🎨 Matplotlib – Daten sichtbar machen mit Python

🎨 Matplotlib – Daten sichtbar machen mit Python#

🧠 Warum Visualisierung?#

Daten sind oft Zahlenkolonnen, Tabellen oder Zeitreihen – informativ, aber schwer verständlich auf den ersten Blick.

Menschen denken visuell – wir sehen Trends, Muster, Ausreißer sofort, wo Tabellen uns nur Zahlen zeigen.

📊 Ein gutes Diagramm kann:#

  • komplexe Sachverhalte in Sekunden erfassbar machen

  • Zusammenhänge oder Ausreißer aufdecken

  • Modelle und Berechnungen erklärbar machen

  • in Berichten, Präsentationen und Dashboards glänzen ✨

🐍 Was ist Matplotlib?#

Matplotlib ist die Standardbibliothek für Datenvisualisierung in Python. Sie ist extrem flexibel, weit verbreitet und für fast alle Diagrammarten geeignet:

Diagrammtyp

Funktion

Liniendiagramm

plt.plot()

Streudiagramm

plt.scatter()

Balkendiagramm

plt.bar() / barh()

Histogramm

plt.hist()

Boxplot

plt.boxplot()

Kreisdiagramm

plt.pie()

Heatmap, Surface

plt.imshow(), contour() etc.

📌 Installation#

MatPlotLib wird wie jedes andere Paket auch installiert

pip install matplotlib

Im Python-Code wird das Paket dann importiert. Da oft nicht alles gebraucht wird ist ein üblicher Weg so:

from matplotlib import pyplot as plt

📘 Abschnitt 1 – Einführung & Grundlagen#

  • Was ist Matplotlib?

  • pyplot vs. object-oriented interface

  • Erste Plots: plt.plot(), plt.title(), plt.xlabel(), plt.ylabel()

  • Achsen & einfache Beschriftung

  • Diagramm anzeigen (plt.show()) und speichern (plt.savefig())

Übung: Erstelle eine einfache Linie (z. B. Wachstum über Zeit)

📘 Abschnitt 2 – Diagrammtypen I: Linien, Punkte, Balken#

  • plt.plot() – Linien

  • plt.scatter() – Punktwolken

  • plt.bar() / plt.barh() – Säulen- und Balkendiagramme

  • Farben, Marker, Linientypen

Übung: Vergleich zweier Produktverkäufe mit Balken- und Liniendiagramm

📘 Abschnitt 3 – Diagrammtypen II: Histogramme, Boxplots, Torten#

  • plt.hist() – Histogramme für Häufigkeiten

  • plt.boxplot() – Verteilung, Median, Ausreißer

  • plt.pie() – Kreisdiagramme (mit Prozentangaben)

Übung: Erstelle ein Histogramm von Zufallszahlen & eine Boxplot-Auswertung

📘 Abschnitt 4 – Achsen, Layout & Subplots#

  • Achsenskalen: plt.xlim(), plt.ylim(), plt.xticks()

  • Log-Skalen

  • Mehrere Diagramme nebeneinander: plt.subplot(), plt.subplots()

  • Layout verbessern mit tight_layout()

Übung: Erstelle ein 2×2 Grid mit vier unterschiedlichen Diagrammtypen

📘 Abschnitt 5 – Stile, Farben, Design#

  • Farben und benutzerdefinierte Farbpaletten

  • Linienstile, Marker, Transparenz (alpha)

  • plt.style.use() – vordefinierte Themes

  • Design-Tipps für Präsentationen

Übung: Erstelle ein mehrfarbiges Linien-Diagramm mit Legende & angepasstem Stil

📘 Abschnitt 6 – Interaktion, Annotation, Beschriftung#

Themen:

  • plt.legend() – automatische & manuelle Legenden

  • plt.annotate() – Text & Pfeile im Plot

  • Tooltips, Cursor-Infos (optional interaktiv mit mplcursors)

  • Speicherung in verschiedenen Formaten (PNG, SVG, PDF)

Übung: Markiere Extremwerte in einem Linienplot mit Annotationen

📘 Abschnitt 7 – Matplotlib mit Pandas & NumPy kombinieren#

  • Direktes Plotten von DataFrames (df.plot())

  • Visualisierung von Zeitreihen

  • Darstellung von Gruppenvergleichen

  • Beispiel mit NumPy: mathematische Funktionen visualisieren

Übung: Lade CSV mit Temperaturdaten, zeige Verlauf + Monatsmittel im Plot

Contents