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

Ce projet est une bibliothèque d'analyse de données Python et un framework d'analyse exploratoire de données conçu pour traiter des jeux de données bruts. Il fournit une suite d'outils pour examiner les données, identifier les anomalies et appliquer des méthodes statistiques pour découvrir des modèles. Le dépôt fonctionne comme une boîte à outils de modélisation de machine learning et une suite de modélisation statistique de données. Il inclut des algorithmes prédictifs et des modèles mathématiques utilisés pour analyser les relations entre les variables de données et tirer des enseignements de jeux de données complexes. Le projet couvre un large éventail de capacités, notamment la science des données, la modélisation par machine learning et l'analyse exploratoire de données. Celles-ci sont implémentées via la manipulation de données, le calcul numérique et la visualisation de données.

r4ds est un cursus de science des données et une ressource pédagogique conçue pour maîtriser le langage de programmation R. Il fournit un chemin d'apprentissage structuré pour le processus de bout en bout d'importation, de nettoyage, de transformation et de visualisation des données. Le projet met l'accent sur un guide de science des données reproductible et un cursus complet pour le data wrangling. Il inclut des tutoriels spécialisés sur la grammaire des graphiques pour la visualisation de données en couches et des publications techniques créées avec Quarto qui mélangent code exécutable et prose narrative. Le matériel couvre un large éventail de capacités analytiques, incluant l'ingestion de données à partir de sources diverses, la jointure de données relationnelles et la gestion des variables catégorielles. Il aborde également le nettoyage de données, la modélisation mathématique et la génération de rapports et présentations professionnels multi-formats. Le cursus se concentre sur l'application pratique de la programmation fonctionnelle et des principes de tidy data pour créer des analyses transparentes et répétables.

Ce projet est une collection d'implémentations Python pour le web scraping, l'interception de trafic réseau, l'analyse de données et l'analyse de sentiment. Il fournit des méthodes pour extraire des données structurées à partir de sites web et d'interfaces d'applications mobiles. La collection inclut des outils pour capturer et analyser les paquets réseau provenant d'applications mobiles afin d'identifier des points de terminaison API internes cachés. Elle propose également des scripts pour évaluer le ton émotionnel et la perception publique des données textuelles. Le projet couvre la manipulation et la transformation de données de grands ensembles de données, ainsi que la génération de graphiques pour identifier les tendances et modèles démographiques.

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 is a data visualization library for Python based on the Grammar of Graphics. It serves as a declarative statistical plotting framework and multi-panel plotting engine, allowing users to create complex charts by mapping data variables to visual properties such as position, color, and size. The project is distinguished by its use of a layered composition model and a statistical transformation engine that performs aggregations and computations before rendering visuals. It features a comprehensive system for multi-panel faceting, which enables the splitting of a single visualization into

Ce projet est une bibliothèque d'apprentissage automatique Python et une boîte à outils de science des données conçue pour construire des modèles prédictifs et analyser des jeux de données complexes. Elle fournit une collection d'implémentations pour des algorithmes supervisés et non supervisés courants utilisant le framework Scikit-Learn. La boîte à outils inclut une suite de modélisation prédictive pour générer des prédictions à partir de données historiques et un framework d'analyse statistique pour appliquer la modélisation bayésienne et les tests de causalité. Elle dispose également d'une suite de visualisation de données basée sur Matplotlib pour rendre des graphiques statiques afin d'interpréter les frontières de classificateur et les tendances des données. Le projet couvre les flux de travail de clustering de données pour identifier les modèles et les segments, l'analyse exploratoire des données et le prétraitement des données en utilisant Pandas et NumPy.

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 est un framework de tracé de séries temporelles financières et de visualisation de données de marché construit sur Matplotlib. Il est conçu pour rendre des cadres de données de marché en graphiques spécialisés, notamment des chandeliers, des barres OHLC, des briques Renko et des colonnes point-and-figure. La bibliothèque se distingue par un framework de données de marché dédié qui gère les calendriers de trading et les périodes hors-trading, assurant un espacement temporel précis en réduisant les écarts pendant les jours fériés. Elle fournit également un système de graphiques pour l'analyse technique, permettant la superposition de moyennes mobiles, de barres de volume et d'autres indicateurs techniques sur les tracés d'action des prix. La boîte à outils couvre un large éventail de capacités, y compris l'organisation de sous-graphiques empilés verticalement avec des axes partagés et l'application de thèmes visuels cohérents. Elle prend en charge les annotations de marché telles que les lignes de tendance, la gestion des données manquantes et la capacité de rafraîchir les graphiques pour des flux de données en temps réel. Les visualisations peuvent être exportées vers divers formats, notamment PDF, SVG, PNG et 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 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