matplotlib-এর শুরু — figure, axes, plot আর বাংলা লেখা

১ · আগে দেখুন, তারপর মডেল — Anscombe-এর চারটি ডেটাসেট

মডিউল ৪-এ আপনি pandas দিয়ে বাজারঘরের অর্ডার পড়েছেন, পরিষ্কার করেছেন, জেলা ধরে যোগফল বের করেছেন (পর্ব ২৪)। সংখ্যাগুলো ঠিক আছে। কিন্তু একটি টেবিলের সংখ্যা দেখে কি ডেটার চেহারা বোঝা যায়? এই মডিউলের উত্তর: প্রায়ই যায় না। ডাক্তার শুধু থার্মোমিটারের একটি সংখ্যা দেখে রোগ ঠিক করেন না; রোগীকে দেখেন, প্রয়োজনে এক্স-রে দেখেন। ডেটার ক্ষেত্রে সেই এক্স-রে হলো chart.

এর সবচেয়ে বিখ্যাত প্রমাণ দিয়েছিলেন পরিসংখ্যানবিদ Francis J. Anscombe, ১৯৭৩ সালে The American Statistician পত্রিকায় “Graphs in Statistical Analysis” প্রবন্ধে। তিনি এগারোটি করে বিন্দুর চারটি ছোট ডেটাসেট বানালেন, যা এখন Anscombe's quartet নামে পরিচিত। চারটিরই x-এর গড় ৯, y-এর গড় প্রায় ৭.৫০, x-এর variance ১১, y-এর variance প্রায় ৪.১২, x আর y-এর correlation coefficient প্রায় ০.৮১৬, আর least-squares রেখা প্রায় y = ৩.০০ + ০.৫০০x. শুধু এই সারাংশ দেখলে মনে হবে চারটি একই ডেটা। মানগুলো প্রকাশিত আর ছোট, তাই নিচে হাতে লিখে দেওয়া হলো। চালিয়ে নিজে দেখুন:

Variance আর ddof=1 আপনি পর্ব ১৬-এ দেখেছেন; এখানে np.polyfit(xs, ys, deg=1) সবচেয়ে কাছের সরলরেখার ঢাল আর ছেদবিন্দু দেয়, আর np.corrcoef Pearson-এর r. এগুলোর তত্ত্ব আসবে পর্ব ৩৭-এ; এখন শুধু সংখ্যা মিলিয়ে নিন। এই পাতার প্রথম Python চালাতে কয়েক সেকেন্ড লাগতে পারে, কারণ ব্রাউজার NumPy আর matplotlib নামায়।

import numpy as np
import matplotlib.pyplot as plt

x = [10, 8, 13, 9, 11, 14, 6, 4, 12, 7, 5]          # Anscombe (1973)
quartet = {
    "I":   (x, [8.04, 6.95, 7.58, 8.81, 8.33, 9.96, 7.24, 4.26, 10.84, 4.82, 5.68]),
    "II":  (x, [9.14, 8.14, 8.74, 8.77, 9.26, 8.10, 6.13, 3.10, 9.13, 7.26, 4.74]),
    "III": (x, [7.46, 6.77, 12.74, 7.11, 7.81, 8.84, 6.08, 5.39, 8.15, 6.42, 5.73]),
    "IV":  ([8, 8, 8, 8, 8, 8, 8, 19, 8, 8, 8],
            [6.58, 5.76, 7.71, 8.84, 8.47, 7.04, 5.25, 12.50, 5.56, 7.91, 6.89]),
}
print("set  mean_x mean_y var_x var_y    r   line")
fig, axes = plt.subplots(2, 2, figsize=(6, 4.4), sharex=True, sharey=True,
                         layout="constrained")
line_x = np.array([2, 20])
for ax, (name, (xs, ys)) in zip(axes.flat, quartet.items()):
    xs, ys = np.array(xs, dtype=float), np.array(ys)
    slope, intercept = np.polyfit(xs, ys, deg=1)      # least-squares line
    r = np.corrcoef(xs, ys)[0, 1]
    print(f"{name:4s} {xs.mean():6.2f} {ys.mean():6.2f} {xs.var(ddof=1):5.2f}"
          f" {ys.var(ddof=1):5.2f} {r:5.3f}  y = {intercept:.2f} + {slope:.3f}x")
    ax.scatter(xs, ys, s=22, color="tab:blue")
    ax.plot(line_x, intercept + slope * line_x, color="tab:orange", lw=1.2)
    ax.set_title(f"Set {name}", fontsize=10)
fig.supxlabel("x")
fig.supylabel("y")
fig.suptitle("Anscombe's quartet: same statistics, different data")
print("axes array:", type(axes).__name__, axes.shape)
plt.show()

set  mean_x mean_y var_x var_y    r   line
I      9.00   7.50 11.00  4.13 0.816  y = 3.00 + 0.500x
II     9.00   7.50 11.00  4.13 0.816  y = 3.00 + 0.500x
III    9.00   7.50 11.00  4.12 0.816  y = 3.00 + 0.500x
IV     9.00   7.50 11.00  4.12 0.817  y = 3.00 + 0.500x
axes array: ndarray (2, 2)

এই কাজের সবচেয়ে প্রচলিত টুল matplotlib. ২০০৩ সালের দিকে স্নায়ুবিজ্ঞানের গবেষক John D. Hunter মৃগীরোগীর মস্তিষ্কের সংকেত দেখার জন্য এটি লিখতে শুরু করেন, MATLAB-এর plot করার ধরন অনুকরণ করে; ২০০৭ সালে তিনি Computing in Science & Engineering-এ এর বর্ণনা প্রকাশ করেন। ২০১২ সালে তাঁর মৃত্যুর পর থেকে একটি স্বেচ্ছাসেবী দল প্রকল্পটি চালায়। আজ seaborn (পর্ব ৩০) আর pandas-এর .plot দুটিই matplotlib-এর ওপর তৈরি, তাই এর ভেতরটা বুঝলে বাকি সব সহজ হয়।

২ · একটি figure-এর ভেতরে — Figure, Axes, Axis আর artist

matplotlib-এর নামগুলো প্রথমে গোলমেলে লাগে, বিশেষ করে Axes আর Axis. একটি ক্রিকেট মাঠের স্কোরবোর্ডের কথা ভাবুন। পুরো বোর্ডটি একটি Figure. বোর্ডে কয়েকটি আলাদা প্যানেল থাকতে পারে, একটিতে রানরেট, আরেকটিতে ওভারপ্রতি রান; প্রতিটি প্যানেল একটি Axes, মানে নিজের অক্ষ, রেখা আর শিরোনামসহ একটি plot-এর ঘর। প্রতিটি প্যানেলের নিচের ওভারের দাগ আর বাঁ দিকের রানের দাগ দুটি Axis: XAxis আর YAxis. আর প্যানেলে আঁকা প্রতিটি জিনিস, রেখা, বার, লেখা, legend, এমনকি পেছনের সাদা আয়তক্ষেত্রটিও, একটি artist. Axes শব্দটি ইংরেজিতে axis-এর বহুবচনের মতো শোনায়, কিন্তু matplotlib-এ এর মানে একটি পুরো plot-এর ঘর; এই একটি তথ্য মনে রাখলে অর্ধেক বিভ্রান্তি কেটে যায়।

এই গঠন শুধু নাম নয়, এটি আসল Python বস্তু। নিচের ধাপে একটি figure বস্তু ধরে ধরে তৈরি হচ্ছে। ডান দিকের মানগুলো লেখকের যন্ত্রে matplotlib 3.10.8-এ (পাতার ভেতরের Python-এর মতো একই সংস্করণে) প্রতিটি লাইনের পরে সত্যি মেপে নেওয়া: len(fig.axes) কতটি Axes, len(ax.lines) কতটি রেখা, ax.get_title() শিরোনাম, আর len(ax.get_children()) Axes-এর ভেতরে মোট কতটি artist.

1fig = plt.figure(figsize=(6, 3.5))2ax = fig.add_subplot()3ax.plot(week, dhaka, label="Dhaka")4ax.plot(week, khulna, label="Khulna")5ax.set_title("Weekly orders")6ax.set_xlabel("Week")7ax.legend()

এই artist-এর গাছই matplotlib-এর শক্তি। যেকোনো জিনিস পরে ধরে বদলানো যায়: ax.lines[0].set_linewidth(3) প্রথম রেখা মোটা করে, ax.title.set_color("gray") শিরোনামের রং বদলায়। ছবি আঁকার মুহূর্তে matplotlib এই গাছ ঘুরে প্রতিটি artist-কে একটি backend-এর হাতে দেয়। PNG বানায় Agg নামের backend, SVG আর PDF-এর আলাদা লেখক আছে, আর ডেস্কটপে জানালায় দেখানোর জন্য GUI backend. পাতার ভেতরের Python Agg ব্যবহার করে, আর চালানো শেষে খোলা প্রতিটি figure-কে PNG বানিয়ে আউটপুটের নিচে দেখায়।

৩ · দুই রকম লেখার ধরন — pyplot-এর state বনাম object-oriented

matplotlib দুই রকমভাবে লেখা যায়, আর ইন্টারনেটের কোড দুটি মিশিয়ে ফেলে বলে নতুনরা প্রায়ই বিভ্রান্ত হন। প্রথমটি pyplot-এর ধরন: plt.plot(...), plt.title(...), plt.xlabel(...). এখানে আপনি কোনো বস্তুর নাম বলেন না; pyplot নিজে মনে রাখে কোনটি “বর্তমান” figure আর “বর্তমান” Axes, আর প্রতিটি ডাক সেখানেই যায়। একে বলে state machine, matplotlib-এর docs-এ implicit interface. দ্বিতীয়টি object-oriented API, docs-এ explicit interface: fig, ax = plt.subplots() দিয়ে বস্তু হাতে নিয়ে ax.plot, ax.set_title, ax.set_xlabel.

নিচে একই কাজ দুই ধরনে, পাশাপাশি। প্রতিটি ধাপে pyplot কী মনে রাখছে, তা লেখকের যন্ত্রে matplotlib 3.10.8-এ চালিয়ে মিলিয়ে দেখা।

# pyplot
plt.figure()
plt.subplot(1, 2, 1)
# বর্তমান = বাঁ Axes

# object-oriented
fig, (ax1, ax2) = plt.subplots(1, 2)

# pyplot
plt.plot([1, 2], [1, 2])
# যায় "বর্তমান" Axes-এ

# object-oriented
ax1.plot([1, 2], [1, 2])
# নাম ধরে ax1-এ

# pyplot
plt.subplot(1, 2, 2)
# বর্তমান বদলে ডান Axes

# object-oriented
# কিছু লাগে না:
# ax2 তো হাতেই আছে

# pyplot
plt.title("B")
# সত্যিকারের run:
title on a1: ''  a2: 'B'

# object-oriented
ax2.set_title("B")
ax1.set_title("A")
# যেকোনো ক্রমে

# pyplot
fig2, ax2b = plt.subplots()
# সত্যিকারের run:
fignums: [1, 2]
gca is ax2b: True
plt.close("all")
# fignums: []

# object-oriented
fig.savefig("first.png")
# fig এখনো হাতে

এই কোর্স কেন object-oriented ধরন ব্যবহার করে? তিনটি কারণে। এক, একাধিক Axes হলে কোন কাজ কোথায় যাচ্ছে তা কোড পড়েই বোঝা যায়। দুই, chart আঁকার ফাংশন লেখা সহজ হয়: def plot_sales(ax, data): যেকোনো Axes নিতে পারে, যেকোনো figure-এর যেকোনো ঘরে আঁকতে পারে, আর test করা যায় (পর্ব ১১)। তিন, matplotlib-এর নিজের docs জটিল chart-এর জন্য explicit interface সুপারিশ করে, আর pandas ও seaborn-এর ফাংশনও ax= নেয়। তবে pyplot একেবারে বাদ নয়: plt.subplots(), plt.show(), plt.close() আর plt.style.use() pyplot থেকেই আসে, আর notebook-এ এক লাইনের দ্রুত chart-এ plt.plot(x, y) পুরোপুরি ঠিক। নিয়ম হলো, একই chart-এ দুটি মেশাবেন না।

৪ · ধাপে ধাপে একটি bar chart — label, টাকার tick আর annotation

এবার বাজারঘরের আসল প্রশ্ন: কোন জেলায় বিক্রি কত? ৬০০টি কাল্পনিক অর্ডার seed দিয়ে বানানো, তাই প্রত্যেক পাঠক একই সংখ্যা পাবেন। দাম পয়সায় পূর্ণসংখ্যা হিসেবে রাখা (পর্ব ২০-এর নিয়ম), chart-এ দেখানো হবে টাকায়। দলভিত্তিক তুলনার স্বাভাবিক ছবি bar chart. কোডের মন্তব্যে পাঁচটি ধাপ নম্বর দেওয়া: ফাঁকা Axes, ডেটা, লেখা, tick, আর রেখা ও তীর।

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.ticker import StrMethodFormatter

rng = np.random.default_rng(42)          # বাজারঘর: ৬০০টি কাল্পনিক অর্ডার
n = 600
districts = ["Dhaka", "Chattogram", "Khulna", "Rajshahi", "Sylhet"]
orders = pd.DataFrame({
    "district": rng.choice(districts, size=n, p=[0.38, 0.24, 0.14, 0.13, 0.11]),
    "qty": rng.integers(1, 4, size=n),
    "price_paisa": rng.integers(150, 2500, size=n) * 100,
})
orders["total_paisa"] = orders["qty"] * orders["price_paisa"]
sales_tk = (orders.groupby("district")["total_paisa"].sum() // 100
            ).sort_values(ascending=False)
print(sales_tk)

fig, ax = plt.subplots(figsize=(6, 3.5), layout="constrained")   # ১) ফাঁকা Axes
bars = ax.bar(sales_tk.index, sales_tk.to_numpy(), color="tab:blue")  # ২) ডেটা
ax.set_title("Bazarghar sales by district (simulated)")          # ৩) লেখা
ax.set_ylabel("Sales (taka)")
ax.yaxis.set_major_formatter(StrMethodFormatter("Tk {x:,.0f}"))  # ৪) tick
ax.set_ylim(0, sales_tk.max() * 1.18)
avg = sales_tk.mean()                                            # ৫) রেখা আর তীর
ax.axhline(avg, color="gray", ls="--", lw=1)
ax.text(4.45, avg * 1.04, f"mean Tk {avg:,.0f}", ha="right", fontsize=9)
ax.annotate("largest market", xy=(0, sales_tk.iloc[0]),
            xytext=(1.0, sales_tk.iloc[0] * 1.08),
            arrowprops=dict(arrowstyle="->"))
print("bars:", len(bars), "| y-limits:", [round(v) for v in ax.get_ylim()])
fmt = ax.yaxis.get_major_formatter()     # tick-এর সংখ্যা → লেখা
print("tick labels:", [fmt(t) for t in ax.get_yticks()[:3]])
plt.show()

district
Dhaka         597588
Chattogram    367852
Rajshahi      227157
Khulna        208412
Sylhet        169344
Name: total_paisa, dtype: int64
bars: 5 | y-limits: [0, 705154]
tick labels: ['Tk 0', 'Tk 100,000', 'Tk 200,000']

কয়েকটি ব্যবহারিক বিষয়। টাকার চিহ্ন ৳ (Unicode U+09F3) বাংলা লিপির ব্লকে, আর matplotlib-এর default ফন্ট DejaVu Sans-এ সেটি নেই; তাই ছবিতে “Tk” লেখা নিরাপদ, নইলে একটি খালি বাক্স আর সতর্কবার্তা আসবে। Python-এর , আন্তর্জাতিক নিয়মে তিন অঙ্ক পরপর কমা দেয় (100,000); বাংলাদেশের লাখ-কোটির নিয়মে (১,০০,০০০) দেখাতে চাইলে নিজের ফাংশন লিখে FuncFormatter-এ দিতে হয়, যা অনুশীলনের প্রথম কাজ। জেলার নাম লম্বা হলে বা দল অনেক হলে আড়াআড়ি bar, ax.barh, পড়তে সহজ, কারণ লেখা তখন কাত করতে হয় না। আর tick কোথায় বসবে তা নিজে ঠিক করতে ax.set_yticks([0, 200_000, 400_000, 600_000]); matplotlib-এর default AutoLocator সাধারণত “সুন্দর” গোল সংখ্যা নিজেই বাছে।

৫ · line, scatter, histogram আর কয়েকটি Axes একসঙ্গে

চারটি মূল chart-এর প্রতিটি একটি আলাদা প্রশ্নের উত্তর দেয়। Line plot (ax.plot) ক্রম আছে এমন ডেটার বদল দেখায়, যেমন দিনের পর দিন অর্ডার। Scatter plot (ax.scatter) প্রতিটি পর্যবেক্ষণকে আলাদা বিন্দু করে, যেমন Anscombe-এর ছবি। Histogram (ax.hist) একটি সংখ্যার কলামকে কয়েকটি ব্যবধানে (bin) ভাগ করে প্রতিটিতে কতগুলো মান পড়ল তা দেখায়, মানে ডেটার বণ্টন। কোন প্রশ্নে কোন chart, সেটি পরের পর্বের পুরো বিষয়; এখানে আঁকার যন্ত্রপাতি।

নিচের কোডে একটি Figure-এ পাশাপাশি দুটি Axes, subplot. বাঁয়ে নভেম্বরের ৩০ দিনের অর্ডার বিন্দু হিসেবে, আর একই Axes-এ ৭ দিনের চলমান গড় রেখা হিসেবে (rolling, পর্ব ২৬), দুটির জন্য একটি legend. ডানে ৫০০টি অর্ডারের ডেলিভারির দিনের histogram.

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

rng = np.random.default_rng(42)
day = np.arange(1, 31)                                   # নভেম্বরের ৩০ দিন
orders = 40 + 0.6 * day + rng.normal(0, 5, size=30)      # প্রতিদিনের অর্ডার
week_mean = pd.Series(orders).rolling(7).mean()          # ৭ দিনের চলমান গড়
delivery = rng.choice(np.arange(1, 8), size=500,
                      p=[0.10, 0.28, 0.27, 0.16, 0.10, 0.06, 0.03])

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(7, 3.2), layout="constrained")
ax1.scatter(day, orders, s=14, color="tab:blue", label="daily orders")
ax1.plot(day, week_mean, color="tab:orange", lw=2, label="7-day mean")
ax1.set(xlabel="Day of month", ylabel="Orders", title="Orders per day")
ax1.set_xlim(0, 31)
ax1.legend(loc="upper left", fontsize=8)

counts, edges, _ = ax2.hist(delivery, bins=np.arange(0.5, 8.5, 1),
                            color="tab:green", edgecolor="white")
ax2.set(xlabel="Delivery days", ylabel="Orders", title="Delivery time")
ax2.set_xticks(range(1, 8))

print("first 7-day mean (day 7):", round(week_mean.iloc[6], 1))
print("last  7-day mean (day 30):", round(week_mean.iloc[-1], 1))
print("bin edges:", edges)
print("counts   :", counts.astype(int), "sum =", int(counts.sum()))
print("lines:", len(ax1.lines), "| collections:", len(ax1.collections),
      "| bars:", len(ax2.patches))
plt.show()

first 7-day mean (day 7): 40.9
last  7-day mean (day 30): 56.8
bin edges: [0.5 1.5 2.5 3.5 4.5 5.5 6.5 7.5]
counts   : [ 45 150 132  88  43  33   9] sum = 500
lines: 1 | collections: 1 | bars: 7

কয়েকটি Axes সাজানো — subplots, figsize আর constrained layout

plt.subplots(nrows, ncols) একটি Figure আর Axes-এর grid একসঙ্গে দেয়। ফেরত আসা জিনিসের আকার মনে রাখুন: ১ × ১ হলে একটি Axes বস্তু, ১ × n বা n × ১ হলে এক মাত্রার array, আর ২ × ৩ হলে (2, 3) আকারের array, যার একটি ঘর axes[1, 0]. সব সময় array চাইলে squeeze=False. sharex=True বা sharey=True অক্ষের পরিসর বেঁধে দেয়, যাতে ঘরে ঘরে তুলনা সৎ হয়; sharex="col" শুধু একই কলামের ঘরগুলো বাঁধে। figsize=(প্রস্থ, উচ্চতা) ইঞ্চিতে; ফোনে পড়ার ছবির জন্য এই পাতায় (৬, ৩.৫)-এর কাছাকাছি রাখা হয়েছে। আর layout="constrained" চালু করে constrained layout, যা শিরোনাম, লেবেল আর legend-এর মাপ হিসাব করে ঘরগুলোর মাঝে জায়গা রাখে, যাতে এক ঘরের লেখা পাশের ঘরে না ঢোকে। পুরোনো কোডে একই কাজে plt.tight_layout() দেখবেন; constrained layout বেশি ক্ষেত্রে ভালো কাজ করে, বিশেষ করে fig.suptitle, fig.supxlabel আর colorbar থাকলে।

৬ · pandas থেকে সরাসরি chart — df.plot আর তার সীমা

pandas-এর প্রতিটি Series আর DataFrame-এর একটি .plot method আছে, যা ভেতরে matplotlib ডাকে আর একটি Axes ফেরত দেয়। তাই দ্রুত একটি chart বানিয়ে তারপর আগের সব object-oriented কৌশলে সাজানো যায়। নিয়মটি সহজ: DataFrame-এর index যায় x-অক্ষে, প্রতিটি কলাম হয় একটি রেখা বা একরঙা bar-এর সারি, আর কলামের নাম legend-এ। Groupby-এর পর unstack (পর্ব ২৫) দিয়ে ঠিক এই আকার পাওয়া যায়: সারি = মাস, কলাম = জেলা।

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.ticker import StrMethodFormatter

rng = np.random.default_rng(42)          # বাজারঘর: আগস্ট–অক্টোবরের ৯০০টি অর্ডার
n = 900
orders = pd.DataFrame({
    "date": pd.Timestamp("2026-08-01")
            + pd.to_timedelta(rng.integers(0, 92, size=n), unit="D"),
    "district": rng.choice(["Dhaka", "Chattogram", "Khulna"], size=n,
                           p=[0.5, 0.3, 0.2]),
    "price_paisa": rng.integers(150, 2500, size=n) * 100,
})
monthly = (orders.groupby([orders["date"].dt.month, "district"])["price_paisa"]
           .sum().div(100).unstack())             # সারি = মাস, কলাম = জেলা
monthly.index = ["Aug", "Sep", "Oct"]
print(monthly.astype(int))

ax = monthly.plot(kind="bar", figsize=(6, 3.5), rot=0, width=0.75)
print("df.plot returned:", type(ax).__name__)
ax.set_title("Monthly sales by district (simulated)")
ax.set_xlabel("")
ax.set_ylabel("Sales (taka)")
ax.yaxis.set_major_formatter(StrMethodFormatter("Tk {x:,.0f}"))
ax.legend(title="District", ncols=3, fontsize=8, loc="upper center")
ax.set_ylim(0, monthly.to_numpy().max() * 1.25)
ax.figure.set_layout_engine("constrained")
print("bars:", len(ax.patches), "| legend:", [t.get_text() for t in ax.get_legend().get_texts()])
plt.show()

district  Chattogram   Dhaka  Khulna
Aug           124143  200503   79050
Sep           106423  204578   71127
Oct           112967  203499   93410
df.plot returned: Axes
bars: 9 | legend: ['Chattogram', 'Dhaka', 'Khulna']

df.plot কখন যথেষ্ট, কখন নয়। দ্রুত দেখার জন্য এটি দারুণ: s.plot.hist(bins=20), df.plot.scatter(x="qty", y="rating"), df.plot(subplots=True). কিন্তু সীমাও আছে। এক, নিয়ন্ত্রণ আংশিক: pandas কিছু সিদ্ধান্ত নিজে নেয় (রং, লেখা ঘোরানো, সময়ের index-এ নিজস্ব tick), যা পরে বদলাতে হয়। দুই, “লম্বা” বা tidy ডেটা থেকে রং অনুযায়ী ভাগ করতে আগে pivot বা unstack করতে হয়; seaborn সেখানে hue="district" দিয়েই কাজ সারে (পর্ব ৩০)। তিন, পরিসংখ্যানের ছবি, যেমন দলভিত্তিক বণ্টন বা আত্মবিশ্বাসের ব্যবধান, এখানে নেই। নিয়ন্ত্রণ নিজের হাতে রাখার ভালো অভ্যাস: আগে fig, ax = plt.subplots(), তারপর df.plot(ax=ax); এতে pandas আপনার বানানো Axes-এ আঁকে।

৭ · চেহারা বদলানো — style আর rcParams

প্রতিটি chart-এ ফন্টের আকার, grid, রঙের তালিকা আলাদা করে বসানো ক্লান্তিকর। matplotlib-এর সব default থাকে একটি বড় dict-এর মতো জায়গায়, rcParams (নামটি এসেছে Unix-এর “rc” সেটিং ফাইলের রীতি থেকে)। লেখকের যন্ত্রে matplotlib 3.11.2-এ default ছিল figure.figsize = [6.4, 4.8] ইঞ্চি আর figure.dpi = 100. বদলানোর তিনটি স্তর:

import matplotlib.pyplot as plt

plt.rcParams["axes.grid"] = True            # ১) এই প্রক্রিয়ার বাকি সব chart-এ
plt.rcParams.update({"font.size": 11, "axes.spines.top": False})

with plt.rc_context({"lines.linewidth": 3}):  # ২) শুধু এই ব্লকের ভেতরে
    fig, ax = plt.subplots()
    ax.plot([1, 2, 3], [3, 1, 2])

plt.style.use("tableau-colorblind10")       # ৩) তৈরি style: অনেক সেটিং একসঙ্গে
print(plt.style.available[:4])

Style sheet হলো অনেকগুলো rcParams-এর তৈরি প্যাকেট। লেখকের যন্ত্রে matplotlib 3.11.2-এ plt.style.available-এ ২৮টি style ছিল, যেমন 'ggplot', 'bmh', 'fivethirtyeight', 'grayscale', 'dark_background', 'tableau-colorblind10', 'petroff10' আর 'seaborn-v0_8-whitegrid'-এর মতো বেশ কয়েকটি seaborn-নামের style. শেষেরগুলোর নামে v0_8 আছে কারণ matplotlib 3.6-এ পুরোনো 'seaborn' নামগুলো বাতিলের ঘোষণা দিয়ে নতুন নাম দেওয়া হয়, আর পরে (3.8-এ) পুরোনোগুলো সরানো হয়; AI বা পুরোনো ব্লগের plt.style.use("seaborn") এখন চালালে সত্যিকারের run-এ OSError: 'seaborn' is not a valid package style, … আসে। রঙের ক্ষেত্রে এই কোর্সের নিয়ম: default tab10 বা tableau-colorblind10-এর মতো বর্ণান্ধ-বান্ধব তালিকা, আর ক্রমানুসারী মানের জন্য viridis বা cividis; শুধু লাল বনাম সবুজ দিয়ে কোনো পার্থক্য বোঝাবেন না। রং আর পাঠযোগ্যতা নিয়ে পুরো আলোচনা পর্ব ৩২-এ।

৮ · ছবি সংরক্ষণ — savefig, dpi, PNG, SVG আর PDF

Chart বানানোর শেষ ধাপ প্রায়ই একটি ফাইল: রিপোর্টে বসানো, ওয়েবসাইটে দেওয়া, ছাপানো। দুই রকম ছবির পার্থক্য আগে বুঝে নিন। Raster ছবি (PNG, JPEG) হলো pixel-এর grid, ঠিক পর্ব ১৮-এর array; বড় করলে খাঁজ দেখা যায়। Vector ছবি (SVG, PDF) হলো রেখা আর আকারের বর্ণনা, “এখান থেকে ওখানে একটি রেখা”; যত বড়ই করুন, ধার তীক্ষ্ণ থাকে। মুদি দোকানের তুলনা দিই: raster হলো তৈরি রুটি, যত বড় পাত্রেই রাখুন রুটি একই; vector হলো রেসিপি, যেকোনো আকারে নতুন করে বানানো যায়।

Raster ছবির pixel সংখ্যা ঠিক করে dpi (dots per inch): pixel = figsize (ইঞ্চি) × dpi. ৬ × ৩.৫ ইঞ্চির figure, dpi 100-এ ৬০০ × ৩৫০ pixel; dpi 200-এ ১২০০ × ৭০০, মানে চারগুণ pixel. নিচের ধাপে একটি savefig ডাকের প্রতিটি অংশ, সংখ্যাগুলো লেখকের যন্ত্রের সত্যিকারের run থেকে:

পাতার ভেতরের Python-এ নিজের কোড থেকে savefig ডাকলে Pyodide-এর matplotlib একটি deprecation সতর্কবার্তা ছাপে, তাই এই অংশ লেখকের যন্ত্রের run দিয়ে দেখানো। সংখ্যাগুলোর উৎস, লেখকের যন্ত্রে Python 3.14.4 আর matplotlib 3.11.2 দিয়ে (লেখার সময়ের সংস্করণ) একটি ছোট script, যা ৪০০টি seed করা ডেলিভারি-দিনের histogram আঁকে আর পাঁচভাবে সংরক্ষণ করে প্রতিটি ফাইলের আকার ছাপে। সত্যিকারের run, ফোল্ডারের পথ নিরপেক্ষ করা:

~/bazarghar-ai/charts$ python save_formats.py
Python 3.14.4 | matplotlib 3.11.2
default figsize: [6.4, 4.8] dpi: 100.0
savefig.dpi: figure
styles: 28
chart_100.png     13,006 bytes  600x350 px
chart_200.png     29,344 bytes  1200x700 px
chart_tight.png   12,962 bytes  532x354 px
chart.svg         25,264 bytes
chart.pdf         11,622 bytes

একটি মাঝামাঝি কৌশল: খুব বেশি বিন্দুর scatter-এ ax.scatter(..., rasterized=True) দিলে শুধু বিন্দুগুলো pixel হিসেবে ঢোকে, অক্ষ আর লেখা vector থাকে; ফলে PDF ছোট থাকে অথচ লেখা তীক্ষ্ণ। আর script-এ একটি পুরোনো ফাঁদ: GUI backend-এ plt.show()-এর জানালা বন্ধ করলে figure-ও বন্ধ হয়ে যায়, তাই তারপর plt.savefig একটি ফাঁকা ছবি লেখে। নিয়ম: আগে fig.savefig, তারপর show; লুপে অনেক chart বানালে প্রতিটির পরে plt.close(fig), নইলে মেমরি বাড়তেই থাকে আর matplotlib ২০টির বেশি খোলা figure-এ সতর্কবার্তা দেয়।

৯ · figure-এ বাংলা লেখা — কেন ভাঙে, এখন কী অবস্থা

এই কোর্সের পাঠকদের জন্য সবচেয়ে বাস্তব প্রশ্ন: chart-এর শিরোনামে “জেলাভিত্তিক বিক্রি” লেখা যায় কি? উত্তর matplotlib-এর সংস্করণের ওপর নির্ভর করে, আর ২০২৬ সালে উত্তরটি বদলেছে। আগে বুঝে নিন সমস্যাটি কোথায়।

কম্পিউটারে বাংলা লেখা থাকে উচ্চারণের ক্রমে, দেখার ক্রমে নয়। “কি” শব্দটি Unicode-এ দুটি code point: আগে ক, তারপর ি-কার; অথচ ছাপায় ি বসে ক-এর বাঁয়ে। “ক্র” হলো ক + ্ (হসন্ত) + র, কিন্তু দেখায় একটি মিলিত রূপ, র-ফলা। “ত্ত” দুটি ত আর একটি হসন্ত, দেখায় একটি যুক্তাক্ষর। Code point-এর এই সারিকে ফন্টের সঠিক glyph-এ, সঠিক ক্রমে আর সঠিক জায়গায় বসানোর কাজকে বলে text shaping. এর নিয়ম থাকে ফন্টের ভেতরের OpenType টেবিলে, আর সেগুলো প্রয়োগ করে একটি shaping engine, সবচেয়ে প্রচলিতটি খোলা উৎসের HarfBuzz, যা আধুনিক ব্রাউজার আর অনেক অপারেটিং সিস্টেমের ভেতরে আছে। Unicode আর grapheme cluster-এর ধারণা আপনি পর্ব ৯-এ দেখেছেন।

matplotlib 3.10 পর্যন্ত Agg backend এই shaping করত না: প্রতিটি code point-এর জন্য ফন্ট থেকে একটি glyph নিয়ে বাঁ থেকে ডানে পাশাপাশি বসাত, শুধু kerning (অক্ষরের মাঝের ফাঁক) ঠিক করে। ইংরেজির জন্য এটি যথেষ্ট, বাংলার জন্য নয়। আর দুটি আলাদা সমস্যা প্রায়ই এক সঙ্গে আসে। প্রথমটি ফন্টের: default DejaVu Sans-এ বাংলা অক্ষরই নেই। লেখকের যন্ত্রে শুধু ax.set_title("ঢাকা") দিয়ে সংরক্ষণ করলে সত্যিকারের run-এ এই সতর্কবার্তাগুলো এসেছে (সংক্ষেপিত):

matplotlib 3.10.8:
UserWarning: Glyph 2466 (\N{BENGALI LETTER DDHA}) missing from font(s) DejaVu Sans.
UserWarning: Matplotlib currently does not support Bengali natively.
UserWarning: Glyph 2453 (\N{BENGALI LETTER KA}) missing from font(s) DejaVu Sans.
…
matplotlib 3.11.2:
UserWarning: Glyph 2466 (\N{BENGALI LETTER DDHA}) missing from font(s) DejaVu Sans.
UserWarning: Glyph 2453 (\N{BENGALI LETTER KA}) missing from font(s) DejaVu Sans.

ছবিতে তখন বাক্স বা চিহ্ন আসে। দ্বিতীয় সমস্যাটি আরও সূক্ষ্ম: বাংলা ফন্ট দিলে সতর্কবার্তা চলে যায়, কিন্তু লেখা তবু ভুল। লেখক Google-এর খোলা লাইসেন্সের Noto Sans Bengali ফন্ট নামিয়ে font_manager.fontManager.addfont দিয়ে যোগ করে, font.family-তে ["Noto Sans Bengali", "DejaVu Sans"] দিয়ে (ইংরেজি অক্ষরের জন্য font fallback) একই ছোট chart দুই সংস্করণে এঁকেছেন:

কী বদলাল? matplotlib 3.11.0 প্রকাশিত হয় ১২ জুন ২০২৬। প্রকল্পের ঘোষণা অনুযায়ী এই সংস্করণে লেখা আর ফন্টের পুরো প্রক্রিয়া নতুন করে লেখা হয়েছে, libraqm, HarfBuzz, SheenBidi আর FreeType-এর নতুন সংস্করণ দিয়ে; release notes-এর “Complex text layout with libraqm” অংশে আরবি-হিব্রুর মতো ভাষা, ligature আর diacritic-এর কথা আছে, সঙ্গে সতর্কতা যে সব সুবিধা ফন্টের সমর্থনের ওপর নির্ভর করে আর DejaVu Sans-এর বাইরে আলাদা ফন্ট লাগতে পারে। ঘোষণায় এ-ও বলা আছে যে এই লাইব্রেরিগুলোর সব সুবিধা এখনো যুক্ত হয়নি। Release notes-এ বাংলার নাম আলাদা করে নেই, তাই লেখক নিজে যাচাই করেছেন: Agg-এর PNG (ছবি ২৮.৩) আর default SVG (যেখানে লেখা path হিসেবে ঢোকে) দুটিতেই 3.11.2-এ বাংলা ঠিক এসেছে, 3.10.8-এ দুটিতেই ভাঙা। PDF লেখক নিজে যাচাই করেননি। 3.11-এ কোনো ফন্টে অক্ষর না পেলে বাক্সের বদলে Unicode Consortium-এর “Last Resort” ফন্টের একটি চিহ্ন আসে, যা বলে দেয় কোন লিপির অক্ষর হারিয়েছে। পুরোনো পথ mplcairo (Raqm সহ) এই সুবিধা আগে থেকেই দিত, আর তার README-ও এখন বলে matplotlib 3.11-এ এটি এসেছে।

# matplotlib >= 3.11 এবং একটি বাংলা ফন্ট (যেমন Noto Sans Bengali) লাগবে
import matplotlib.pyplot as plt
from matplotlib import font_manager

font_manager.fontManager.addfont("fonts/NotoSansBengali-Regular.ttf")
plt.rcParams["font.family"] = ["Noto Sans Bengali", "DejaVu Sans"]

fig, ax = plt.subplots(figsize=(6, 2.6), layout="constrained")
ax.bar(["ঢাকা", "চট্টগ্রাম", "খুলনা"], [412, 268, 151])
ax.set_title("জেলাভিত্তিক বিক্রি")
ax.set_ylabel("হাজার ৳")
fig.savefig("bangla_chart.png", dpi=110)

কাজের পরামর্শ

• সবচেয়ে নিরাপদ: ছবির ভেতরের লেখা ইংরেজিতে (Dhaka, Chattogram, Khulna, Rajshahi, Sylhet), আর বাংলা শিরোনাম, ব্যাখ্যা ও সূত্র ছবির নিচের caption-এ বা HTML-এ। এটি সব সংস্করণে চলে, সার্চ ইঞ্জিন পড়তে পারে, আর screen reader HTML লেখা পড়ে শোনাতে পারে, ছবির ভেতরের লেখা পারে না।
• ছবিতেই বাংলা লাগলে: matplotlib 3.11 বা পরের সংস্করণ, একটি বাংলা ফন্ট যোগ করা, ইংরেজির জন্য fallback তালিকা; তারপর প্রকাশের মাপে ছবিটি চোখে দেখে যাচাই, বিশেষ করে ি, ে, ৈ, ো আর র-ফলা, য-ফলা, ক্ষ, ত্ত.
• পুরোনো matplotlib-এ আটকে থাকলে: plt.rcParams["svg.fonttype"] = "none" দিয়ে SVG সংরক্ষণ করলে লেখা SVG-র ভেতরে সাধারণ লেখা হিসেবে থাকে আর ব্রাউজার নিজে shaping করে। লেখকের run-এ 3.10.8 দিয়ে এভাবে বানানো SVG Edge-এ সঠিক বাংলা দেখিয়েছে। সীমা: দেখার যন্ত্রে একটি বাংলা ফন্ট থাকতে হবে, আর matplotlib লেখার প্রস্থ ভুল মাপে, তাই লেখা একটু সরে যেতে পারে।
• অন্য পথ: লেখা ছবির বাইরে আঁকা, যেমন HTML-এ chart-এর ওপরে শিরোনাম, অথবা ব্রাউজারে আঁকা interactive chart, যেখানে লেখা ব্রাউজারই সাজায় (পর্ব ৩১)।

১০ · AI-এর যুগে matplotlib

“বিক্রির একটা bar chart বানিয়ে দাও” বললে AI সহকারী কয়েক সেকেন্ডে কোড দেয়, আর সাধারণত সেটি চলেও। সমস্যা হলো, chart চললেই ঠিক নয়। ভুল অক্ষ, হারানো একক, ভুল ঘরে শিরোনাম বা বানানো parameter চোখে না দেখলে ধরা পড়ে না। matplotlib-এর ২০ বছরের বেশি সময়ের কোড ইন্টারনেটে ছড়ানো, তাই AI প্রায়ই পুরোনো ধরন আর নতুন ধরন মিশিয়ে ফেলে।

AI-এর বানানো chart হাতে পেলে — যাচাইয়ের চেকলিস্ট

• কোডটি নিজে চালিয়েছি, আর আউটপুটে কোনো warning উপেক্ষা করিনি
• অন্তত দুটি bar বা বিন্দুর মান print বা টেবিলের সঙ্গে মিলিয়েছি; chart-এর সংখ্যা আর ডেটার সংখ্যা এক
• অক্ষের লেবেলে একক আছে (টাকা, দিন, অর্ডার), আর bar chart-এর অক্ষ ০ থেকে শুরু
• প্রতিটি শিরোনাম আর লেবেল সঠিক Axes-এ, legend-এর নাম সঠিক রঙে
• বানানো মনে হওয়া method বা parameter আমার সংস্করণের docs-এ খুঁজে পেয়েছি
• AI-কে গ্রাহকের নাম, ফোন নম্বর বা আসল বিক্রির ফাইল দিইনি; শুধু কলামের নাম আর বানানো উদাহরণ