การพลอต Confusion Matrix ที่แกนเป็นข้อความ (Class names) แทนตัวเลข ใน Matplotlib ทำได้โดยใช้ ax.matshow() แสดงเมทริกซ์ แล้วตั้งค่า tick labels ด้วย set_xticklabels() และ set_yticklabels() ขั้นตอนการทำงาน นำเข้า matplotlib.pyplot และ sklearn.metrics.confusion_matrix กำหนดรายการ Labels (ชื่อคลาส

การวางข้อความนอกพื้นที่พลอต (Outside plot area) ใน Matplotlib สามารถทำได้โดยใช้ plt.text() พร้อม transform=plt.gcf().transFigure เพื่อใช้พิกัด Figure (0-1) แทนพิกัดข้อมูล ขั้นตอนการทำงาน นำเข้า numpy และ matplotlib.pyplot สร้างข้อมูล X และ Y กำหนดตำแหน่งข้อความในพิกัด Figure: text_pos_x = 0.

การเพิ่มกราฟเล็ก (Inset Axes) ภายในกราฟหลักใน Matplotlib ทำได้ด้วย fig.add_axes([left, bottom, width, height]) โดยระบุตำแหน่งและขนาดในพิกัด Figure (0-1) ขั้นตอนการทำงาน นำเข้า numpy และ matplotlib.pyplot สร้างข้อมูล X และ Y สร้าง Figure และ Axes หลักด้วย plt.subplots() สร้าง Inset Axes ด้ว

ฮิสโตแกรมแบบขั้ว (Polar Histogram) หรือ Rose Diagram ใช้แสดงการกระจายของข้อมูลมุม (angular data) เช่น ทิศทางลม เวลาที่เกิดเหตุการณ์ หรือทิศทางการเคลื่อนที่ ใช้ projection=polar ใน subplot ขั้นตอนการทำงาน นำเข้า numpy และ matplotlib.pyplot สร้างข้อมูลมุม theta (0 ถึง 2π), รัศมี radii, และความกว

การเข้าถึงรายการ Axes ทั้งหมดใน Figure สามารถทำได้ด้วยเมธอด fig.get_axes() ซึ่งคืนค่ารายการของ Axes objects ทั้งหมดที่อยู่ใน Figure นั้น ขั้นตอนการทำงาน นำเข้า numpy และ matplotlib.pyplot สร้างข้อมูล X และ Y สร้าง Figure ด้วย plt.figure() เพิ่ม Subplot ด้วย fig.add_subplot(111) (1แถว 1คอลั

เมื่อใช้ DataFrame.plot() ของ Pandas พร้อม secondary_y กราฟจะแสดง Grid lines โดยอัตโนมัติ สามารถปิดได้โดยตั้งค่า grid=False ในเมธอด plot ขั้นตอนการทำงาน นำเข้า pandas และ matplotlib.pyplot สร้าง DataFrame พร้อมข้อมูล พลอตด้วย df.plot(secondary_y=[...], grid=False) แสดงผลด้วย plt.show() ต

การใส่สัญลักษณ์องศา (°) ใน Matplotlib ทำได้โดยใช้รูปแบบ LaTeX ภายในสตริงข้อความ โดยใช้ $^\circ$ หรือ \textdegree ร่วมกับ raw string (r) ขั้นตอนการทำงาน นำเข้า numpy และ matplotlib.pyplot สร้างข้อมูลตัวอย่าง (Pressure-Volume, Temperature) พลอตกราฟด้วย plt.plot() ตั้งค่าแกน X ด้วย plt.xlabel

การกำหนดค่าและป้ายกำกับ (ticks และ tick labels) บนแกน Y เองใน Matplotlib ใช้ฟังก์ชัน plt.yticks() หรือ ax.set_yticks() และ ax.set_yticklabels() ขั้นตอนการทำงาน นำเข้า numpy และ matplotlib.pyplot สร้างข้อมูล X และ Y ด้วย np.array() สร้างรายการป้ายกำกับที่ต้องการ (เช่น [a, b, c, d]) ตั้งค่า

การวาดกราฟทับภาพพื้นหลังใน Matplotlib ทำได้โดยใช้ ax.imshow() แสดงภาพเป็นพื้นหลัง แล้วพลอตกราฟอื่นๆ ทับบนด้วย ax.plot() โดยระบุ extent ให้ตรงกับพิกัดข้อมูล ขั้นตอนการทำงาน นำเข้า numpy และ matplotlib.pyplot อ่านภาพด้วย plt.imread(filename.jpg) สร้าง Figure และ Axes ด้วย plt.subplots() แสดง

การบันทึกกราฟเป็นไฟล์ภาพจาก Jupyter/iPython Notebook ใน Matplotlib ทำได้ด้วยเมธอด plt.savefig() หรือ fig.savefig() รองรับหลายรูปแบบ: PNG, PDF, SVG, JPG ขั้นตอนการทำงาน นำเข้า matplotlib.pyplot สร้าง Figure ด้วย plt.figure() เพิ่ม Axes ด้วย fig.add_axes([left, bottom, width, height]) พลอตข้

การสร้าง Colorbar เดียวที่ใช้ร่วมกับหลาย Subplot (shared colorbar) ใน Matplotlib ทำได้โดยสร้าง Axes แยกสำหรับ Colorbar แล้วใช้ fig.colorbar() กับ mappable object (เช่นภาพจาก imshow) ขั้นตอนการทำงาน นำเข้า numpy และ matplotlib.pyplot สร้างข้อมูลสุ่ม 2 มิติ สร้าง Figure และ Axes ด้วย plt.subpl

OpenCV (cv2) เป็นไลบรารีประมวลผลภาพยอดนิยมใน Python การแสดงภาพพื้นฐานทำได้ด้วย cv2.imread() โหลดภาพ cv2.imshow() แสดงในหน้าต่าง cv2.waitKey() รอปุ่มกด และ cv2.destroyAllWindows() ปิดหน้าต่าง ขั้นตอนการทำงาน นำเข้า cv2 โหลดภาพด้วย cv2.imread(filename, flags): cv2.IMREAD_COLOR - สี (ค

การสร้างฮิสโตแกรมที่แกน Y เป็นมาตราส่วนลอการิทึม (Log Scale) ใน Matplotlib ทำได้โดยตั้งค่า log=True ในฟังก์ชัน plt.hist() เหมาะสำหรับข้อมูลที่มีช่วงค่ากว้างมาก หรือมี Outliers ขั้นตอนการทำงาน นำเข้า numpy และ matplotlib.pyplot เตรียมข้อมูล (ตัวอย่างใช้ np.array([5, 5, 5, 5])) พลอตฮิสโตแกรมด้

การอ่านไฟล์ CSV และเลือกเฉพาะคอลัมน์ที่ต้องการใน Pandas ทำได้ง่ายด้วยพารามิเตอร์ usecols ในฟังก์ชัน pd.read_csv() ช่วยประหยัดหน่วยความจำและเวลาเมื่อไฟล์ใหญ่ ขั้นตอนการทำงาน นำเข้า pandas และ matplotlib.pyplot กำหนดรายการชื่อคอลัมน์ที่ต้องการ: columns = [Name, Marks] อ่าน CSV ด้วย pd.read_csv

การแสดง Figure หลายอันพร้อมกันใน Matplotlib สามารถทำได้โดยสร้าง Subplot หลายตัวใน Figure เดียว ใช้ plt.subplot() หรือ plt.subplots() แล้วพลอตข้อมูลในแต่ละ Axes แยกกัน ขั้นตอนการทำงาน นำเข้า numpy และ matplotlib.pyplot สร้างข้อมูลสุ่ม 2 มิติด้วย np.random.rand(5, 5) สร้าง Subplot 1 แถว 4 คอลั

การแสดง Subplot ใน Matplotlib ทำได้โดยใช้ plt.show() หลังจากสร้าง Axes และพลอตข้อมูลแล้ว เมื่อสร้าง Figure หลายอัน plt.show() จะแสดงทั้งหมดพร้อมกัน ขั้นตอนการทำงาน นำเข้า matplotlib.pyplot และ numpy สร้างข้อมูล X และ Y (ตัวอย่าง: x = np.arange(10), y = np.exp(x)) พลอตข้อมูลด้วย plt.plot(x, y

การสร้างแผนที่ความหนาแน่น 2 มิติ (ซึ่งมักเรียกว่า 3D density map เพราะมีค่า Z เป็นความสูง/ความหนาแน่น) ใน Matplotlib ใช้ pcolormesh() ซึ่งเร็วกว่า pcolor() และรองรับกริดไม่สม่ำเสมอ ขั้นตอนการทำงาน นำเข้า numpy, matplotlib.pyplot, cm (colormap), colors สร้างเวกเตอร์พิกัดด้วย np.linspace() สร้

การปรับมาตรฐานฮิสโตแกรม (Normalized Histogram) ทำให้พื้นที่ใต้กราฟเท่ากับ 1 แทนที่จะเป็นจำนวนนับ (counts) ทำให้เปรียบเทียบการกระจายของข้อมูลชุดต่างๆ ได้แม่นยำขึ้น แม้ขนาดตัวอย่างจะต่างกัน ขั้นตอนการทำงาน นำเข้า matplotlib.pyplot เตรียมข้อมูล (รายการตัวเลข) พลอตฮิสโตแกรมด้วย plt.hist() โดยตั้

การพลอตจุดข้อมูลเพียงจุดเดียวใน Matplotlib สามารถทำได้โดยสร้างรายการ X และ Y ที่มีเพียงค่าเดียว แล้วใช้ plt.plot() พร้อมกำหนดรูปแบบเครื่องหมาย (marker) ให้ชัดเจน ขั้นตอนการทำงาน นำเข้า matplotlib.pyplot สร้างรายการ X และ Y ที่มีค่าเดียว: x = [4], y = [3] กำหนดขอบเขตแกนด้วย plt.xlim() และ plt

Meshgrid ใช้สร้างเมทริกซ์พิกัดจากเวกเตอร์พิกัด (coordinate vectors) ใน NumPy การนำฟังก์ชันไปประยุกต์กับ meshgrid สามารถทำได้โดยใช้ @np.vectorize เดอเรเตอร์ เพื่อให้ฟังก์ชันทำงานแบบ element-wise กับอาร์เรย์ ตัวอย่างโค้ด import numpy as np @np.vectorize def foo(a, b): return a + b x = [0.0, 0.5