Gnuplot dan Matplotlib adalah dua alat yang populer digunakan untuk membuat plot data. Plot data adalah representasi visual dari data, yang dapat membantu dalam menguraikan pola dan hubungan antara variabel-variabel.

Plotting with Gnuplot

Gnuplot adalah sebuah program komputer yang digunakan untuk membuat plot data. Berikut ini adalah beberapa contoh plot yang dapat dibuat dengan menggunakan gnuplot:

• gnuplot: Plot sederhana dengan warna biru dan warna hijau.
• gnuplot_r: Plot yang mirip dengan plot pertama, tapi memiliki warna yang berbeda.
• gnuplot2: Plot yang lebih kompleks dengan warna-warna yang berbeda.

Anda dapat mengubah ukuran titik dengan menggunakan argumen s. Pastikan array untuk ukuran memiliki panjang yang sama seperti array untuk x dan y.

Contoh:

import numpy as np
x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6])
y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86])
sizes = np.array([20,50,100,200,500,1000,60,90,10,300,600,800,75])
plt.scatter(x, y, s=sizes)
plt.show()

Plotting with Matplotlib

Matplotlib adalah sebuah library Python yang digunakan untuk membuat plot data. Berikut ini adalah beberapa contoh plot yang dapat dibuat dengan menggunakan matplotlib:

• hot: Plot sederhana dengan warna panas.
• hot_r: Plot yang mirip dengan plot pertama, tapi memiliki warna yang berbeda.
• viridis: Plot yang memiliki warna-warna yang berbeda.

Anda dapat mengubah ukuran titik dengan menggunakan argumen s. Pastikan array untuk ukuran memiliki panjang yang sama seperti array untuk x dan y.

Contoh:

import matplotlib.pyplot as plt
import numpy as np
x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6])
y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86])
sizes = np.array([20,50,100,200,500,1000,60,90,10,300,600,800,75])
plt.scatter(x, y, s=sizes)
plt.show()

Combining Color, Size, and Alpha

Anda dapat menggabungkan warna, ukuran, dan transparansi dengan menggunakan colormap. Contohnya:

import matplotlib.pyplot as plt
import numpy as np
x = np.random.randint(100, size=(100))
y = np.random.randint(100, size=(100))
colors = np.random.randint(100, size=(100))
sizes = 10 * np.random.randint(100, size=(100))
plt.scatter(x, y, c=colors, s=sizes, alpha=0.5, cmap='nipy_spectral')
plt.colorbar()
plt.show()

Dalam contoh di atas, kita menggunakan colormap nipy_spectral dan mengatur ukuran titik dengan menggunakan argumen s. Kita juga mengatur transparansi dengan menggunakan argumen alpha.

Dengan demikian, plot data dapat membantu dalam menguraikan pola dan hubungan antara variabel-variabel.