পাঠ ১৭ · ২৫-এর মধ্যে · মডিউল ২

Home / AI Courses / AI-এর জন্য Python / Matplotlib

Matplotlib — প্রথম গ্রাফ

Matplotlib first plot

৭ মিনিট পড়া শুরু · Beginner ব্রাউজারে কোড চালান

এই পাঠে যা শিখবেন

Matplotlib কী — দু'টি interface (pyplot vs OO)
Line, scatter, bar, histogram — চার মৌলিক plot
Subplots — একাধিক chart একসাথে
Title, label, legend, grid — cosmetics
plt.savefig — file-এ export
AI workflow-এ — loss curve, distribution চেক

১ · Matplotlib কী?

Matplotlib (২০০৩, John Hunter) — Python-এর সবচেয়ে পুরনো ও বহুল ব্যবহৃত plotting library। NumPy/Pandas-এর সাথে seamlessly কাজ করে। AI/ML-এর প্রতিটি notebook-এ এর উপস্থিতি — training loss দেখা থেকে শুরু করে feature distribution বোঝা পর্যন্ত। Seaborn, Plotly, Pandas plotting — সবাই internally Matplotlib-এর উপর দাঁড়ানো (অথবা inspiration নেয়)।

Matplotlib = তুলি ও ক্যানভাস। Figure = ক্যানভাস (পুরো ছবি), Axes = ক্যানভাসের ভিতরে একটি প্যানেল (একটি plot), Artists = তুলির আঁচড় (line, dot, text)। আপনি ক্যানভাস বানান, প্যানেল আঁকেন, তারপর প্রতিটি আঁচড় add করেন।

২ · দু'টি interface — pyplot বনাম OO

দু'টি style

১) pyplot — MATLAB-style state-machine। plt.plot(), plt.title() — global "current figure"-এ কাজ। দ্রুত prototyping।
২) Object-Oriented — fig, ax = plt.subplots()। প্রতিটি call explicit ax.plot(), ax.set_title()। Production-এ recommended।

Python · Matplotlib

import matplotlib.pyplot as plt
import numpy as np

# Style 1 — pyplot (MATLAB-style)
x = np.linspace(0, 10, 100)
plt.plot(x, np.sin(x))
plt.title("pyplot style")
plt.xlabel("x")
plt.ylabel("sin(x)")
plt.show()

# Style 2 — Object-Oriented (production)
fig, ax = plt.subplots(figsize=(6, 3))
ax.plot(x, np.sin(x), color="purple")
ax.set_title("OO style")
ax.set_xlabel("x")
ax.set_ylabel("sin(x)")
plt.show()

দু'টোই একই sine curve আঁকে। কিন্তু OO version-এ ax object explicit — একাধিক subplot, library code, reproducibility — সব জায়গায় পরিষ্কার।

Production code, library, ও দলগত কাজে — সর্বদা OO interface ব্যবহার করুন। Notebook-এ quick exploration-এ pyplot ঠিক আছে। mixing করবেন না — confusion বাড়ে।

৩ · Line plot — training loss-এর ভাষা

Line plot সবচেয়ে common — একটি continuous variable-এর পরিবর্তন দেখায়। AI training-এ loss curve এর সর্বোত্তম উদাহরণ — epoch বনাম loss।

Python · Matplotlib

import matplotlib.pyplot as plt
import numpy as np

# একটি বাস্তবসম্মত training loss curve simulate
np.random.seed(42)
epochs = np.arange(1, 31)
train_loss = 2.5 * np.exp(-0.15 * epochs) + 0.05 * np.random.rand(30)
val_loss   = 2.5 * np.exp(-0.12 * epochs) + 0.10 * np.random.rand(30) + 0.05

fig, ax = plt.subplots(figsize=(7, 4))
ax.plot(epochs, train_loss, color="#2563eb", marker="o",
        linestyle="-", label="Training loss")
ax.plot(epochs, val_loss,   color="#dc2626", marker="s",
        linestyle="--", label="Validation loss")

ax.set_title("Training vs Validation Loss")
ax.set_xlabel("Epoch")
ax.set_ylabel("Loss")
ax.legend()
ax.grid(True, alpha=0.3)
plt.show()

color, marker, linestyle, label — line plot-এর চার প্রধান cosmetic parameter। legend() automatic label-গুলো দেখায়।

৪ · Scatter plot — দু'টি feature, এক চোখে

Scatter plot দু'টি continuous variable-এর সম্পর্ক দেখায়। Marker size ও color দিয়ে আরও দু'টি dimension যোগ করা যায় — মোট ৪-D info এক plot-এ।

Python · Matplotlib

import matplotlib.pyplot as plt
import numpy as np

# Iris-জাতীয় ২ class data
np.random.seed(0)
class_0 = np.random.randn(50, 2) + [2, 2]
class_1 = np.random.randn(50, 2) + [5, 5]

fig, ax = plt.subplots(figsize=(6, 5))
ax.scatter(class_0[:, 0], class_0[:, 1],
           c="#2563eb", s=50, alpha=0.7, label="Class 0")
ax.scatter(class_1[:, 0], class_1[:, 1],
           c="#dc2626", s=50, alpha=0.7, label="Class 1")

ax.set_title("Two-feature scatter — class দ্বারা color")
ax.set_xlabel("Feature 1 (পাপড়ির দৈর্ঘ্য)")
ax.set_ylabel("Feature 2 (পাপড়ির প্রস্থ)")
ax.legend()
ax.grid(True, alpha=0.3)
plt.show()

s = marker size, c = color, alpha = transparency (overlap বুঝতে)। দু'টি class পরিষ্কার আলাদা — মানে এই দু'টি feature classifier-এর জন্য informative।

৫ · Bar chart — categorical comparison

Bar chart — একটি categorical variable-এর প্রতিটি class-এ একটি সংখ্যা। যেমন: প্রতিটি model-এর accuracy, প্রতিটি class-এ কতটি sample।

Python · Matplotlib

import matplotlib.pyplot as plt

models    = ["LR", "SVM", "RF", "XGBoost", "MLP"]
accuracy  = [0.78, 0.84, 0.88, 0.91, 0.87]

fig, ax = plt.subplots(figsize=(7, 4))
bars = ax.bar(models, accuracy,
              color=["#94a3b8", "#60a5fa", "#34d399", "#fbbf24", "#f472b6"])

# প্রতিটি বার-এর উপর সংখ্যা দেখানো
for bar, acc in zip(bars, accuracy):
    ax.text(bar.get_x() + bar.get_width()/2, acc + 0.005,
            f"{acc:.2f}", ha="center", fontsize=10)

ax.set_title("Model comparison — test accuracy")
ax.set_ylabel("Accuracy")
ax.set_ylim(0.7, 1.0)
plt.show()

plt.barh() দিয়ে horizontal bar পাওয়া যায় — long category name-এর জন্য সুবিধাজনক। উপরের সংখ্যাগুলো (annotation) reader-কে দ্রুত বোঝাতে সাহায্য করে।

৬ · Histogram — distribution বোঝা

Histogram — একটি continuous variable-এর মান কোথায় বেশি কেন্দ্রিভূত। Outlier detection, normality check, feature engineering — সব কিছুর জন্য জরুরি।

Python · Matplotlib

import matplotlib.pyplot as plt
import numpy as np

# একটি skewed distribution — যেমন আয়
np.random.seed(7)
income = np.random.lognormal(mean=10.5, sigma=0.6, size=2000)

fig, ax = plt.subplots(figsize=(7, 4))
ax.hist(income, bins=40, color="#7c3aed",
        edgecolor="white", alpha=0.85)

ax.set_title("আয়ের distribution (BDT)")
ax.set_xlabel("আয় (BDT)")
ax.set_ylabel("ব্যক্তি সংখ্যা")
ax.axvline(np.median(income), color="red",
           linestyle="--", label=f"median = {np.median(income):,.0f}")
ax.legend()
plt.show()

bins selection critical — কম bins-এ pattern miss, বেশি bins-এ noise। Sturges' rule বা Freedman-Diaconis দিয়ে শুরু, তারপর ম্যানুয়ালি tune। Skewed data-তে log-transform helpful।

৭ · Subplots — একাধিক plot একসাথে

subplotsSubplotsএকই Figure-এ একাধিক Axes — grid layout-এ। plt.subplots(rows, cols) Figure ও Axes array ফেরায়। AI-তে প্রতিটি feature বা প্রতিটি class আলাদা panel-এ দেখাতে অপরিহার্য। দিয়ে এক Figure-এ একাধিক chart — comparison সহজ। plt.subplots(rows, cols) একটি Figure ও Axes-এর array ফেরায়।

Python · Matplotlib

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(1)
x = np.linspace(0, 10, 100)

fig, axes = plt.subplots(2, 2, figsize=(10, 7))

# Top-left — line
axes[0, 0].plot(x, np.sin(x), color="#2563eb")
axes[0, 0].set_title("sin(x)")

# Top-right — scatter
axes[0, 1].scatter(np.random.randn(80), np.random.randn(80),
                   c="#dc2626", alpha=0.6)
axes[0, 1].set_title("Random scatter")

# Bottom-left — histogram
axes[1, 0].hist(np.random.randn(1000), bins=30,
                color="#16a34a", edgecolor="white")
axes[1, 0].set_title("Normal distribution")

# Bottom-right — bar
axes[1, 1].bar(["A", "B", "C", "D"], [3, 7, 2, 5], color="#f59e0b")
axes[1, 1].set_title("Bar")

fig.suptitle("2×2 Subplots — চার ধরনের plot একসাথে", fontsize=14)
fig.tight_layout()
plt.show()

axes একটি 2-D NumPy array — axes[row, col] দিয়ে index। fig.tight_layout() overlap এড়াতে — auto spacing।

৮ · Cosmetics — title, label, legend, grid

একটি plot informative হতে গেলে context চাই — title, axis label, legend, grid, axis limits — সব মিলিয়ে।

ax.set_title("...") — chart title
ax.set_xlabel(), ax.set_ylabel() — অক্ষের নাম + একক
ax.legend() — labels-এর key
ax.grid(True, alpha=0.3) — light grid
ax.set_xlim(a, b), ax.set_ylim(a, b) — axis range
ax.set_xticks([...]), ax.set_yticks([...]) — tick controls

Memory leak সাবধান: Loop-এ অনেক figure বানালে — plt.close(fig) বা plt.close("all") call করুন। Matplotlib figure GC করে না — server-এ memory দ্রুত শেষ।

৯ · Save — figure file-এ export

Python · Matplotlib

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
fig, ax = plt.subplots(figsize=(6, 4))
ax.plot(x, np.cos(x), color="#0891b2")
ax.set_title("Saved plot")

# Different formats — PNG, PDF, SVG
fig.savefig("plot.png", dpi=150, bbox_inches="tight")
fig.savefig("plot.pdf", bbox_inches="tight")
fig.savefig("plot.svg", bbox_inches="tight")

plt.close(fig)         # memory free
print("Saved: plot.png, plot.pdf, plot.svg")

dpiDPIDots Per Inch — print-quality measure। Web-এ ৭২-১০০ যথেষ্ট, paper print-এ ৩০০, journal-এ ৬০০। বেশি dpi = বড় file size। = quality। Web-এ dpi=100, paper-এ dpi=300। SVG/PDF — vector, যেকোনো scale-এ sharp।

Matplotlib-এর container model — Figure ক্যানভাস, Axes প্যানেল, Artists আঁচড়। ডানে — 2×2 subplots-এ চারটি Axes একই Figure-এ।

১০ · AI workflow — Matplotlib কোথায় কোথায়?

Training loss curve: overfit/underfit একনজরে।
Confusion matrix preview: imshow দিয়ে heatmap।
Feature distribution: histogram — outlier ও skewness।
Learning rate schedule: warm-up + decay visualize।
Gradient norm: per-layer magnitude — vanishing/exploding ধরা।
Sample prediction: image + predicted label grid।
Hyperparameter sweep: grid search-এর heatmap।

"Plot first, model later"

কোনো ডেটাসেট পেলে — আগে plot করুন। Distribution দেখুন (hist), feature relations দেখুন (scatter), missing pattern দেখুন (bar)। Model ছাড়াই ৮০% insight chart থেকেই আসে। Andrew Ng-র "data-centric AI" এই philosophy-র উপর দাঁড়ানো।

ভাবনার প্রশ্ন

প্রতিটি প্রশ্ন নিজে কিছুক্ষণ ভাবুন — তারপর "→ উত্তর" চাপুন।

প্র ০১ pyplot বনাম OO interface — কোনটা কখন? Notebook prototyping ও production code-এ আপনার সিদ্ধান্ত কী হবে এবং কেন?

এই প্রশ্ন Matplotlib শেখার প্রথম দিনে অনেক confusion তৈরি করে। কারণ official documentation, Stack Overflow, এমনকি একই notebook-এও দু'টি style mixed দেখা যায়। কিন্তু কখন কোনটা — এর একটি স্পষ্ট mental model থাকা জরুরি।

pyplot (state-machine) — গভীর পরিচিতি:

MATLAB-এর syntax-এ অনুপ্রাণিত। plt.plot(), plt.title(), plt.xlabel() — সব global "current figure"-এ apply।
Behind the scenes — plt.gca() (get current axes) call করে।
Multiple figure থাকলে তখন plt.figure(1), plt.figure(2) দিয়ে switch।
সরল, দ্রুত — ৫ লাইনের EDA-তে অসাধারণ।

OO (object-oriented) — গভীর পরিচিতি:

প্রতিটি Figure ও Axes একটি explicit Python object।
fig, ax = plt.subplots() — পরিষ্কার ownership।
একই function-এ দু'টি subplot manipulate — কোন কনফিউশন নেই।
Library code-এ প্রায় বাধ্যতামূলক।

Notebook prototyping-এ pyplot ভাল কেন?

Cell-by-cell exploration — current figure context সহজে maintain।
কম typing, দ্রুত iteration।
Single chart-এ বেশি কাজ করতে গেলে boilerplate কম।

Production-এ OO কেন বাধ্যতামূলক?

Reusability: function বানালে — def plot_loss(ax, losses): ax.plot(...)। Caller তার নিজের axes পাঠায়।
Subplot management: dashboard-এ ৬টি chart — pyplot-এ নিয়ন্ত্রণ অসম্ভব।
Testing: figure return করলে — pixel comparison test সহজ।
Concurrency: background thread/process-এ pyplot-এর global state race condition তৈরি করে।
Memory: explicit plt.close(fig) — leak এড়ানো।

Hybrid pattern (অনেক popular library-তে):

def plot_history(history, ax=None):
    if ax is None:
        fig, ax = plt.subplots()
    ax.plot(history["loss"], label="train")
    ax.plot(history["val_loss"], label="val")
    ax.legend()
    return ax

Caller চাইলে নিজের axes পাঠাবে, নইলে function নতুন বানাবে। Seaborn এই pattern follow করে।

মূল উপলব্ধি: Notebook-এ scratch pad — pyplot ঠিক। কিন্তু যখনই function বানান বা একাধিক subplot — OO-তে switch করুন। অভ্যাস হলে OO দ্রুতই হয় এবং অনেক বেশি predictable।

প্র ০২ AI training-এ কোন কোন graph essential? Loss curve, learning rate schedule, validation gap, gradient norm — প্রতিটির insight ও কখন কোনটা দেখবেন বিশ্লেষণ করুন।

AI training একটি অনেকটা "অন্ধকারে শট" — মডেলের ভিতরে কী হচ্ছে directly দেখা যায় না। তাই plots-ই আমাদের diagnostic tool। ভাল engineer এই plots একনজরে পড়তে পারেন এবং সঠিক intervention নিতে পারেন।

(১) Training & Validation Loss Curve — সবচেয়ে মৌলিক:

X-axis: epoch / step। Y-axis: loss।
Both decreasing: learning হচ্ছে ✓।
Train ↓, val ↑: overfitting — regularization, dropout, early stop চাই।
Both flat high: underfitting — model capacity বা lr বাড়ান।
Train fluctuating wildly: lr বেশি — কমান।
Sudden spike: bad batch বা NaN — gradient clipping।
Y-axis log scale-এ দেখলে ছোট improvement-ও spotted।

(২) Learning Rate Schedule:

X-axis: step। Y-axis: lr।
Warm-up (linear up) → constant/cosine decay — modern LLM-এ standard।
Visualize করলে — schedule code-এ bug ধরা পড়ে (constant হয়ে গেছে কিনা)।
Loss curve-এর সাথে overlay — কোথায় lr drop হলো, কোথায় loss নামল।

(৩) Validation Gap (train-val difference):

Train_loss − val_loss vs epoch — generalization-এর direct signal।
Gap বাড়ছে = memorizing শুরু।
Early stopping criterion — gap threshold cross করলে।

(৪) Gradient Norm — per layer:

প্রতিটি layer-এর gradient magnitude plot।
Vanishing gradient: deep layers-এ near-zero — old RNN-এর সমস্যা।
Exploding gradient: sudden spike — gradient clipping জরুরি।
BatchNorm/LayerNorm-এর effectiveness measure।

(৫) Weight Histogram per Layer (Distribution):

Initialization ঠিক আছে? Training-এ shift কতটা?
Dead neuron (সব 0) detect।
TensorBoard-এ standard view।

(৬) Activation Distribution:

প্রতিটি layer-এর output distribution।
ReLU saturation (অনেক 0) — dying ReLU problem।
Tanh/sigmoid saturation — vanishing gradient predictor।

(৭) Confusion Matrix (classification):

Heatmap — কোন class অন্য class-এ confused।
Class imbalance, label noise, hard examples — সব এতে।

(৮) Per-class Accuracy / F1 bar chart:

Average accuracy ভাল হলেও — কিছু class হয়ত poor।
Production decision-এর জন্য critical।

(৯) Sample Predictions Grid:

Image classification — wrong predictions visualize।
Pattern খুঁজে পান — "blurry hole image-এ fail"।

(১০) Loss Landscape (advanced):

2-D projection — sharp vs flat minima।
Generalization theory-র research level।

মূল উপলব্ধি: "Trust no metric you haven't plotted" — visualization debugging-এর প্রথম step। Loss curve trivial মনে হলেও — ৮০% training disaster এই plot দেখেই বোঝা যায়। TensorBoard, Weights & Biases (W&B), MLflow — সব এই অভ্যাসকে scale করে।

প্র ০৩ Visualization-এ common ভুল কী কী? Wrong scale, missing axis label, misleading aspect ratio, color choice (colorblind-unfriendly) — দায়িত্বশীল ভিজ্যুয়াল কেমন?

ভাল chart যেমন insight দেয়, তেমনি bad chart misinformation ছড়ায়। Edward Tufte-র শতাব্দী-প্রাচীন কাজ, সাম্প্রতিক "Calling Bullshit" boi — সব দেখাচ্ছে data visualization-এর ethics কতটা গুরুত্বপূর্ণ।

(১) Truncated Y-axis — সবচেয়ে common deception:

Bar chart — y-axis 0 থেকে শুরু না হলে ছোট পার্থক্য বিশাল দেখায়।
"Model A 91%, Model B 92%" — y-axis 90-93 হলে B "twice as good" দেখায়।
Bar chart-এ y-axis সবসময় 0 থেকে শুরু — non-negotiable rule।
Line plot-এ truncation acceptable (trend বুঝতে), কিন্তু label করুন।

(২) Wrong scale (linear vs log):

Income, population, training loss — লেখক নন-linear; log scale-এ দেখা উচিত।
COVID case curve linear scale-এ exponential চাপা পড়ে।
Loss curve initial drop linear-এ দেখা যায়, পরের subtle gain log-এ।
Ruling: data কয়েক order of magnitude জুড়ে — log try করুন।

(৩) Missing axis labels & units:

"Time" নয়, "Time (seconds)"। "Loss" নয়, "Cross-entropy loss"।
Reader-কে অনুমান করতে দেবেন না।
Title — what; xlabel/ylabel — units; legend — series।

(৪) Misleading aspect ratio:

Tall narrow chart — small change exaggerated।
Wide flat chart — change suppressed।
Cleveland's rule — slope গড়ে ৪৫° হলে human perception best।
Scientific publication-এ standard ratio (যেমন 1.6:1) মেনে চলুন।

(৫) Color choice — colorblind-unfriendly:

৮% পুরুষ red-green colorblind। Red/green-এ পার্থক্য করতে পারে না।
Use viridis, cividis, plasma — perceptually uniform।
Diverging data-তে RdBu_r বা BrBG।
Color + shape/pattern combine — redundancy।
Wong palette — colorblind-safe।

(৬) 3-D bar chart:

প্রায় সবসময় খারাপ — perspective ভুল reading তৈরি করে।
2-D সমপরিমাণ বেশি accurate পড়া যায়।

(৭) Pie chart abuse:

৩-৫ category-র বেশি — bar chart সব সময় ভাল।
Angle-এ percentage বুঝা মানুষের কঠিন।
Tufte: "the only worse than a pie chart is several pie charts"।

(৮) Overplotting:

10K points scatter-এ — সব overlap, pattern অদৃশ্য।
Solution: alpha=0.3, hexbin, 2-D histogram, density plot।

(৯) Cherry-picked time range:

"Last 5 days-এ stock 20% up" — কিন্তু 1-year-এ 50% down।
Context সবসময় দিন।

(১০) Dual y-axis trap:

দু'টি ভিন্ন unit — same plot-এ overlay। Misleading correlation দেখাতে পারে।
Better — দু'টি subplot পাশাপাশি।

দায়িত্বশীল ভিজ্যুয়াল checklist:

✓ Title clearly states what is shown
✓ Both axes labeled with units
✓ Legend present যদি multiple series
✓ Y-axis 0 থেকে শুরু (bar chart-এ)
✓ Colorblind-safe palette
✓ Source/date noted
✓ Aspect ratio reasonable
✓ "What's the message?" — এক sentence-এ বলতে পারলে chart সফল

মূল উপলব্ধি: Visualization = communication। Reader-এর mind-এ accurate model বানানোই লক্ষ্য। বিভ্রান্তিকর chart — যাই হোক unintentional — credibility ধ্বংস করে। AI engineer-এর responsibility শুধু code নয়, সঠিক communication-ও।

প্র ০৪ Matplotlib বনাম Plotly বনাম D3 — কখন কোনটা? Static vs interactive, Python-only vs web — trade-off ও সিদ্ধান্ত framework।

২০২৫-এ visualization landscape অনেক rich। ভুল tool বাছলে — ৫ গুণ বেশি কাজ। সঠিক বাছাই depends use-case, audience, deployment, ও skill set-এর উপর।

Matplotlib — strengths:

Most mature (২০০৩+), gigantic ecosystem।
Publication-quality static (PDF, SVG, PNG)।
Full pixel-level control।
Pandas, NumPy, scikit-learn — সবার সাথে seamless।
Offline, no JavaScript dependency।

Matplotlib — weaknesses:

API verbose, default style কিছুটা dated।
Interactivity weak — zoom/pan basic।
Web embedding awkward।
3-D rendering sluggish।

Plotly — strengths:

Interactive by default — hover, zoom, select।
Web-friendly — HTML output, Dash framework।
Modern look out of the box।
3-D, geo, financial charts strong।
Python, R, JavaScript — same API।

Plotly — weaknesses:

Bundle size large (3 MB JS)।
Static export-এ Kaleido dependency।
Customization Matplotlib-র চেয়ে কঠিন কখনও।
Print-quality publication-এ second choice।

D3.js — strengths:

সর্বোচ্চ flexibility — যেকোনো visualization বানানো সম্ভব।
NYT, FT, Bloomberg-র award-winning interactive।
SVG-based, infinite scaling।
Web-native।

D3.js — weaknesses:

Steep learning curve — JavaScript + SVG + data-binding।
একটি custom chart-ই সপ্তাহ লাগে।
Python ecosystem থেকে দূরে।
Maintenance burden।

আরও কিছু consider করার:

Seaborn: Matplotlib-এর উপর — statistical plots-এ চমৎকার। সুন্দর default।
Altair: declarative grammar-of-graphics। Vega-Lite-এর Python wrapper। মাঝারি data-এ অসাধারণ।
Bokeh: Plotly-র alternative। দ্রুত, server integration ভাল।
Holoviews/HvPlot: Pandas-এর সাথে one-liner interactive।
Observable Plot: D3-র modern, easier successor।

সিদ্ধান্ত framework:

Notebook EDA, paper figure: Matplotlib + Seaborn।
Internal dashboard: Plotly + Dash, বা Streamlit + Plotly।
Public web product: Plotly বা Observable Plot। Custom-এ D3।
Award-winning data journalism: D3 — যদি বাজেট থাকে।
Quick statistical exploration: Seaborn।
Streaming/realtime dashboard: Bokeh।
Geographic data: Folium (leaflet wrapper) বা Plotly।

AI engineer-এর pragmatic stack (২০২৫):

৭০% — Matplotlib + Seaborn (notebook, paper, report)।
২০% — Plotly (interactive sharing, dashboard)।
১০% — Streamlit/Gradio + Plotly (demo apps)।
D3 — অধিকাংশ AI work-এ overkill।

Performance consideration:

10K points — সবগুলো ভাল।
1M points — Datashader, Vaex, deck.gl।
Realtime — WebGL-based (Plotly's scattergl, deck.gl)।

মূল উপলব্ধি: Tool বাছাই = audience × deployment × time budget। Matplotlib AI engineer-এর "default text editor" — শিখতেই হবে। Plotly secondary — interactive-এ। D3 নিজেই একটি career path — সচরাচর AI work-এ লাগে না। সঠিক tool = সঠিক story।

অনুশীলন

Line plot: NumPy দিয়ে $y = x^2$ ও $y = x^3$ ($x$: -5 to 5) — একই plot-এ দু'টি curve, দু'টি color, legend ও grid সহ আঁকুন।

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-5, 5, 200)
fig, ax = plt.subplots(figsize=(7, 4))
ax.plot(x, x**2, color="#2563eb", label="$y = x^2$")
ax.plot(x, x**3, color="#dc2626", label="$y = x^3$")
ax.set_title("Polynomial curves")
ax.set_xlabel("x")
ax.set_ylabel("y")
ax.legend()
ax.grid(True, alpha=0.3)
ax.axhline(0, color="black", linewidth=0.5)
ax.axvline(0, color="black", linewidth=0.5)
plt.show()

Histogram with bin tuning: ১০,০০০ samples — normal distribution। তিনটি subplot — bins=5, bins=30, bins=200। কোনটা সবচেয়ে informative?

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(0)
data = np.random.randn(10000)

fig, axes = plt.subplots(1, 3, figsize=(13, 4))
for ax, b in zip(axes, [5, 30, 200]):
    ax.hist(data, bins=b, color="#7c3aed",
            edgecolor="white", alpha=0.85)
    ax.set_title(f"bins = {b}")
    ax.set_xlabel("value")

fig.suptitle("Bin selection-এর প্রভাব", fontsize=14)
fig.tight_layout()
plt.show()

# bins=5 — পুরো shape miss
# bins=30 — ভাল balance, normal curve পরিষ্কার
# bins=200 — noisy, individual fluctuation বেশি

2×2 subplots dashboard: চারটি random series — line, scatter, hist, bar — চারটি panel-এ সাজান। প্রতিটিতে title, axis label, ও suptitle যোগ করুন।

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(2)
fig, axes = plt.subplots(2, 2, figsize=(10, 7))

# Line
t = np.linspace(0, 4*np.pi, 200)
axes[0, 0].plot(t, np.sin(t) * np.exp(-0.1*t), color="#2563eb")
axes[0, 0].set_title("Damped oscillation")
axes[0, 0].set_xlabel("time"); axes[0, 0].set_ylabel("amplitude")

# Scatter
x = np.random.randn(150); y = 0.5*x + np.random.randn(150)*0.5
axes[0, 1].scatter(x, y, c="#dc2626", alpha=0.6)
axes[0, 1].set_title("Correlated random")
axes[0, 1].set_xlabel("x"); axes[0, 1].set_ylabel("y")

# Histogram
axes[1, 0].hist(np.random.exponential(2, 1000), bins=40,
                color="#16a34a", edgecolor="white")
axes[1, 0].set_title("Exponential distribution")
axes[1, 0].set_xlabel("value"); axes[1, 0].set_ylabel("count")

# Bar
axes[1, 1].bar(["Q1", "Q2", "Q3", "Q4"], [120, 145, 138, 162],
               color="#f59e0b")
axes[1, 1].set_title("Quarterly sales")
axes[1, 1].set_ylabel("BDT (lakh)")

fig.suptitle("Mini Dashboard", fontsize=15, y=1.02)
fig.tight_layout()
plt.show()

এই পাঠে যা শিখবেন

১ · Matplotlib কী?

২ · দু'টি interface — pyplot বনাম OO

৩ · Line plot — training loss-এর ভাষা

৪ · Scatter plot — দু'টি feature, এক চোখে

৫ · Bar chart — categorical comparison

৬ · Histogram — distribution বোঝা

৭ · Subplots — একাধিক plot একসাথে

৮ · Cosmetics — title, label, legend, grid

৯ · Save — figure file-এ export

১০ · AI workflow — Matplotlib কোথায় কোথায়?

ভাবনার প্রশ্ন

অনুশীলন

আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ