفاده از `plt.tight_layout()` می‌تونه کمک کنه تا فاصله‌ها بهتر تنظیم بشن و چیزی از کادر بیرون نزنه.

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y1 = [10, 12, 8, 15, 7]
y2 = [5, 8, 12, 6, 10]

plt.plot(x, y1, label='سری داده 1', color='blue', linestyle='--', marker='o')
plt.plot(x, y2, label='سری داده 2', color='red', linestyle='-', marker='x')

plt.title("نمودار مقایسه دو سری داده", fontsize=16, color='darkgreen')
plt.xlabel("زمان (ساعت)", fontsize=12)
plt.ylabel("مقادیر", fontsize=12)

plt.legend(loc='upper right', fontsize=10) # اضافه کردن Legend
plt.grid(True, linestyle=':', alpha=0.6) # اضافه کردن گرید

plt.show()
    

import matplotlib.pyplot as plt
import numpy as np

# داده‌های نمونه
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.sin(x) * np.cos(x)

# ساخت یک شکل با دو ردیف و دو ستون
fig, axs = plt.subplots(2, 2, figsize=(10, 8)) # 2x2 زیرنمودار

# نمودار اول (بالا چپ)
axs[0, 0].plot(x, y1, color='purple')
axs[0, 0].set_title('نمودار سینوس')
axs[0, 0].set_ylabel('مقادیر')

# نمودار دوم (بالا راست)
axs[0, 1].scatter(x, y2, color='orange', s=10)
axs[0, 1].set_title('نمودار کسینوس')

# نمودار سوم (پایین چپ)
axs[1, 0].plot(x, y3, color='green', linewidth=2)
axs[1, 0].set_title('نمودار سینوس * کسینوس')
axs[1, 0].set_xlabel('محور X')
axs[1, 0].set_ylabel('مقادیر')

# نمودار چهارم (پایین راست) - خالی یا با داده‌های دیگر
axs[1, 1].text(0.5, 0.5, 'اینجا میتونیnنمودار دیگه ایnبذاری!',
              horizontalalignment='center', verticalalignment='center',
              fontsize=14, color='gray')
axs[1, 1].axis('off') # برای مخفی کردن محورها

plt.suptitle('چندین نمودار در یک شکل', fontsize=18, fontweight='bold')
plt.tight_layout(rect=[0, 0.03, 1, 0.95]) # تنظیم فاصله‌ها
plt.show()
    

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.plot(x, y)
plt.title("نمودار سینوس")
plt.xlabel("X")
plt.ylabel("sin(X)")

# ذخیره نمودار در فایل
# dpi: کیفیت و وضوح تصویر (Dots Per Inch)
# bbox_inches='tight': حذف فضاهای اضافی دور نمودار
plt.savefig('sine_wave.png', dpi=300, bbox_inches='tight')
plt.savefig('sine_wave.pdf', dpi=300, bbox_inches='tight') # برای خروجی وکتور
plt.show()
    

import matplotlib.pyplot as plt
import numpy as np

# لیست Style Sheet های موجود رو با این دستور می‌تونی ببینی:
# print(plt.style.available)

plt.style.use('ggplot') # انتخاب استایل ggplot

x = np.linspace(0, 10, 100)
y_sin = np.sin(x)
y_cos = np.cos(x)

plt.plot(x, y_sin, label='sin(x)')
plt.plot(x, y_cos, label='cos(x)')
plt.title("نمودار سینوس و کسینوس با استایل ggplot")
plt.xlabel("X")
plt.ylabel("Y")
plt.legend()
plt.show()

# می‌تونی استایل رو به حالت پیش‌فرض برگردونی
# plt.style.use('default')
    

import matplotlib.pyplot as plt
import matplotlib.font_manager as fm

# مسیر فونت فارسی رو به سیستم خودت تغییر بده
# فونت‌های رایج فارسی: Shabnam, Vazirmatn, IranSans
font_path = '/usr/share/fonts/truetype/yekan/Yekan.ttf' # مثال برای لینوکس
# font_path = 'C:/Windows/Fonts/Arial.ttf' # مثال برای ویندوز (اگه یه فونت فارسی مثل Nazanin نصب کرده باشی)

# اضافه کردن فونت به Matplotlib
fm.fontManager.addfont(font_path)
plt.rcParams['font.family'] = fm.FontProperties(fname=font_path).get_name()
plt.rcParams['axes.unicode_minus'] = False # برای اینکه علامت منفی به درستی نمایش داده شود

# حالا می‌تونی متن فارسی بنویسی
# plt.title("نمودار من")
# plt.xlabel("محور X")
# plt.ylabel("محور Y")
    

🚀 آماده‌ای پروژه‌هایت را متحول کنی؟

اگر به دنبال اسنیپت‌های آماده و کاربردی برای جاوا اسکریپت، HTML، CSS یا پایتون هستی، همین الان یه سری به بخش کدهای آماده و اسنیپت‌های ما بزن! ما کلی ابزار و کد برات جمع کردیم که ساعت‌ها وقتت رو صرفه‌جویی می‌کنه و بهت کمک می‌کنه سریع‌تر و با کیفیت بالاتر کد بزنی.

همین حالا به فروشگاه ابزارهای ما سر بزن!