Awesome GitHub RepositoriesPlot Axis Customizers

Backtrader is a Python framework designed for the development, backtesting, and live execution of algorithmic trading strategies. It provides a comprehensive environment for quantitative finance, allowing users to simulate trading logic against historical market data or connect directly to brokerage platforms for automated real-time trading. The project distinguishes itself through a unified event-driven architecture that treats backtesting and live trading with the same API. This consistency is supported by a flexible data-feed abstraction layer that normalizes diverse financial sources, ena

Plotly.js is a JavaScript charting library and interactive graphing framework used to create web-based visualizations. It functions as a high-performance data visualization engine that utilizes both SVG for static elements and WebGL for hardware-accelerated rendering of large datasets and complex 3D plots. The library is distinguished by specialized toolkits for financial analysis, such as candlestick and OHLC charts, and geographic mapping tools for rendering choropleth and scatter maps with custom projections. It also supports complex scientific visualizations, including Sankey diagrams, pa

Optuna is a Python-based hyperparameter optimization framework designed to automate the search for optimal machine learning model configurations. It functions as a Bayesian optimization library that systematically tests parameter combinations to maximize or minimize objective functions, streamlining the model development process through iterative evaluation. The project distinguishes itself through a define-by-run dynamic construction model, which allows users to build complex, conditional search spaces using standard programming logic. Its architecture is highly modular, featuring a pluggabl

Seaborn is a Python library designed for statistical data visualization. It functions as a high-level interface built on the Matplotlib ecosystem, providing specialized routines to explore and communicate complex patterns within datasets. The framework enables users to generate informative graphics through automated statistical aggregation, multi-plot faceting, and integrated regression modeling. The library distinguishes itself through a declarative approach to data mapping, which translates raw inputs into visual properties like color, size, and position. It includes a robust statistical tr

This project is a scientific visualization guide and data visualization framework designed for creating high-quality 2D and 3D figures for academic journals and scientific publishing. It provides a structured approach to designing precise layouts, coordinate systems, and typography for complex scientific data. The project features a specialized print-ready PDF workflow and a CMYK print production workflow. These systems translate digital RGB colors into printer-specific CMYK profiles to ensure visual accuracy for physical hardcover and softcover printing. It also serves as a guide for SVG dat

jupyter-themes is a Jupyter Notebook theme manager and CSS interface customizer. It provides a command line tool to apply custom color schemes, fonts, and layout styles to notebook environments. The project includes a data visualization styling tool that synchronizes the aesthetic properties and color schemes of plotting libraries with the active interface theme. This ensures that data charts and figures remain visually consistent with the overall workspace theme.

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.

This project is an educational resource and a collection of instructional materials for performing data manipulation and statistical analysis using Python. It provides a comprehensive set of guides and code examples for using the Pandas, NumPy, and Matplotlib libraries to analyze structured data. The resource includes a dedicated guide for reshaping, cleaning, and aggregating tabular data and time series via Pandas, alongside a reference for high-performance vectorized operations and linear algebra using NumPy. It also features tutorials for creating publication-quality charts, distribution p

react-vis is a declarative, component-based React data visualization library. It provides a framework of reusable building blocks for rendering interactive charts and graphs by mapping raw data to visual attributes such as position, color, and size. The system leverages D3 for its scaling and layout logic. The library is distinguished by its ability to handle complex data relationships, including hierarchical data via tree maps and circle packing, as well as multidimensional analysis using parallel axes and radar charts. It also supports network flow mapping to illustrate the volume and direc

fl_chart is a data visualization library and UI component framework for Flutter. It provides a system of reusable graphical widgets for creating interactive, customizable quantitative data visualizations. The framework supports a variety of chart types, including line, bar, pie, donut, scatter, radar, and candlestick views. It allows for the creation of complex visualizations such as layered data segments and financial charts. The library includes capabilities for interactivity and visual refinement, such as touch event handling, data tooltips, and state animations. It also provides tools fo

metrics-graphics is a data visualization library and declarative graphics framework designed to create principled data graphics and layouts. It functions as a statistical graphics engine that maps raw data to geometric shapes and structured objects to render complex, data-driven layouts. The toolkit specializes in rendering time-series data through line charts and scatterplots using a consistent layout system. It also provides capabilities for statistical distribution mapping, including the creation of rug plots to represent one-dimensional data density. The system covers a broad surface of

ggplot2 is a data visualization library for R based on a formal grammar of graphics. It provides a declarative plotting framework that allows users to create complex graphics by combining geometric objects, statistical summaries, and coordinate systems. The system is distinguished by a layered approach to composition, where visualizations are built incrementally by stacking independent geometric, statistical, and coordinate layers. It utilizes a hierarchical styling engine to manage non-data elements such as backgrounds, fonts, and margins, and includes a multi-panel faceting tool for splitti

ScottPlot is a cross-platform, high-performance charting library for .NET that renders interactive plots across desktop and web GUI frameworks including Windows Forms, WPF, MAUI, Avalonia, Blazor, and WinUI. It provides an optimized rendering engine capable of displaying millions of data points with interactive pan, zoom, and live data streaming, while also supporting image export to formats like PNG and SVG for file output, cloud applications, and notebooks. The library distinguishes itself through a comprehensive set of chart types including scatter, line, bar, pie, heatmap, financial, rada

Ce projet est un cursus éducatif en machine learning et une plateforme d'apprentissage délivrée via des Jupyter Notebooks interactifs. Il sert de guide complet pour maîtriser le toolkit de science des données Python, fournissant des tutoriels structurés pour le calcul numérique, la manipulation de données tabulaires et la visualisation statistique. Le cursus inclut des guides d'implémentation spécifiques pour Scikit-Learn et un cours pratique sur TensorFlow pour construire, entraîner et déployer des réseaux de neurones et des modèles de vision par ordinateur. Il couvre le processus de bout en bout de la construction de modèles prédictifs, de la formulation initiale du problème et de la catégorisation des tâches au déploiement des modèles via des interfaces web interactives. Le projet couvre une large surface de capacités incluant le calcul numérique avec des tableaux multidimensionnels, l'analyse exploratoire des données et les routines de prétraitement des données. Il fournit des flux de travail détaillés pour l'apprentissage supervisé et non supervisé, les pipelines de machine learning automatisés, l'optimisation des hyperparamètres et l'évaluation des modèles utilisant des métriques de classification et la validation croisée. Le contenu éducatif est organisé sous forme d'une série de notebooks qui entremêlent code Python et explications narratives pour documenter les flux de travail en science des données.

Live-Charts est une bibliothèque de visualisation de données .NET fournissant une collection de graphiques, cartes et jauges interactifs. Elle fonctionne comme un moteur de graphiques en temps réel et une bibliothèque graphique multi-format conçue pour rendre des jeux de données complexes au sein d'applications .NET. La bibliothèque propose des outils pour créer des tableaux de bord de données interactifs capables d'explorer de grands jeux de données. Ceci est supporté par un système de zoom, de panoramique et d'utilisation d'axes de coordonnées multiples pour naviguer parmi des centaines de milliers de points de données. Le moteur de visualisation prend en charge une variété de formats, notamment les barres, les lignes, les cartes thermiques et les cartes géographiques. Il inclut des capacités pour la surveillance de données en temps réel et le développement de tableaux de bord de bureau pour suivre les métriques et tendances en direct.

ScrollableGraphView est une bibliothèque de visualisation de données Swift et un framework de traçage iOS utilisé pour rendre des jeux de données numériques discrets sous forme de graphiques interactifs. Il fournit un composant d'interface utilisateur défilant qui visualise les points de données en utilisant un système de coordonnées avec des mises en page et des styles configurables. Le framework se caractérise par son adaptation d'échelle de graphique, qui ajuste automatiquement l'axe vertical pour s'adapter aux points de données visibles au fur et à mesure que l'utilisateur fait défiler. Il prend en charge le rendu de données en temps réel, permettant aux vues graphiques de se mettre à jour instantanément à mesure que les jeux de données sous-jacents changent via des transitions animées. La bibliothèque couvre une variété de types de tracés, incluant les tracés linéaires, en barres et en points, et prend en charge le traçage multi-séries pour afficher plusieurs séries de données sur un seul graphique. Des capacités supplémentaires incluent l'étiquetage des points de données sur l'axe X, le style de graphique personnalisé et l'utilisation de marqueurs de ligne de référence pour mettre en évidence des seuils ou des valeurs de base spécifiques.

Vega-Lite is a high-level declarative language for specifying interactive, multi-view visualizations. It compiles a concise JSON specification into a full Vega visualization, automatically inferring scales, axes, and legends from encoding declarations. The grammar-of-graphics encoding maps data fields to visual channels such as position, color, size, and shape, while a multi-view composition grammar enables layered, faceted, concatenated, and repeated layouts. Reactive parameter binding links named parameters to input widgets, selections, and expressions for dynamic updates. The project suppo

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

Cette bibliothèque de visualisation de données C++ est un framework de traçage scientifique utilisé pour créer des graphiques 2D et 3D, des graphes de réseau et des cartes géographiques. Elle fonctionne comme une bibliothèque graphique multi-backend, découplant la logique de traçage de haut niveau des moteurs de rendu de bas niveau pour prendre en charge divers backends de sortie. Le projet se distingue par une API à double interface, fournissant à la fois une interface fonctionnelle globale pour le prototypage rapide et une interface orientée objet pour un contrôle précis. Il dispose d'un moteur de mise en page basé sur des composants pour gérer les grilles tuilées et les sous-graphiques, ainsi qu'un état de tracé en couches qui permet de superposer plusieurs séries de données sans effacer les axes. La bibliothèque couvre un large éventail de capacités de visualisation, incluant le traçage de fonctions mathématiques, les champs vectoriels et l'analyse de données multidimensionnelles via des cartes thermiques et des coordonnées parallèles. Elle inclut des outils spécialisés pour la visualisation de données géographiques, tels que les graphiques geobubble et geodensity, ainsi que des outils pour le rendu de réseaux de graphes dirigés et non dirigés. Les capacités générales incluent la gestion des axes, le stylisme esthétique avec des colormaps et l'exportation de graphiques de haute qualité. Le projet utilise CMake pour l'automatisation de la construction et la récupération des dépendances afin de faciliter l'installation sur différents systèmes d'exploitation.