Summary
This chapter covers how to generate line plots by passing one or two numeric arrays to a plotting function—optionally with markers—while leveraging automatic axis generation based on array indices.

General domain of usage
Data visualization

## 応用例

**折れ線グラフ**は、2つの変数（例：**x**、**y**）間の関係を直線で表現するために使用。より正式には、**連続変数**または**順序変数**間の関係を連続したデータポイントとして示す。さらに、特定の変数が時間とともにどのように変化するかも表示可能。

## 折れ線グラフの作成

`plot()`のよく知られた`pyplot`関数を使って折れ線グラフを作成。以下は、2つの変数間の二次関係を表示する例。

import matplotlib.pyplot as plt
import numpy as np

data_linear = np.arange(0, 6)
data_squared = data_linear ** 2

# Creating a line plot with specifying x and y
plt.plot(data_linear, data_squared, '-o')
plt.show()

実際、このコードはさらに簡略化できます。別の例を見てみましょう。

import matplotlib.pyplot as plt
import numpy as np
data_squared = np.arange(0, 6) ** 2
# Creating a line plot using only one array
plt.plot(data_squared, '-o')
plt.show()

1つの配列（または `pandas.Series()`）である `data_squared` のみを `plot()` 関数に渡すと、`matplotlib` は配列の値をy軸として使用します。x軸は自動的に要素のインデックスで生成され、この場合は0から5までの数値になります。


import unittest
from unittest.mock import patch
import importlib
import numpy as np

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

class TestUserCode(unittest.TestCase):

    def test_plot_function_is_used(self):
        with patch('matplotlib.pyplot.plot') as mock_plot:
            importlib.reload(importlib.import_module("user_code"))
            _dynamic_test(
                self,
                mock_plot.called,
                "`plot()` is used to create the line plot.",
                "`plot()` is not used â make sure to call `plt.plot()`."
            )

    def test_plot_arguments_order(self):
        with patch('matplotlib.pyplot.plot') as mock_plot:
            import user_code
            importlib.reload(importlib.import_module("user_code"))
            x_data = getattr(user_code, 'x_data', None)
            y_data = getattr(user_code, 'y_data', None)

            correct_order = False
            if mock_plot.called:
                args, kwargs = mock_plot.call_args
                correct_order = (
                    np.array_equal(args[0], x_data) and
                    np.array_equal(args[1], y_data)
                )

            _dynamic_test(
                self,
                correct_order,
                "`plot()` is called with `x_data` as x-axis and `y_data` as y-axis in correct order.",
                "`plot()` must be called with `x_data` (x-axis) and `y_data` (y-axis) in correct order."
            )

    def test_plot_style_argument(self):
        with patch('matplotlib.pyplot.plot') as mock_plot:
            importlib.reload(importlib.import_module("user_code"))
            correct_style = False
            if mock_plot.called:
                args, kwargs = mock_plot.call_args
                correct_style = len(args) >= 3 and args[2] == '-o'

            _dynamic_test(
                self,
                correct_style,
                "`plot()` is called with correct style ('-o' - markers and lines).",
                "`plot()` is called with incorrect style."
            )

if __name__ == '__main__':
    unittest.main()


test_line.py

データは私たちの身の回りにあふれており、それを理解することは非常に重要です。可視化は、データ内の特定のパターンや洞察を見つけることで、データを扱うのに役立ちます。Pythonとそのライブラリ（matplotlibやseabornなど）を用いて、データからできるだけ多くの情報を整然かつ簡潔に取得するためのデータ可視化の確かな基礎を身につけます。

Matplotlibによるデータ可視化の基本を学びます。コアとなる概念を理解し、その利点を探り、この基本的なプロットライブラリを使って最初のシンプルなプロットを作成します。

最も一般的なプロットタイプを使ってデータを視覚化する方法を習得します。折れ線グラフ、散布図、棒グラフを作成し、データから得られる洞察を明確に伝える方法を学びます。

プロットをより情報豊かで視覚的に魅力的にする方法を学びます。タイトル、凡例、色、グリッドの追加や、複数のサブプロットを効果的に配置する方法を紹介します。

データの分布やパターンを分析するための統計的な可視化手法を探求します。ヒストグラム、箱ひげ図、円グラフを作成し、より深い統計的洞察を得ます。

Seabornを使用して、可視化スキルをさらに高めましょう。カウントプロット、KDE、ペアプロット、ヒートマップなどの高度なプロットを作成し、Seabornの洗練されたスタイルとカスタマイズオプションを習得します。

折れ線グラフ

応用例

折れ線グラフの作成

解答