ใน 3D scatter ใช้พารามิเตอร์ s ใน ax.scatter() กำหนดขนาดเครื่องหมายแต่ละจุดแยกกันได้ โดยคำนวณจากข้อมูล (เช่น s = zs / (ys*0.01)^2) และสีจากค่า x ด้วย colormap ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้างข้อมูล xs, ys, zs แบบสุ่ม คำนวณขนาดเครื่องหมาย s จากข้อมูล สร้าง figure และ axes 3D

ใช้ plt.annotate() วาง emoji ไปที่ด้านบนแท่งแต่ละแท่ง โดยคำนวณตำแหน่งจาก rect.get_x() + rect.get_width()/2 และ rect.get_height() ตั้งค่า fontsize ให้ใหญ่พอ ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ เตรียมข้อมูล frequencies และ labels (emoji) พลอตแท่งด้วย plt.bar() วนลูปแท่ง ใช้ plt.annota

Matplotlib ไม่มีพารามิเตอร์ border โดยตรง แต่สามารถจำลองได้โดยพลอตเส้นเดียวกัน 2 ครั้ง: ครั้งแรกเส้นหนาสีดำ (ขอบ) ครั้งที่สองเส้นบางสีที่ต้องการทับด้านบน ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้างข้อมูล x, y พลอตเส้นขอบ: plt.plot(x, y, c=black, lw=10) พลอตเส้นจริง: plt.plot(x, y, c=r

ใน log scale Matplotlib แสดง minor ticks อัตโนมัติ ใช้ plt.minorticks_off() เพื่อปิด minor ticks ทิ้ง เหลือแค่ major ticks ทำให้กราฟดูสะอาดกว่า ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้างข้อมูลและพลอต 2 ซับพลอต ซับพลอตซ้าย: log scale พร้อม minor ticks (ค่าเริ่มต้น) ซับพลอตขวา: log sca

ใช้พารามิเตอร์ alpha (ความทึบ) ใน plt.plot() เพื่อให้เส้นทับซ้อนกันมองเห็นได้ ค่า alpha ใกล้ 0 = โปร่งใสมาก ค่า 1 = ทึบเต็มที่ ตั้งค่า alpha ต่ำ (เช่น 0.15) ทำให้เห็นการทับซ้อนชัดเจน ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ กำหนดค่า alpha (overlapping) พลอตเส้นแรกด้วยสีแดง alpha ต่ำ พลอต

ใช้ ax.bar3d() บน axes แบบ 3D projection แล้วปิดการแสดงแกนด้วย ax.axis(off) เพื่อได้แท่ง 3D แบบสะอาดไม่มีเส้นแกนรบกวน ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้าง figure และเพิ่ม axes 3D ด้วย projection=3d เตรียมข้อมูล x, y, z, dx, dy, dz พลอตแท่ง 3D ด้วย ax.bar3d() ปิดแกนด้วย ax.axi

หาจุดตัดของสองเส้นตรงจากสมการ y = m1*x + c1 และ y = m2*x + c2 แล้ววาดเส้นแนวนอน (axhline) และแนวตั้ง (axvline) ผ่านจุดตัด พร้อมจุดแสดงตำแหน่ง ขั้นตอนการทำงาน ตั้งค่าความชัน (m) และจุดตัดแกน y (c) ของสองเส้น สร้างข้อมูล x และพลอตทั้งสองเส้น คำนวณจุดตัด: xi = (c1 - c2) / (m2 - m1), yi = m1*xi

ใช้ ax.bar() สร้างแท่ง แล้ววนลูปผ่าน patches คำนวณตำแหน่งกึ่งกลางด้านบนของแท่ง (get_x() + get_width()/2, get_height()) และวางข้อความด้วย ax.text() ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ เตรียมข้อมูล years, population และตำแหน่ง x สร้าง figure และ axes ตั้งค่าป้ายแกนและหัวข้อ พลอตแท่ง

axes.flat เป็น iterator แบบ 1 มิติที่วนลูปผ่านทุกอาเรย์ของ Axes ใน grid ซับพลอต (เช่น 2x3 = 6 axes) ทำให้เขียนโค้ดพลอตซ้ำได้สะดวกกว่าการเข้าถึงแบบ 2 มิติ axes[i, j] ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้างซับพลอต grid ด้วย plt.subplots(nrows=2, ncols=3) สร้างข้อมูล x, y วนลูปด้วย f

เมื่อมีหลายค่า Y สำหรับ X เดียว ใช้ zip() รวม x และ y แล้ววนลูปพลอตแต่ละคู่ด้วย plt.scatter() วิธีนี้เหมาะสำหรับข้อมูลที่ไม่ได้อยู่ในรูปแบบอาร์เรย์ 2 มิติปกติ ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้างข้อมูล xs และ ys แบบสุ่ม ใช้ zip(xs, ys) รวมคู่แล้ววนลูป พลอตแต่ละจุดด้วย plt.scatt

ใช้ plt.xticks(ticks, labels) เพื่อกำหนดตำแหน่งทิกและป้ายกำกับที่ต้องการเอง สามารถปรับสเกลแกน (เช่น log, sqrt) และกำหนดความถี่ทิกได้อย่างยืดหยุ่น ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้างข้อมูล x, y พลอตกราฟ สร้างรายการตำแหน่งทิก (ticks) และป้ายกำกับ (labels) ใช้ plt.xticks(ticks,

Matplotlib ค่าเริ่มต้นทิกชี้เข้าใน (in) สามารถเปลี่ยนเป็นชี้ออกนอก (out) แบบ R ได้โดยตั้งค่า plt.rcParams[xtick.direction] = out และ plt.rcParams[ytick.direction] = out ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ ตั้งค่าทิศทางทิกแกน x และ y เป็น out สร้างข้อมูลและพลอตกราฟ แสดงผล ตัวอย่างโ

NetworkX ทำงานร่วมกับ Matplotlib ได้ดี โดยใช้ nx.draw() พร้อมพารามิเตอร์ต่างๆ เช่น with_labels, node_size, alpha, linewidths เพื่อปรับรูปลักษณ์โหนดและขอบ ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้าง DataFrame คอลัมน์ from และ to แทนขอบ สร้างกราฟด้วย nx.from_pandas_edgelist() วาดกราฟด้ว

ใช้ Normalize และ ScalarMappable เพื่อแมปค่าตัวเลขเป็นสี RGBA จาก colormap ที่กำหนด เหมาะสำหรับการสร้าง colorbar หรือกำหนดสีให้จุดข้อมูลตามค่า ขั้นตอนการทำงาน สร้างช่วงค่าด้วย np.linspace กำหนด normalization ด้วย colors.Normalize(vmin, vmax) สร้าง mapper ด้วย cm.ScalarMappable(norm, cmap)

ความแตกต่างหลักคือลำดับช่องสี (color channel): Matplotlib (plt.imread) อ่านภาพเป็น RGB ในขณะที่ OpenCV (cv2.imread) อ่านเป็น BGR (สลับสีแดง-น้ำเงิน) ทำให้ภาพจาก cv2 แสดงผิดสีหากพลอตด้วย plt.imshow โดยไม่แปลง ขั้นตอนการทดสอบ ตั้งค่าขนาดรูปและเลย์เอาต์ สร้างซับพลอต 1 แถว 2 คอลัมน์ อ่านภาพด้วย

เมื่อมีหมวดหมู่มากเกินไปบนแกน X ใน Seaborn barplot สามารถซ่อนทิกบางส่วนได้โดยวนลูป get_xticklabels() และตั้งค่า set_visible(False) ให้กับดัชนีคี่ (หรือคู่) ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้าง DataFrame พร้อมข้อมูล สร้าง barplot ด้วย sns.barplot() วนลูปป้ายกำกับแกน X ซ่อนทุกดัช

การกำหนดความโปร่งใส (alpha) ใน plt.scatter() สามารถทำได้แยกแต่ละกลุ่มข้อมูล โดยตั้งค่า alpha ระหว่าง 0-1 ค่าต่ำ = โปร่งใสมาก ช่วยให้เห็นการทับซ้อนของจุดข้อมูล ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้างฟังก์ชันสร้างข้อมูลกลุ่มสุ่ม พลอตกลุ่มแรกด้วย color=green, alpha=0.5 พลอตกลุ่มที่สอ

โดยค่าเริ่มต้น Matplotlib อาจไม่แสดงทิกทุกตัว ใช้ plt.xticks(x) และ plt.yticks(y) เพื่อบังคับให้แสดงพิกัดทุกจุดที่ต้องการ ร่วมกับ plt.margins(x=0, y=0) เพื่อลดช่องว่างขอบ ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้างข้อมูล x, y ด้วย NumPy ตั้งค่าขอบเขตด้วย plt.margins(x=0, y=0) พลอตข้อม

การแสดงผลโมเดลถดถอยเชิงเส้น (OLS) จาก statsmodels พร้อมช่วงความเชื่อมั่น สามารถทำได้โดยใช้ wls_prediction_std คำนวณค่าคาดการณ์และช่วงความเชื่อมั่น แล้วพลอตพร้อมข้อมูลจริงและเส้นถดถอย ขั้นตอนการทำงาน ตั้งค่า seed และสร้างข้อมูลเชิงเส้นพร้อม noise สร้างเมทริกซ์ออกแบบ (design matrix) X และพารามิเ

สามารถสร้างวงสีแบบขั้วได้โดยใช้ ColorbarBase บนแกนโฉมวง (polar projection) และกำหนด colormap เช่น copper พร้อมปรับ normalization ให้ครอบคลุม 0 ถึง 2π ขั้นตอนการทำงาน ตั้งค่าขนาดรูปและเลย์เอาต์ สร้างฟิกเกอร์และเพิ่มแกนโฉมวงด้วย add_axes(projection=polar) ตั้งค่าทิศทางแกนและ normalization (0 ถ