📱Great Tables — это библиотека, которая позволяет создавать великолепно выглядящие таблицы в Python.

✅ Библиотека Great Tables разработана для того, чтобы быть одновременно простой и мощной.

✅ Акцент делается на простых методах для повседневных нужд отображения таблиц (но с мощными возможностями, когда это необходимо).

#Python #GreatTables #DataVisualization #PythonDevelopment #Programming #DataScience #TableFormatting #Coding #SoftwareEngineering #DevTips

📱Ссылка на репозиторий:
https://github.com/posit-dev/great-tables

📱Ryp.

ryp — это легковесная, но мощная библиотека для Python, которая открывает новые возможности для работы с R.

✅Она позволяет легко запускать R-код прямо внутри Python, обеспечивая мгновенную передачу больших наборов данных (NumPy/pandas/polars) между Python и R без записи на диск.

✅С ryp можно интерактивно работать в обоих языках одновременно, что упрощает анализ данных и ускоряет рабочие процессы.

❓Почему ryp?

В отличие от популярной библиотеки rpy2, ryp обеспечивает:

🔘Повышенную стабильность и простоту API.
🔘Интерактивные вывод R-переменных, как в самом R.
🔘Полнофункциональный терминал R внутри Python.
🔘Построение графиков прямо в Jupyter с пакетом svglite.
🔘Молниеносное преобразование данных с Arrow.
🔘Поддержку всех типов данных NumPy, pandas и polars.
🔘Полноценную поддержку Windows.

#DataScience #Python #RStats #PythonInR #BigData #MachineLearning #DataVisualization #Jupyter #NumPy #pandas #polars #Arrow

📱Ссылка на репозиторий:
https://github.com/Wainberg/ryp

📱Ridgeplot.

ridgeplot — это Python-библиотека, предоставляющая простой и удобный интерфейс для создания интерактивных ридж-плотов с использованием мощной экосистемы Plotly.

🔹Пример:

import numpy as np  
from ridgeplot import ridgeplot  

my_samples = [np.random.normal(n / 1.2, size=600) for n in range(7, 0, -1)]  
fig = ridgeplot(samples=my_samples)  
fig.show()  

✅Добавьте интерактивности и красоты своим данным с ridgeplot!

#Python #Plotly #DataVisualization #Ridgeplot #OpenSource #DataScience #Analytics

📱Ссылка на репозиторий:
https://github.com/tpvasconcelos/ridgeplot

📱Garmin Grafana.

Garmin Grafana — это проект с открытым исходным кодом, позволяющий собирать данные с вашего аккаунта Garmin Connect, сохранять их в базе данных InfluxDB и визуализировать через Grafana.

💡Проект:

🔘запускается в Docker-контейнере,

🔘автоматически подключается к Garmin Connect,

🔘извлекает метрики (сон, ЧСС, шаги, активность, стресс, Body Battery и многое другое),

🔘хранит данные локально (на вашем сервере),

🔘отображает их в виде кастомизируемых графиков и панелей в Grafana.

🔹Основные преимущества:

🔘Приватность: никакие данные не уходят третьим лицам;

🔘Гибкость: можно строить свои дашборды, экспортировать данные;

🔘Автоматизация: периодическая синхронизация и возможность загрузки исторических данных;

🔘Открытый код: можно модифицировать и расширять под свои задачи;

🔘Поддержка InfluxDB 1.x и 3.x, включая возможность self-provisioning (автоматическое создание дашбордов).


🔧Типы метрик, которые можно собирать:

🔘Пульс.

🔘Количество шагов (почасово и ежедневно).

🔘Сон, дыхание, SpO2, HRV.

🔘Стресс.

🔘Уровень заряда организма (Body Battery).

🔘Активности с GPS-треками.

🔘Калории, минуты активности и многое другое.

#Garmin #Grafana #InfluxDB #Docker #HealthData #FitnessAnalytics #OpenSource #DataVisualization #HealthMetrics #GarminConnect #FitnessTracker #DataPrivacy #SelfHosting #DataScience #MeteoAnalysis #HealthTracking #SportsTech #DockerCompose #DataBackup #Automation #DataSync

📱Ссылка на репозиторий:
https://github.com/arpanghosh8453/garmin-grafana

📱Folium.

Folium - это библиотека, которая объединяет мощные возможности экосистемы Python по обработке данных и сильные стороны библиотеки Leaflet.js для создания интерактивных карт.

✅Вы можете манипулировать своими геоданными в Python, а затем легко визуализировать их на красивой карте Leaflet прямо через folium!

🔧Установка:

pip install folium
# или
conda install -c conda-forge folium

🔹Экосистема и плагины:

Вокруг folium выстроена отличная экосистема полезных пакетов и расширений. Вот лишь некоторые из них:

🔘xyzservices — репозиторий наборов тайлов для растровых базовых карт.

🔘streamlit-folium — позволяет запускать карты folium внутри веб-приложений на Streamlit.

🔘FEMlium — интерактивная визуализация симуляций метода конечных элементов на географических картах.

🔘folium-glify-layer (плагин) — обеспечивает быстрый WebGL-рендеринг для гигантских наборов данных GeoJSON.

🔘folium-vectortilelayer (плагин) — слой векторных тайлов, который позволяет масштабировать карту за пределы стандартных ограничений провайдера.

💡Если вы хотите внести свой вклад — folium является полностью open-source проектом и всегда рад новым контрибьюторам!

#Python #Folium #DataScience #DataVisualization #Leaflet #GIS #Карты #Разработка #Геоданные

📱Ссылка на репозиторий:
https://github.com/python-visualization/folium

📱Supertree.

Supertree - это библиотека для интерактивной визуализации деревьев решений прямо внутри ваших блокнотов Jupyter, JupyterLab и Google Colab.

Если вы когда-нибудь пытались визуализировать глубокое дерево решений стандартными средствами, то знаете, в какую перегруженную и нечитаемую «кашу» оно обычно превращается. supertree решает эту проблему, заменяя статичные графики динамическим интерфейсом.

❓Что умеет инструмент:

🔘Полный интерактив: Поддерживает масштабирование (zoom), перемещение (pan) и сворачивание отдельных узлов/веток, чтобы сфокусироваться на нужных участках.

🔘Трассировка путей: Позволяет наглядно отслеживать, через какие условия и по какому пути шел конкретный сэмпл данных до финального предсказания.

🔘Работает с ансамблями: Умеет вытаскивать и детально показывать отдельные деревья из случайных лесов (Random Forest) или моделей градиентного бустинга.

📦Поддерживаемые экосистемы:

🔘Scikit-learn: Полная совместимость с DecisionTreeClassifier/Regressor, RandomForestClassifier/Regressor, GradientBoosting, HistGradientBoosting и др.

🔘XGBoost: Поддержка XGBClassifier/Regressor, XGBRFClassifier/Regressor и нативных бустеров.

🔘LightGBM: Поддержка LGBMClassifier/Regressor и бустеров.

🔘ONNX: Модели, конвертированные в формат ONNX.

🚀Быстрый старт:

Установка:

pip install supertree

Пример визуализации классификатора на датасете Iris:

from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from supertree import SuperTree

# Загружаем данные и обучаем модель
iris = load_iris()
model = DecisionTreeClassifier(max_depth=3)
model.fit(iris.data, iris.target)

# Инициализируем визуализатор
super_tree = SuperTree(model, iris.data, iris.target, iris.feature_names, iris.target_names)

# Отрисовываем интерактивное дерево в ноутбуке
super_tree.show_tree()

Если вы работаете со случайным лесом (например, RandomForestRegressor) и хотите изучить конкретное дерево из ансамбля (допустим, с индексом 2), просто укажите его номер при вызове: super_tree.show_tree(2).

#Python #MachineLearning #DataScience #DataVisualization #Jupyter #ScikitLearn #XGBoost #LightGBM #OpenSource #DevTools

📱Ссылка на репозиторий:
https://github.com/mljar/supertree

📱Cnsplots.

Cnsplots - это Python-библиотека для создания научных графиков и иллюстраций, полностью готовых к публикации в ведущих рецензируемых журналах уровня Cell, Nature и Science (CNS).

Она построена поверх matplotlib, полностью совместима с seaborn и берет на себя всю рутинную работу по стилизации, позволяя исследователям сфокусироваться на содержании работы, а не на подгонке параметров оформления.

🔹Главные фичи и возможности:

🔘Готовые журнальные стандарты: Предустановленные стили и палитры, строго соответствующие требованиям топовых научных изданий (Cell, Nature, Science, Ecotyper и др.).

🔘Идеальная интеграция с Adobe Illustrator: Векторный экспорт (SVG/PDF) сохраняет шрифты как редактируемый текст без конвертации в кривые (no text-to-path conversion), что позволяет дорабатывать верстку статьи без потери качества.

🔘25+ типов научных графиков:

✔️Статистические: боксплоты (Box plots), виолончельные диаграммы (Violin plots), точечные и регрессионные графики.

✔️Биомедицинские и специальные: кривые выживаемости Каплана-Мейера, ROC-кривые, диаграммы Волкано (Volcano plots), графики анализа GSEA, форест-плоты (Forest plots) и матрицы ошибок.

✔️Структурные: тепловые карты с иерархической кластеризацией, диаграммы Санки (Sankey), диаграммы Венна и UpSet-плоты.

🔘Встроенный статанализ: Автоматически рассчитывает $P$-value и добавляет на график аннотации значимости (тест Манна — Уитни, $t$-критерий Уэлча, точный тест Фишера).

🔘 Мультипанельные фигуры: Автоматизирует сборку составных иллюстраций из нескольких графиков с буквенными маркерами (A, B, C...).

🔘Поддержка ИИ-кодеров: Содержит встроенные скиллы для работы в Codex и Claude Code ($cnsplots / /cnsplots).

🚀Быстрый старт:

Установка из PyPI:

pip install cnsplots

Пример создания боксплота со статистическим сравнением групп:

import cnsplots as cns

# Загрузка данных и создание холста точного размера в пикселях
df = cns.datasets.load_dataset("tips")
cns.figure(width=150, height=150)

# Отрисовка боксплота со сравнением выбранных пар
cns.boxplot(
    data=df,
    x="day",
    y="total_bill",
    pairs=[("Thur", "Fri"), ("Sat", "Sun")]
)

# Сохранение в векторный SVG для Illustrator
cns.savefig("figure.svg")

#Python #DataVisualization #DataScience #Bioinformatics #Matplotlib #Seaborn #Cell #Nature #Science #ScientificPublishing #OpenSource #DevTools

📱Ссылка на репозиторий:
https://github.com/faridrashidi/cnsplots

📱Plotex.

Plotex - это легковесная библиотека для Python, позволяющая строить графики, диаграммы и визуализировать данные прямо внутри терминала в виде цветного псевдографического текста.

Главное преимущество библиотеки — она полностью автономна: базовый функционал не требует никаких внешних зависимостей и библиотек вроде matplotlib или numpy. При этом она способна превратить обычную консоль в полноценную графическую панель.

🔹Ключевые возможности:

🔘Широкий набор типов графиков:

✔️Базовые: линейные графики (line), точечные (scatter), стержневые (stem).

Столбчатые и статистические: гистограммы, боксплоты (box plots), накопленные (stacked) и плавающие столбчатые диаграммы.

✔️Специализированные: тепловые карты (heatmaps), матрицы ошибок (confusion matrices), полосы погрешностей (error bars) и индикаторы.

✔️Финансовые: японские свечи (candlestick) и шкалы дат/времени.

🔘Субсимвольное разрешение: Разбивает знакоместо символа на матрицу суб-точек (включая символы Брайля), позволяя отображать в 4–8 раз больше точек данных на том же экранном пространстве.

🔘Интерактивность и медиа: Поддерживает анимацию, потоковое обновление графиков в реальном времени (live stream), рендеринг картинок, GIF и даже воспроизведение видео со звуком (включая ролики с YouTube).

🔘Сетки и сабплоты (Subplots): Позволяет верстать сложные многопанельные дашборды с любой степенью вложенности, индивидуальными темами и масштабом.

🔘Гибкая стилизация: 12 готовых тем оформления, настройка осей, меток, легенды, а также поддержка собственных цветовых палитр терминала.

🔘Готовый CLI-инструмент: Позволяет строить графики из входного потока данных прямо в командной строке без написания Python-кода.

💻Пример использования:

import plotext as plt

# Данные для графика
y = [1, 5, 3, 8, 4, 9, 6]

# Настройка и вывод
plt.plot(y)
plt.title("График в терминале")
plt.theme("dark")
plt.show()

📦Установка:

pip install plotext

#Python #Plotext #DataVisualization #Terminal #CLI #DataScience #DevTools #OpenSource #Console #Analytics

📱Ссылка на репозиторий:
https://github.com/piccolomo/plotext