Python for AI/Matplotlib/Lesson 53

Subplots

এক figure-এ অনেক graph — subplots grid, figsize, sharex/sharey, layout="constrained", Pandas-এর .plot(ax=...), আর savefig দিয়ে report-এর জন্য save।

সময়: 22 মিনিট
Exercise: 1
Challenge: 1
Quiz: 3 প্রশ্ন

সহজ ভাষায়

একটা graph একটা গল্প বলে। কিন্তু data বুঝতে প্রায়ই কয়েকটা graph পাশাপাশি দেখতে হয়। plt.subplots(rows, cols) দিয়ে একটা figure-এ একটা grid:

main.py

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 100)

fig, axes = plt.subplots(2, 2, figsize=(8, 6), layout="constrained")
axes[0, 0].plot(x, np.sin(x))
axes[0, 0].set_title("sin")
axes[0, 1].plot(x, np.cos(x), color="#059669")
axes[0, 1].set_title("cos")
axes[1, 0].hist(np.random.default_rng(0).normal(size=500), bins=25)
axes[1, 0].set_title("normal sample")
axes[1, 1].scatter(x, x + np.random.default_rng(1).normal(0, 2, 100), s=8)
axes[1, 1].set_title("noisy line")
fig.suptitle("Four plots, one figure")

axes[0, 0]   axes[0, 1]
axes[1, 0]   axes[1, 1]

axes একটা NumPy array — [row, column] দিয়ে প্রতিটা graph।

কেন দরকার?

EDA (Exploratory Data Analysis) — নতুন dataset পেলে প্রথম কাজ: প্রতিটা feature-এর distribution, target-এর সাথে সম্পর্ক — সব এক পাতায়
Model তুলনা — একই graph কয়েকটা model-এর জন্য পাশাপাশি
Report — একটা পরিচ্ছন্ন figure, যা save করে presentation বা paper-এ দেওয়া যায়

Figure-এর আকার আর layout

main.py

import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 3, figsize=(10, 3), layout="constrained")
for i, ax in enumerate(axes):
    ax.plot([1, 2, 3], [i, i + 2, i + 1])
    ax.set_title(f"panel {i + 1}")
    ax.set_xlabel("a fairly long x-axis label")

figsize=(width, height) — inch-এ
layout="constrained" — title আর label একে অপরের ওপর পড়ে না, নিজে থেকে জায়গা ঠিক করে। (পুরনো code-এ দেখবে plt.tight_layout() — একই উদ্দেশ্য।)

এক সারির subplot-এ (1, 3) axes 1D array — axes[0], axes[1]…। Loop-এ for ax in axes লেখা সহজ।

sharex / sharey: ন্যায্য তুলনা

main.py

import numpy as np
import matplotlib.pyplot as plt

rng = np.random.default_rng(3)
before = rng.normal(60, 10, 400)
after = rng.normal(68, 9, 400)

fig, axes = plt.subplots(2, 1, figsize=(6, 5), sharex=True, layout="constrained")
axes[0].hist(before, bins=30, color="#64748b")
axes[0].set_title("Before tutoring")
axes[1].hist(after, bins=30, color="#059669")
axes[1].set_title("After tutoring")
axes[1].set_xlabel("marks")

sharex=True ছাড়া প্রতিটা histogram নিজের মতো x-axis নিত, আর ৮ নম্বরের উন্নতি চোখে পড়ত না।

Pandas-এর plotting

Pandas-এর .plot() ভেতরে Matplotlib — আর ax= দিয়ে নির্দিষ্ট subplot-এ আঁকতে পারে:

main.py

import pandas as pd
import matplotlib.pyplot as plt

sales = pd.DataFrame({
    "month": ["Jan", "Feb", "Mar", "Apr", "May", "Jun"],
    "online": [120, 150, 190, 230, 260, 310],
    "store": [200, 190, 205, 195, 210, 200],
}).set_index("month")

fig, axes = plt.subplots(1, 2, figsize=(9, 3.5), layout="constrained")
sales.plot(ax=axes[0], marker="o", title="Sales by channel")
sales.sum().plot.bar(ax=axes[1], title="Total (6 months)", color=["#059669", "#64748b"], rot=0)

DataFrame-এর প্রতিটা column একটা line — label আর legend নিজে থেকে। দ্রুত exploration-এ খুব কাজের।

Save করা

main.py

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(5, 3))
ax.bar(["A", "B", "C"], [3, 7, 5], color="#059669")
ax.set_title("Saved chart")

fig.savefig("chart.png", dpi=150, bbox_inches="tight")
fig.savefig("chart.svg", bbox_inches="tight")

import os
print({name: os.path.getsize(name) for name in ["chart.png", "chart.svg"]})

Format	কখন
`.png`	Web, slide, chat — সব জায়গায় চলে
`.svg` / `.pdf`	Report, paper — vector, যত খুশি বড় করো, ঝাপসা হবে না

Exercise

পাশাপাশি দুটো graph

+20 XP

fig, axes = plt.subplots(1, 2, figsize=(9, 3.5)) দিয়ে পাশাপাশি দুটো graph:

বামে (axes[0]): days বনাম sales-এর line plot, title "Daily sales"
ডানে (axes[1]): sales-এর histogram, 8টা bin, title "Sales distribution"

solution.py

import numpy as np
import matplotlib.pyplot as plt

rng = np.random.default_rng(4)
days = np.arange(1, 31)
sales = 200 + days * 5 + rng.normal(0, 25, 30)

Quiz

Q1fig, axes = plt.subplots(2, 3) — axes-এর shape কী, আর নিচের সারির মাঝেরটা কোনটা?
shape (6,), axes[4]shape (2, 3), axes[1, 1]shape (3, 2), axes[2, 1]
Q2sharex=True কী করে?
সব subplot একই data দেখায়সব subplot-এর x-axis-এর সীমা একই থাকে — তুলনা ন্যায্য হয়, আর একটায় zoom করলে সবগুলোতে হয়x-label একবার লেখে
Q3Report-এর জন্য graph save করতে কোনটা?
fig.savefig("chart.png", dpi=200, bbox_inches="tight")plt.show("chart.png")fig.export("chart.png")

0/3 answered

Challenge

EDA dashboard

+50 XP

eda_dashboard(df) function লেখো যেটা একটা house-price DataFrame-এর জন্য 2×2 dashboard বানিয়ে fig return করে:

উপরে-বামে: price-এর histogram, 20 bin — title "Price"
উপরে-ডানে: area বনাম price scatter — title "Area vs price"
নিচে-বামে: প্রতিটা city-র গড় price-এর bar chart, বেশি থেকে কম — title "Mean price by city"
নিচে-ডানে: year অনুযায়ী গড় price-এর line — title "Mean price by year"

layout="constrained" দিয়ে, যাতে লেখা একে অপরের ওপর না পড়ে।

solution.py

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt


def eda_dashboard(df):
    pass


rng = np.random.default_rng(9)
n = 300
houses = pd.DataFrame({
    "area": rng.uniform(600, 2600, n).round(),
    "city": rng.choice(["Dhaka", "Chattogram", "Sylhet", "Khulna"], n, p=[0.5, 0.25, 0.15, 0.1]),
    "year": rng.integers(2019, 2027, n),
})
city_factor = houses["city"].map({"Dhaka": 1.4, "Chattogram": 1.1, "Sylhet": 0.9, "Khulna": 0.8})
houses["price"] = (houses["area"] * 0.05 * city_factor * (1 + (houses["year"] - 2019) * 0.06) + rng.normal(0, 8, n)).round(1)

fig = eda_dashboard(houses)

বাস্তবে কোথায় ব্যবহার হয়?

একটা classifier-এর evaluation dashboard — training curve, confusion matrix আর class-ভিত্তিক accuracy এক জায়গায়। এই module-এর সব কৌশল একসাথে:

main.py

import numpy as np
import matplotlib.pyplot as plt

epochs = np.arange(1, 21)
train_acc = 1 - 0.5 * np.exp(-epochs / 4)
val_acc = 0.88 - 0.4 * np.exp(-epochs / 4) - 0.002 * np.maximum(0, epochs - 10)

classes = ["positive", "negative", "neutral"]
cm = np.array([[85, 5, 10], [4, 80, 16], [12, 18, 70]])
per_class = cm.diagonal() / cm.sum(axis=1)

fig, axes = plt.subplots(1, 3, figsize=(12, 3.6), layout="constrained")

axes[0].plot(epochs, train_acc, label="train")
axes[0].plot(epochs, val_acc, label="validation")
axes[0].set_title("Accuracy")
axes[0].set_xlabel("epoch")
axes[0].legend()

image = axes[1].imshow(cm, cmap="Greens")
axes[1].set_xticks(range(3), classes)
axes[1].set_yticks(range(3), classes)
for i in range(3):
    for j in range(3):
        axes[1].text(j, i, cm[i, j], ha="center", va="center")
axes[1].set_title("Confusion matrix")
axes[1].set_xlabel("predicted")

bars = axes[2].bar(classes, per_class, color=["#059669", "#059669", "#dc2626"])
axes[2].bar_label(bars, labels=[f"{v:.0%}" for v in per_class])
axes[2].set_ylim(0, 1)
axes[2].set_title("Recall per class")

এক নজরে তিনটা কথা: model প্রায় ১০ epoch-এর পর আর উন্নতি করছে না, আর "neutral" class-টাই সবচেয়ে দুর্বল — আর বিশেষ করে "negative"-এর সাথে গুলিয়ে যাচ্ছে। পরের পদক্ষেপ স্পষ্ট: আরও neutral উদাহরণ সংগ্রহ।

Interview প্রশ্ন

Beginner: fig আর axes-এর পার্থক্য কী? একটা 2×2 grid-এর নিচে-ডানের graph কীভাবে পাবে?
Intermediate: নতুন dataset-এর EDA-তে কোন কোন graph আঁকবে, কেন?
Advanced: Misleading visualization-এর কয়েকটা উদাহরণ দাও (কাটা y-axis, আলাদা scale, 3D pie)। ভালো data visualization-এর নীতি কী?

এরপর কী?

অভিনন্দন! 🎉 Matplotlib module শেষ। তুমি এখন data থেকে line, scatter, histogram, bar chart আর পুরো dashboard বানাতে পারো।

এখন পর্যন্ত শেখা সবকিছু — Python, NumPy, Pandas, Matplotlib — একসাথে কাজে লাগানোর সময়। Python for AI path-এর শেষ অংশ: Project: Student Performance Analysis — একটা real dataset load, clean, analyze আর visualize করে নিজের প্রথম data analysis project।