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

This project is a Python data analysis library and exploratory data analysis framework designed for processing raw datasets. It provides a suite of tools for examining data, identifying anomalies, and applying statistical methods to uncover patterns. The repository functions as a machine learning modeling toolkit and a statistical data modeling suite. It includes predictive algorithms and mathematical models used to analyze relationships between data variables and derive insights from complex datasets. The project covers a broad range of capabilities including data science, machine learning

r4ds es un currículo de ciencia de datos y recurso educativo diseñado para dominar el lenguaje de programación R. Proporciona una ruta de aprendizaje estructurada para el proceso de extremo a extremo de importar, limpiar, transformar y visualizar datos. El proyecto enfatiza una guía de ciencia de datos reproducible y un currículo integral para la manipulación de datos (data wrangling). Incluye tutoriales especializados sobre la gramática de gráficos para la visualización de datos en capas y publicaciones técnicas creadas con Quarto que combinan código ejecutable con prosa narrativa. El material cubre una amplia gama de capacidades analíticas, incluyendo la ingesta de datos de diversas fuentes, unión de datos relacionales y la gestión de variables categóricas. También aborda la limpieza de datos, modelado matemático y la generación de informes y presentaciones profesionales en múltiples formatos. El currículo se centra en la aplicación práctica de la programación funcional y los principios de datos ordenados (tidy data) para crear análisis transparentes y repetibles.

Este proyecto es una colección de implementaciones en Python para web scraping, interceptación de tráfico de red, análisis de datos y análisis de sentimiento. Proporciona métodos para extraer datos estructurados de sitios web e interfaces de aplicaciones móviles. La colección incluye herramientas para capturar y analizar paquetes de red de aplicaciones móviles para identificar puntos finales de API internos ocultos. También cuenta con scripts para evaluar el tono emocional y la percepción pública de los datos de texto. El proyecto cubre la manipulación y transformación de datos de grandes conjuntos de datos, así como la generación de gráficos para identificar tendencias y patrones demográficos.

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 es una librería de visualización de datos para Python basada en la Gramática de Gráficos. Sirve como un framework de trazado estadístico declarativo y motor de trazado multipanel, permitiendo a los usuarios crear gráficos complejos mapeando variables de datos a propiedades visuales como posición, color y tamaño. El proyecto se distingue por su uso de un modelo de composición en capas y un motor de transformación estadística que realiza agregaciones y cálculos antes de renderizar visuales. Cuenta con un sistema integral para faceting multipanel, que permite dividir una sola visualización en una cuadrícula de sub-gráficos basados en variables categóricas. La librería cubre una amplia gama de capacidades, incluyendo diversas representaciones geométricas para gráficos de distribución, área y dispersión, así como visualización geoespacial para renderizar límites geográficos. Proporciona herramientas extensas para mapeo de escalas, proyecciones de coordenadas y estilo basado en temas para separar los elementos impulsados por datos de las propiedades estéticas no relacionadas con los datos. El framework utiliza un backend de Matplotlib para el renderizado e integra con dataframes tabulares mediante operaciones de tubería (piping).

Este proyecto es una biblioteca de aprendizaje automático de Python y un kit de herramientas de ciencia de datos diseñado para construir modelos predictivos y analizar conjuntos de datos complejos. Proporciona una colección de implementaciones para algoritmos supervisados y no supervisados comunes utilizando el framework Scikit-Learn. El kit de herramientas incluye una suite de modelado predictivo para generar predicciones a partir de datos históricos y un framework de análisis estadístico para aplicar modelado bayesiano y pruebas de causalidad. También cuenta con una suite de visualización de datos basada en Matplotlib para renderizar gráficos y tablas estáticas para interpretar los límites de los clasificadores y las tendencias de los datos. El proyecto cubre flujos de trabajo de agrupamiento de datos para identificar patrones y segmentos, análisis exploratorio de datos y el preprocesamiento de datos utilizando Pandas y NumPy.

Este proyecto es un recurso educativo de machine learning que consiste en implementaciones en Python de modelos de aprendizaje estadístico y ejemplos de análisis de datos de un libro de texto central. Sirve como una librería de modelado estadístico que proporciona el código necesario para implementar regresión lineal, clasificación y técnicas de aprendizaje no supervisado para el análisis de datos académico. El repositorio está estructurado como una implementación basada en referencias, con un diseño de directorio que refleja la jerarquía de capítulos y secciones de la publicación académica asociada. Incluye un conjunto de scripts y notebooks diseñados para generar gráficos y figuras académicas para visualizar resultados estadísticos. La base de código cubre una amplia gama de dominios de aprendizaje estadístico, incluyendo la práctica de aprendizaje supervisado para modelado predictivo y aprendizaje no supervisado para descubrir patrones en los datos. Estas implementaciones se utilizan para recrear las figuras estadísticas específicas, tablas de resumen y resultados de modelos encontrados en el texto de referencia.

Yellowbrick es una librería de visualización de machine learning y herramienta de diagnóstico de modelos diseñada para analizar la importancia de las características, distribuciones objetivo y métricas de error del modelo. Sirve como un kit de herramientas visual para diagnosticar el subajuste (underfitting) y sobreajuste (overfitting) mediante el uso de curvas de validación y aprendizaje. El proyecto proporciona suites especializadas para evaluar modelos predictivos y aprendizaje no supervisado. Permite la determinación de conteos de clústeres óptimos mediante métodos de codo y coeficientes de silueta, y evalúa la calidad de clasificadores y regresores a través de curvas ROC, matrices de confusión y gráficos de residuos. La librería cubre varias áreas de capacidad de alto nivel, incluyendo análisis de ingeniería de características para identificar variables predictivas, ajuste de hiperparámetros para ajustar la complejidad del modelo y diagnóstico de errores de regresión para identificar puntos de datos influyentes. También incluye herramientas para proyección de aprendizaje de variedades (manifold learning) para visualizar datos de alta dimensión y corpus de texto. La herramienta se integra con la API de Scikit-Learn para consumir métodos estándar de fit y predict.

mplfinance es un framework de visualización de datos de mercado y trazado de series temporales financieras construido sobre Matplotlib. Está diseñado para renderizar marcos de datos de mercado en gráficos especializados, incluyendo velas japonesas, barras OHLC, bloques Renko y columnas de punto y figura. La biblioteca se distingue por un framework de datos de mercado dedicado que gestiona calendarios de trading y periodos sin actividad, asegurando un espaciado temporal preciso al colapsar los huecos durante los días festivos. También proporciona un sistema para gráficos de análisis técnico, permitiendo superponer medias móviles, barras de volumen y otros indicadores técnicos sobre los gráficos de precios. El kit de herramientas cubre una amplia gama de capacidades, incluyendo la organización de subgráficos apilados verticalmente con ejes compartidos y la aplicación de temas visuales consistentes. Soporta anotaciones de mercado como líneas de tendencia, el manejo de datos faltantes y la capacidad de actualizar gráficos para feeds de datos en tiempo real. Las visualizaciones pueden exportarse a varios formatos, incluyendo PDF, SVG, PNG y JPG.

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 is an educational resource for computational fluid dynamics and numerical analysis. It provides a structured curriculum to learn the physics of fluid flow by implementing numerical solutions to Navier-Stokes and partial differential equations. The project is organized as a series of incremental coding exercises delivered via Jupyter notebooks. Users build mathematical models for linear convection, diffusion, and Poisson equations across one and two dimensions to understand concepts such as convergence, stability, and numerical diffusion. The implementation utilizes NumPy for vector

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 es un recurso educativo que ofrece un plan de estudios estructurado para aprender álgebra lineal mediante la práctica computacional. Sirve como tutorial para científicos de datos y analistas cuantitativos, cerrando la brecha entre la teoría matemática abstracta y la implementación práctica usando Python. El proyecto utiliza un enfoque de programación literaria, organizando notas de clase y ejemplos de código en documentos interactivos. Al intercalar texto explicativo con código funcional, permite a los usuarios experimentar con conceptos matemáticos directamente en su entorno de desarrollo. Este flujo de trabajo se apoya en bibliotecas estándar de computación numérica y científica para realizar operaciones matriciales, factorizaciones y descomposiciones. El plan de estudios enfatiza la intuición visual mediante la representación de transformaciones geométricas y espacios vectoriales a través de herramientas de trazado integradas. Estas visualizaciones clarifican principios algebraicos complejos, proporcionando una base para aplicaciones en ciencia de datos, modelado financiero y econometría. El repositorio está estructurado como una serie de Jupyter Notebooks que facilitan el aprendizaje iterativo y el desarrollo de flujos de trabajo de computación numérica.