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

Acest proiect este o bibliotecă Python de analiză a datelor și un framework de analiză exploratorie a datelor conceput pentru procesarea seturilor de date brute. Oferă o suită de instrumente pentru examinarea datelor, identificarea anomaliilor și aplicarea metodelor statistice pentru a descoperi tipare. Repository-ul funcționează ca un toolkit de modelare machine learning și o suită de modelare statistică a datelor. Include algoritmi predictivi și modele matematice utilizate pentru a analiza relațiile dintre variabilele de date și a deriva insight-uri din seturi de date complexe. Proiectul acoperă o gamă largă de capabilități, inclusiv data science, modelare machine learning și analiză exploratorie a datelor. Acestea sunt implementate prin manipularea datelor, calcul numeric și vizualizarea datelor.

r4ds este un curriculum de știința datelor și o resursă educațională concepută pentru stăpânirea limbajului de programare R. Oferă o cale de învățare structurată pentru procesul end-to-end de importare, curățare, transformare și vizualizare a datelor. Proiectul pune accent pe un ghid de știința datelor reproductibil și un curriculum cuprinzător pentru manipularea datelor (data wrangling). Include tutoriale specializate despre gramatica graficelor pentru vizualizarea stratificată a datelor și publicații tehnice create cu Quarto care îmbină codul executabil cu proza narativă. Materialul acoperă o gamă largă de capabilități analitice, inclusiv ingestia de date din surse diverse, unirea datelor relaționale și gestionarea variabilelor categorice. De asemenea, abordează curățarea datelor, modelarea matematică și generarea de rapoarte și prezentări profesionale în formate multiple. Curriculum-ul se concentrează pe aplicarea practică a programării funcționale și a principiilor „tidy data” pentru a crea analize transparente și repetabile.

Acest proiect este o colecție de implementări Python pentru web scraping, interceptarea traficului de rețea, analiza datelor și analiza sentimentelor. Oferă metode pentru extragerea datelor structurate de pe site-uri web și interfețe de aplicații mobile. Colecția include instrumente pentru capturarea și analizarea pachetelor de rețea din aplicațiile mobile pentru a identifica endpoint-uri API interne ascunse. De asemenea, conține scripturi pentru evaluarea tonului emoțional și a percepției publice a datelor text. Proiectul acoperă manipularea și transformarea datelor din seturi mari de date, precum și generarea de grafice și diagrame pentru a identifica tendințele și modelele demografice.

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 este o bibliotecă de vizualizare a datelor pentru Python bazată pe Grammar of Graphics. Servește drept framework declarativ de plotting statistic și motor de plotting multi-panel, permițând utilizatorilor să creeze grafice complexe prin maparea variabilelor de date la proprietăți vizuale precum poziția, culoarea și dimensiunea. Proiectul se distinge prin utilizarea unui model de compoziție stratificat și a unui motor de transformare statistică care efectuează agregări și calcule înainte de a randa vizualele. Dispune de un sistem cuprinzător pentru faceting multi-panel, care permite împărțirea unei singure vizualizări într-o grilă de sub-grafice bazate pe variabile categorice. Biblioteca acoperă o gamă largă de capabilități, inclusiv reprezentări geometrice diverse pentru distribuție, arie și scatter plots, precum și vizualizare geospațială pentru randarea limitelor geografice. Oferă instrumente extinse pentru maparea scalei, proiecții de coordonate și stilizare bazată pe teme pentru a separa elementele bazate pe date de proprietățile estetice non-date. Framework-ul utilizează un backend Matplotlib pentru randare și se integrează cu dataframe-urile tabelare prin operațiuni de piping.

Acest proiect este o bibliotecă Python de machine learning și un toolkit de știință a datelor conceput pentru construirea modelelor predictive și analizarea seturilor de date complexe. Oferă o colecție de implementări pentru algoritmi comuni de învățare supervizată și nesupervizată folosind framework-ul Scikit-Learn. Toolkit-ul include o suită de modelare predictivă pentru generarea predicțiilor din date istorice și un framework de analiză statistică pentru aplicarea modelării bayesiene și a testelor de cauzalitate. De asemenea, dispune de o suită de vizualizare a datelor bazată pe Matplotlib pentru randarea diagramelor și graficelor statice pentru a interpreta limitele clasificatorului și tendințele datelor. Proiectul acoperă fluxuri de lucru de clustering a datelor pentru identificarea tiparelor și segmentelor, analiza exploratorie a datelor și preprocesarea datelor folosind Pandas și NumPy.

Acest proiect este o resursă educațională de machine learning constând în implementări Python ale modelelor de învățare statistică și exemple de analiză a datelor dintr-un manual de bază. Servește ca bibliotecă de modelare statistică ce oferă codul necesar pentru a implementa regresia liniară, clasificarea și tehnici de învățare nesupervizată pentru analiza academică a datelor. Repository-ul este structurat ca o implementare bazată pe referințe, cu un layout de directoare care oglindește ierarhia capitolelor și secțiunilor publicației academice asociate. Include un set de scripturi și notebook-uri concepute pentru a genera grafice și figuri academice pentru a vizualiza rezultatele statistice. Codebase-ul acoperă o gamă largă de domenii de învățare statistică, inclusiv practica învățării supervizate pentru modelarea predictivă și învățarea nesupervizată pentru descoperirea tiparelor în date. Aceste implementări sunt folosite pentru a recrea figurile statistice specifice, tabelele de rezumat și rezultatele modelelor găsite în textul de referință.

Yellowbrick este o bibliotecă de vizualizare pentru machine learning și un instrument de diagnosticare a modelelor conceput pentru a analiza importanța feature-urilor, distribuțiile țintă și metricile de eroare ale modelelor. Servește ca toolkit vizual pentru diagnosticarea underfitting-ului și overfitting-ului prin utilizarea curbelor de validare și învățare. Proiectul oferă suite specializate pentru evaluarea modelelor predictive și a învățării nesupervizate. Permite determinarea numărului optim de clustere prin metode de tip elbow și coeficienți silhouette, și evaluează calitatea clasificatorilor și regresorilor prin curbe ROC, matrice de confuzie și grafice de reziduuri. Biblioteca acoperă mai multe domenii de capabilități de nivel înalt, inclusiv analiza feature engineering-ului pentru a identifica variabilele predictive, hyperparameter tuning pentru a ajusta complexitatea modelului și diagnosticarea erorilor de regresie pentru a identifica punctele de date influente. Include, de asemenea, instrumente pentru proiecția manifold learning pentru a vizualiza date de înaltă dimensiune și corpora de text. Instrumentul se integrează cu API-ul Scikit-Learn pentru a consuma metodele standard de fit și predict.

mplfinance este un framework de vizualizare a datelor financiare și a seriilor temporale, construit pe baza Matplotlib. Este conceput pentru a randa cadre de date de piață în grafice specializate, inclusiv lumânări japoneze (candlesticks), bare OHLC, cărămizi Renko și grafice point-and-figure. Biblioteca se distinge printr-un framework dedicat datelor de piață care gestionează calendarele de tranzacționare și perioadele non-tranzacționabile, asigurând o spațiere temporală precisă prin eliminarea golurilor din timpul sărbătorilor. De asemenea, oferă un sistem pentru grafice de analiză tehnică, permițând suprapunerea mediilor mobile, a barelor de volum și a altor indicatori tehnici peste evoluția prețurilor. Toolkit-ul acoperă o gamă largă de capabilități, inclusiv organizarea de subplot-uri stivuite vertical cu axe partajate și aplicarea unor teme vizuale consistente. Suportă adnotări de piață precum liniile de trend, gestionarea datelor lipsă și capacitatea de a reîmprospăta graficele pentru fluxuri de date în timp real. Vizualizările pot fi exportate în diverse formate, inclusiv PDF, SVG, PNG și 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 este o resursă educațională pentru dinamica fluidelor computațională și analiza numerică. Oferă un curriculum structurat pentru a învăța fizica fluxului fluidelor prin implementarea soluțiilor numerice pentru ecuațiile Navier-Stokes și ecuațiile cu derivate parțiale. Proiectul este organizat ca o serie de exerciții de codare incrementale livrate prin notebook-uri Jupyter. Utilizatorii construiesc modele matematice pentru ecuații de convecție liniară, difuzie și Poisson pe una și două dimensiuni pentru a înțelege concepte precum convergența, stabilitatea și difuzia numerică. Implementarea utilizează NumPy pentru vectorizare și Matplotlib pentru analiză vizuală, inclusiv generarea de hărți de căldură și grafice de contur. Acoperirea tehnică include discretizarea prin diferențe finite și monitorizarea stabilității prin condiția Courant-Friedrichs-Lewy.

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 este o resursă educațională care oferă un curriculum structurat pentru învățarea algebrei liniare prin practică computațională. Acesta servește drept tutorial pentru data scientists și analiști cantitativi, reducând distanța dintre teoria matematică abstractă și implementarea practică folosind Python. Proiectul utilizează o abordare de tip „literate programming”, organizând notițele de curs și exemplele de cod în documente interactive. Prin intercalarea textului explicativ cu cod funcțional, utilizatorii pot experimenta conceptele matematice direct în mediul lor de dezvoltare. Acest flux de lucru este susținut de biblioteci standard de calcul numeric și științific pentru a efectua operații cu matrice, factorizări și descompuneri. Curriculumul pune accent pe intuiția vizuală prin redarea transformărilor geometrice și a spațiilor vectoriale cu ajutorul unor instrumente de plotare integrate. Aceste vizualizări clarifică principiile algebrice complexe, oferind o bază pentru aplicații în data science, modelare financiară și econometrie. Repository-ul este structurat ca o serie de Jupyter Notebooks care facilitează învățarea iterativă și dezvoltarea fluxurilor de lucru de calcul numeric.