Awesome GitHub RepositoriesMatplotlib

SciencePlots is a Matplotlib style library and scientific plotting framework designed to automate the formatting of figures for academic journals and professional scientific publications. It provides a collection of visual presets and configuration rules for academic typography, layout, and resolution. The project features curated color-blind accessible palettes and figure formatters specifically designed to meet the strict submission standards of academic publishers. It includes specialized tools for professional figure styling and the rendering of non-Latin scripts for multilingual support.

QuantStats is an open-source Python library that calculates risk and return metrics from a portfolio return series and generates comprehensive HTML tear sheets. It computes dozens of financial statistics—including Sharpe ratio, drawdown, and volatility—in a single pass over the input data, using vectorized pandas operations for efficiency. The library distinguishes itself by combining portfolio performance analysis with Monte Carlo simulation, which models thousands of random return paths to estimate the probability of reaching financial targets or hitting loss thresholds. It produces self-co

Dieses Projekt ist eine Python-Bibliothek für Datenanalyse und ein Framework für explorative Datenanalyse, das für die Verarbeitung von Rohdatensätzen konzipiert ist. Es bietet eine Suite von Tools zur Untersuchung von Daten, zur Identifizierung von Anomalien und zur Anwendung statistischer Methoden, um Muster aufzudecken. Das Repository fungiert als Machine-Learning-Modellierungs-Toolkit und statistische Datenmodellierungssuite. Es enthält prädiktive Algorithmen und mathematische Modelle, die verwendet werden, um Beziehungen zwischen Datenvariablen zu analysieren und Erkenntnisse aus komplexen Datensätzen abzuleiten. Das Projekt deckt ein breites Spektrum an Funktionen ab, einschließlich Data Science, Machine-Learning-Modellierung und explorativer Datenanalyse. Diese werden durch Datenmanipulation, numerische Berechnung und Datenvisualisierung implementiert.

r4ds ist ein Data-Science-Lehrplan und eine Bildungsressource, die für die Beherrschung der Programmiersprache R entwickelt wurde. Es bietet einen strukturierten Lernpfad für den End-to-End-Prozess des Importierens, Bereinigens, Transformierens und Visualisierens von Daten. Das Projekt betont einen Leitfaden für reproduzierbare Data Science und einen umfassenden Lehrplan für Data Wrangling. Es enthält spezialisierte Tutorials zur Grammatik der Grafik für geschichtete Datenvisualisierung sowie technische Publikationen, die mit Quarto erstellt wurden und ausführbaren Code mit erzählendem Text verbinden. Das Material deckt ein breites Spektrum analytischer Funktionen ab, einschließlich Datenaufnahme aus diversen Quellen, relationalem Daten-Joining und der Verwaltung kategorialer Variablen. Es behandelt zudem Datenbereinigung, mathematische Modellierung und die Erstellung professioneller Berichte und Präsentationen in verschiedenen Formaten. Der Lehrplan konzentriert sich auf die praktische Anwendung funktionaler Programmierung und Tidy-Data-Prinzipien, um transparente und wiederholbare Analysen zu erstellen.

Dieses Projekt ist eine Sammlung von Python-Implementierungen für Web Scraping, Netzwerkverkehr-Interzeption, Datenanalyse und Sentiment-Analyse. Es bietet Methoden zum Extrahieren strukturierter Daten von Websites und Schnittstellen mobiler Anwendungen. Die Sammlung enthält Tools zum Erfassen und Analysieren von Netzwerkpaketen mobiler Anwendungen, um versteckte interne API-Endpunkte zu identifizieren. Sie bietet zudem Skripte zur Bewertung des emotionalen Tons und der öffentlichen Wahrnehmung von Textdaten. Das Projekt deckt die Datenmanipulation und -transformation großer Datensätze ab sowie die Erstellung von Diagrammen und Graphen zur Identifizierung demografischer Trends und Muster.

This is an interactive notebook-based course that teaches machine learning from Python fundamentals through deep learning and natural language processing. It uses real datasets and multiple frameworks within a structured, hands-on curriculum that combines concise explanations with executable code cells, built-in datasets, and embedded exercise checkpoints. Learning progresses through data preparation and exploration, classical machine learning workflows, computer vision with convolutional neural networks, and natural language processing with deep learning, all delivered as a cohesive progressi

Plotnine ist eine Datenvisualisierungsbibliothek für Python, die auf der Grammar of Graphics basiert. Sie dient als deklaratives statistisches Plotting-Framework und Multi-Panel-Plotting-Engine, die es Benutzern ermöglicht, komplexe Diagramme durch das Mapping von Datenvariablen auf visuelle Eigenschaften wie Position, Farbe und Größe zu erstellen. Das Projekt zeichnet sich durch sein schichtbasiertes Kompositionsmodell und eine statistische Transformations-Engine aus, die Aggregationen und Berechnungen vor dem Rendern der Visualisierungen durchführt. Es verfügt über ein umfassendes System für Multi-Panel-Faceting, das die Aufteilung einer einzelnen Visualisierung in ein Raster von Sub-Plots basierend auf kategorialen Variablen ermöglicht. Die Bibliothek deckt ein breites Spektrum an Funktionen ab, einschließlich diverser geometrischer Repräsentationen für Verteilungs-, Flächen- und Streudiagramme sowie Geodaten-Visualisierung für das Rendern geografischer Grenzen. Sie bietet umfangreiche Tools für Skalen-Mapping, Koordinatenprojektionen und themenbasiertes Styling, um datengetriebene Elemente von nicht-datenbezogenen ästhetischen Eigenschaften zu trennen. Das Framework nutzt ein Matplotlib-Backend für das Rendering und integriert sich über Piping-Operationen mit tabellarischen Dataframes.

Dieses Projekt ist eine Python-Bibliothek für maschinelles Lernen und ein Data-Science-Toolkit, das für den Aufbau prädiktiver Modelle und die Analyse komplexer Datensätze entwickelt wurde. Es bietet eine Sammlung von Implementierungen für gängige überwachte und unüberwachte Algorithmen unter Verwendung des Scikit-Learn-Frameworks. Das Toolkit enthält eine Suite für prädiktive Modellierung zur Generierung von Vorhersagen aus historischen Daten und ein statistisches Analyse-Framework zur Anwendung von Bayes-Modellierung und Kausalitätstests. Es bietet zudem eine Datenvisualisierungssuite basierend auf Matplotlib zum Rendern statischer Diagramme und Grafiken, um Klassifikatorgrenzen und Datentrends zu interpretieren. Das Projekt deckt Daten-Clustering-Workflows zur Identifizierung von Mustern und Segmenten, explorative Datenanalyse und die Vorverarbeitung von Daten unter Verwendung von Pandas und NumPy ab.

This project is a machine learning education resource consisting of Python implementations of statistical learning models and data analysis examples from a core textbook. It serves as a statistical modeling library that provides the code necessary to implement linear regression, classification, and unsupervised learning techniques for academic data analysis. The repository is structured as a reference-driven implementation, with a directory layout that mirrors the chapter and section hierarchy of the associated academic publication. It includes a set of scripts and notebooks designed to gener

Yellowbrick is a machine learning visualization library and model diagnostic tool designed to analyze feature importance, target distributions, and model error metrics. It serves as a visual toolkit for diagnosing underfitting and overfitting through the use of validation and learning curves. The project provides specialized suites for evaluating predictive models and unsupervised learning. It enables the determination of optimal cluster counts via elbow methods and silhouette coefficients, and assesses classifier and regressor quality through ROC curves, confusion matrices, and residual plot

mplfinance is a financial time-series plotter and market data visualization framework built on Matplotlib. It is designed to render market data frames into specialized charts, including candlesticks, OHLC bars, Renko bricks, and point-and-figure columns. The library distinguishes itself through a dedicated market data framework that manages trading calendars and non-trading periods, ensuring accurate temporal spacing by collapsing gaps during holidays. It also provides a system for technical analysis charting, enabling the overlay of moving averages, volume bars, and other technical indicator

PyQtGraph is a scientific plotting and graphics framework built for PyQt and PySide applications, providing fast, interactive 2D and 3D visualizations with GPU-accelerated rendering. It serves as both a real-time signal monitoring system for streaming time-series data and a toolkit for constructing interactive data dashboards with dockable panels, parameter trees, and custom widgets. The library also includes a node-based visual flowchart tool for building data processing pipelines and a scientific graphics export system that saves plots as PNG, SVG, or CSV and converts items to Matplotlib for

CFDPython ist eine Bildungsressource für Computational Fluid Dynamics (CFD) und numerische Analyse. Sie bietet einen strukturierten Lehrplan, um die Physik von Fluidströmungen durch die Implementierung numerischer Lösungen für Navier-Stokes- und partielle Differentialgleichungen zu erlernen. Das Projekt ist als eine Reihe inkrementeller Programmierübungen organisiert, die über Jupyter Notebooks bereitgestellt werden. Benutzer erstellen mathematische Modelle für lineare Konvektion, Diffusion und Poisson-Gleichungen über eine und zwei Dimensionen hinweg, um Konzepte wie Konvergenz, Stabilität und numerische Diffusion zu verstehen. Die Implementierung nutzt NumPy für Vektorisierung und Matplotlib für die visuelle Analyse, einschließlich der Erzeugung von Heatmaps und Konturplots. Die technische Abdeckung umfasst Finite-Differenzen-Diskretisierung und die Überwachung der Stabilität mittels der Courant-Friedrichs-Lewy-Bedingung.

som-tsp is a combinatorial optimization tool designed to solve the Traveling Salesperson Problem using a neural network approach. It functions as a solver that approximates the shortest possible route to visit a set of coordinate-based city locations exactly once and return to the starting point. The system employs a neural network architecture combined with circular array encoding to determine route paths. It includes a visualization system that generates graphical maps and distribution charts to analyze the efficiency and layout of the calculated route solutions. The tool provides utilitie

MNE-Python is an open-source Python library for processing, visualizing, and analyzing human neurophysiological data, including MEG, EEG, sEEG, ECoG, and NIRS recordings. It provides a comprehensive framework for loading data from over 30 proprietary file formats into a common hierarchical FIF data structure, and represents all time-series data as NumPy arrays for seamless integration with the scientific Python ecosystem. The library is built around object-oriented data containers that encapsulate raw, epoched, evoked, and source data with built-in preprocessing and visualization methods. The

Linear-Algebra-With-Python is an educational resource that provides a structured curriculum for learning linear algebra through computational practice. It serves as a tutorial for data scientists and quantitative analysts, bridging the gap between abstract mathematical theory and practical implementation using Python. The project utilizes a literate programming approach, organizing lecture notes and code examples into interactive documents. By interleaving explanatory text with functional code, it allows users to experiment with mathematical concepts directly within their development environm

This repository serves as an educational collection of Python implementations for fundamental machine learning algorithms and statistical models. It provides a structured environment for learning core concepts through interactive computational documents that combine live code, narrative text, and data visualizations. The codebase focuses on predictive modeling development, offering instructional examples for building and evaluating regression, classification, and neural network models. It utilizes standardized data science library interfaces to demonstrate how to implement and execute these a