Matplotlib库常用基础操作

常用基础操作"/>

Matplotlib库常用基础操作

Matplotlib

数据可视化

绘图基础

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import os
%matplotlib inline			#确保图形能展示出来
x=np.linspace(0,10,1000)  	#创建等差数列，0为起始数据，10为终止数据，1000为数据个数
y=np.sin(x)
#参数：x轴，y轴，c线条颜色，lw线宽，ls线条类型(-直线，--虚线，-.点化线，:实点线)
plt.plot(x,y,c='red',lw=2,ls='-')
#marker点的形状， markersize点的大小， markeredgecolor点的边框颜色，markerfacecolor点的填充颜色
plt.plot(x,y,ls='--', marker='o', markersize=1, c='blue', markeredgecolor='red', markerfacecolor='black')
#label为图的标签
plt.plot(x,y,color='red',linewidth=2,label='y=sinx')	#英文标签
#中文标签
plt.rcParams["font.family"] = ['Arial Unicode MS']	#解决中文乱码问题
plt.rcParams['axes.unicode_minus']=False			#解决符号显示问题
plt.plot(x,y,ls=':',color='red',linewidth=2,label='x和y的关系')	#中文标签
plt.legend(loc='upper center')		#图例(把标签以图例形式展示出来图例，loc为展示位置)
plt.show()
#更多设置
x=np.arange(0,1.1,0.01)				#从0到1.1，步长为0.01
y=x**2
plt.figure(figsize=(6.4,4.84),dpi=100,facecolor='white')	#画布大小，分辨率，画布边框颜色
plt.title('this is a picture')		#标题
plt.xlabel('x1')					#x轴标签
plt.ylabel('y')						#y轴标签
plt.xlim([0,1])						#确定x轴范围
plt.ylim([0,1])						#确定y轴范围
plt.xticks([0,0.2,0.4,0.6,0.8,1])	#确定x轴刻度
plt.yticks([0,0.2,0.4,0.6,0.8,1])	#确定y轴刻度
plt.plot(x,y,label='y=x**2')
plt.legend(loc='best')				#图例自动适应最佳位置
plt.savefig('/Users/songdi/Desktop/code/python/可视化.png')	#保存图片到本地
plt.show()

简单图形绘制

# 1.饼图
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import os
os.chdir('/Users/songdi/Desktop/code/python')
data=pd.read_excel('trade.xlsx')
data_1=data.groupby('region').mean()['sales']	#销量数据按地区分类汇总
x_data=data_1.values
y_data=data_1.index
explode=[0,0.1] 		#凸出饼图距离圆心的距离
colors=['red','blue']	#每个饼的颜色
plt.rcParams["font.family"] = ['Arial Unicode MS']	#解决中文乱码问题
plt.rcParams['axes.unicode_minus']=False			#解决符号显示问题
#autopct数据显示成百分比格式，pctdistance设置百分比标签离圆心的距离，labeldistance设置文本标签距离圆心的距离，startangle设置饼图初始角度，radius设置饼图的半径，counterclock是否逆时针，wedgeprops设置饼图边框宽度和颜色，textprops设置标签的字体大小和颜色
plt.pie(x=x_data,explode=explode,labels=y_data,colors=colors,autopct='.1f%%',pctdistance=0.5,labeldistance=1.1,startangle=120,radius=1.2,counterclock=False,wedgeprops={'linewidth':1.5,'edgecolor':'green'},textprops={'fontsize':10,'color':'black'})
plt.title('订单金额分布图',pad=30)		#pad设置标题距离饼图的距离
plt.show()# 2.条形图
x_data=data_1.values
y_labels=data_1.index
plt.bar(x=range(0,len(x_data)),height=x_data,align='center',color='y',tick_label=y_labels)
plt.xlabel('地区',labelpad=20)
plt.ylabel('销量',labelpad=20)
plt.title('不同地区的销量',pad=30)# 3.直方图
#bins设置格子数，color颜色，edgecolor边框颜色，density是否以频数展示
plt.hist(x=data['sales'],bins=20,color='r',edgecolor='black',density=True)
plt.title('销量分布图')
plt.show()# 4.散点图
#marker散点形状，s点数大小
plt.scatter(x=data['trans_cost'],y=data['sales'],color='steelblue',marker='o',s=100)
plt.xlabel('运费',fontsize=12)
plt.ylabel('销量',fontsize=12)
plt.title('运费和销量的关系',fontsize=12)
plt.show()

图形基本设置

plt.rcParams["font.family"] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus']=False
plt.plot(data_1.index,data_1.values,label='不同地区销量')
# 1.图例
plt.legend(loc='best',fontsize=12,frameon=False)	#图例设置，frameon设置图例是否有边框
# 2.图像大小
fig=plt.gcf()					#返回图像设置的对象
fig.set_size_inches(12.5,8.5)	#设置画布大小
# 3.绘制网格线
plt.grid(ls='--',c='darkblue')
# 4.绘制参考线
plt.axhline(y=300,c='red',ls='--',lw=2)	#绘制平行于x轴的参考线
plt.axvline(x=0,c='red',ls='--',lw=2)	#绘制平行于y轴的参考线
# 5.绘制参考区域
plt.axvspan(xmin=0,xmax=1,facecolor='r',alpha=0.3)	#设置x轴参考区域，alpha代表透明度
plt.axhspan(ymin=250,ymax=400,facecolor='blue',alpha=0.3)	#设置y轴参考区域
plt.show()

统计图形实战

plt.rcParams["font.family"] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus']=False
#简单柱形图
plt.figure(figsize=(6.4,4.8))	#创建画布
plt.bar(x=data.index.values,height=data.sales,width=0.5)	
plt.xticks(data.index.values,data.transport.values,rotation=45)	#横坐标刻度
plt.xlabel('省份',fontsize=20)
plt.ylabel('GDP产值（万亿）',fontsize=20,labelpad=10)
plt.title('2017年GDP情况',fontsize=20)
plt.show()
#堆叠柱形图
GDP=pd.read_excel('gdp.xlsx')
temp=pd.pivot_table(data=GDP,index='Quarter',columns='Industry_Type',values='GDP',aggfunc=np.sum)	#透视表,索引为季度，列为产业类型，值为GDP
plt.bar(x=temp.index.values,height=temp['第一产业'],color='steelblue',label='第一产业', tick_label=['第一季度','第二季度','第三季度','第四季度'])
plt.bar(x=temp.index.values,height=temp['第二产业'],color='green',label='第二产业', tick_label=['第一季度','第二季度','第三季度','第四季度'],bottom=temp['第一产业'])
plt.bar(x=temp.index.values,height=temp['第三产业'],color='red',label='第三产业', tick_label=['第一季度','第二季度','第三季度','第四季度'],bottom=temp['第一产业']+temp['第二产业'])
plt.ylabel('产值（亿）')
plt.title('2017年各行业各产业季度生产值')
plt.legend(loc='best')
plt.show()
#百分比例堆叠柱形图
temp=pd.crosstab(GDP['Quarter'],GDP['Industry_Type'],values=GDP['GDP'],aggfunc=np.sum,normalize='index') #算出每季度第一第二第三产业GDP比例
plt.bar(x=temp.index.values,height=temp['第一产业'],color='steelblue',label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])
plt.bar(x=temp.index.values,height=temp['第二产业'],color='green',label='第二产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],bottom=temp['第一产业'])
plt.bar(x=temp.index.values,height=temp['第三产业'],color='red',label='第三产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],bottom=temp['第一产业']+temp['第二产业'])
plt.ylabel('产值（亿）')
plt.title('2017年各行业各产业季度生产值')
plt.legend(bbox_to_anchor=(1.01,0.75))	#把图例显示在图外，距左边1.01，距底部0.75
plt.show()

#直方图
data=pd.read_excel('Titanic.xlsx')
data.dropna(subset=['age'],inplace=True)	#去除空值
def normfun(x,mu,sigma):					#求正态分布pdf=np.exp(-((x-mu)**2)/(2*sigma*2))/(sigma*np.sqrt(2*np.pi))return pdf
mean_x=data['age'].mean()					#求年龄的均值
std_x=data['age'].std()						#求年龄的标准差
x=np.arange(data['age'].min(),data['age'].max()+10,1)
y=normfun(x,mean_x,std_x)
plt.hist(x=data['age'],bins=35,color='c',edgecolor='red',density=True,label='直方分布图')
plt.plot(x,y,color='g',linewidth=3,label='正态分布图')
data['age'].plot(kind='kde',color='red',xlim=[0,90],label='核密度图')
plt.xlabel('年龄',fontsize=15,labelpad=20)
plt.ylabel('频率',fontsize=15)
plt.title('年龄分布图',pad=20)
plt.legend(loc='best')
plt.show()

#箱线图(观察是否有异常值)
data=pd.read_excel('sec_buildings.xlsx')
plt.rcParams["font.family"] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus']=False
plt.figure(figsize=(16,9))
#patch_artist是否填充箱体颜色,showmeans是否展示均值,showfliers是否显示异常值,boxprop箱体设置，flierprop点的设置,meanprops设置均值属性,medianprops设置中位数属性
plt.boxplot(x=data['detail_id'], patch_artist=True, showmeans=True, showfliers=True, boxprops={'color':'black','facecolor':'steelblue'}, flierprops={'marker':'o','markerfacecolor':'red','markersize':12}, meanprops={'marker':'D','markerfacecolor':'indianred','markersize':12}, medianprops={'linestyle':'--','color':'orange'})
plt.title('二手房价格箱线图')
plt.show()

#散点图(研究两个连续型变量的关系)
data=pd.read_excel('iris.xlsx')
plt.figure(figsize=(10,8))
plt.scatter(x=data.width,y=data.length,s=10,color='steelblue')
plt.xlabel('花瓣宽度')
plt.ylabel('花瓣长度')
plt.title('鸢尾花花瓣长度和宽度关系图')
plt.show()
data['specie'].value_counts()		
colors_iris=['steelblue','indianred','green']
species=['sp1','sp2','sp3']
marker_iris=['o','s','x']
for i in range(0,3):plt.scatter(x=data.width[data['specie']==species[i]],y=data.length[data['specie']==species[i]],color=colors_iris[i],marker=marker_iris[i],label=species[i])
plt.legend(loc='best')
plt.xlabel('花瓣宽度',fontsize=12,labelpad=20)
plt.ylabel('花瓣长度',fontsize=12,labelpad=20)
plt.title('鸢尾花花瓣长度和宽度关系图',fontsize=12,pad=20)
plt.show()

#折线图
data=pd.read_excel('gdp.xlsx')
fig=plt.figure(figsize=(8,7))
plt.plot(data.iloc[:,3],data.iloc[:,2],'bs--',data.iloc[:,3],data.iloc[:,1],'ro--',data.iloc[:,3],data.iloc[:,0],'gH--',)
plt.xlabel('年份',labelpad=25)
plt.ylabel('生产总值',labelpad=25)
plt.xticks(range(0,5,1),data.iloc[range(0,5,1),3],rotation=45,fontsize=10)
plt.legend(['第一产业','第二产业','第三产业'])
plt.show()

完善统计图形

#图例
#bbox_to_anchor移动图例位置，loc设置图例位置，ncol代表图例每行几个，shadow是否显示阴影
plt.legend(['第一产业','第二产业','第三产业'],bbox_to_anchor=(1.3,0.6), loc=2, ncol=1, title='不同产业的情况', shadow=True)
#画布
fig=plt.figure(figsize=(8,7))
fig.add_axes([0.2,0.15,0.8,0.7])
#标题
plt.title('三产业增加值',size=24,color='darkblue')
#调整刻度轴
import matplotlib as mpl
ax=plt.gca()
date_format=mpl.dates.DateFormatter('%Y-%m-%d')
ax=plt.gca()	#获取坐标轴信息
ax.xaxis.set_major_formatter(date_format)	#设置坐标轴显示格式
xlocator=mpl.ticker.LinearLocator(5)	#设置x轴有多少个刻度
ax.xaxis.set_major_locator(xlocator)	#把坐标轴放到对应位置
plt.plot(data.index,data['sales'],linestyle='-',linewidth=2,color='steelblue')
plt.xticks(rotation=45)
#向图形添加内容
plt.figure(figsize=(6.4,4.8))
plt.bar(x=data.index.values,height=data.sales,align='center',tick_label=data.region,width=0.3)
plt.xticks(rotation=45)
#无指向注释文本，参数：起始坐标，文本内容
plt.text(0,300,'GDP最高省份',weight='bold',color='red',fontsize=12)
#有指向性注释文本，参数：文本内容，xy箭头起始坐标，xytext文本起始坐标
plt.annotate('GDP最高省份',xy=(2,800),xytext=(0,300), color='black', arrowprops=dict(arrowstyle='->',connectionstyle='arc3',color='red'))
plt.show()

图形样式高级操作

#双坐标轴
fig=plt.figure()
ax1=fig.add_subplot(111)
ax1.plot(data_1.index,data_1.sales,color='green',label='销量')
ax1.set_ylabel('不同地区销售情况')
plt.legend(loc='upper left')
ax2=ax1.twinx()
ax2.plot(data_1.index,data_1.trans_cost,color='red',label='成本')
plt.legend(loc='upper center')
plt.show()
#多个图形合并，一行两个图
plt.figure(figsize=(16,9))
plt.subplot(121)
plt.plot(data['detail_id'],data['sales'],c='c')
plt.xlabel('季度',fontsize=12)
plt.ylabel('gdp',fontsize=18)
plt.xticks(range(0,5,1),data.iloc[range(0,5,1),3],rotation=45)
plt.subplot(122)
plt.bar(x=gdp.Quarter,height=gdp.GDP,color='r')
plt.xticks(fontsize=16)
plt.show()
#多个图形合并，跨多行多列
plt.figure(figsize=(16,9))
plt.subplot2grid((2,3),(0,0),colspan=1,rowspan=2)
plt.plot(data['detail_id'],data['sales'],c='c')
plt.xlabel('季度',fontsize=12)
plt.ylabel('gdp',fontsize=18)
plt.xticks(range(0,5,1),data.iloc[range(0,5,1),3],rotation=45)
plt.subplot2grid((2,3),(0,1),colspan=2,rowspan=1)
plt.bar(x=gdp.Quarter,height=gdp.GDP,color='r')
plt.xticks(fontsize=16)
plt.subplot2grid((2,3),(1,1),colspan=2,rowspan=1)
plt.hist(x=gdp.Quarter,bins=20,color='c',density=True)
plt.suptitle('不同图形展示',size=20)
plt.show()

seaborn基础

import seaborn as sns
plt.rcParams["font.family"] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus']=False
#第一种调用方式
plt.style.use('seaborn')
plt.rcParams["font.family"] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus']=False
plt.bar(x=gdp.index.values,height=gdp.GDP,tick_label=gdp.Quarter,color='steelblue')
plt.ylabel('GDP(万亿)')
plt.show()
#第二种调用方式
sns.set(style='darkgrid',context='notebook',font_scale=1.2)
plt.style.use('seaborn')
plt.rcParams["font.family"] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus']=False
plt.bar(x=gdp.index.values,height=gdp.GDP,tick_label=gdp.Quarter,color='steelblue')
plt.ylabel('GDP(万亿)')
plt.show()
#第三种调用方式
sns.barplot(x='Quarter',y='GDP',data=gdp,color='steelblue',orient='vertical')#垂直柱状图
for x,y in enumerate(gdp.GDP):  	#对gdp数据进行枚举，把数字标注到图上plt.text(x,y+10000,'%s万亿'%round(y,1),ha='center',fontsize=12)
plt.show()
sns.barplot(x='GDP',y='Quarter',data=gdp,color='steelblue',orient='h')	#水平柱状图
plt.show()

seaborn绘制常用统计图形

# 1.柱状图
sns.barplot(x='Quarter',y='GDP',hue='Industry_Type',data=gdp,palette='husl',orient='v')
plt.ylabel('GDP')
plt.legend(loc='best')
plt.show()# 2.散点图
sns.scatterplot(x='trans_cost',y='sales',hue='transport',data=data,color='red',s=20,style='transport')
plt.xlabel('成本')
plt.ylabel('销量')
plt.show()# 3.箱线图
sns.boxplot(y='sales', data=data, showmeans=True, color='steelblue', width=0.3, flierprops={'marker':'o','markerfacecolor':'indianred','markersize':13}, meanprops={'marker':'D','markersize':4}, medianprops={'linestyle':'--','color':'orange'})
plt.xlabel('')
plt.xticks(fontsize=12,rotation=45)
plt.ylabel('销量')
plt.show()
#基于分组变量的箱线图
group_region=data.groupby('region')
avg_sales=group_region.agg({'sales':np.mean}).sort_values('sales',ascending=False)
sns.boxplot(x='region', y='sales', data=data, order=avg_sales.index, showmeans=True, color='steelblue', width=0.3, flierprops={'marker':'o','markerfacecolor':'indianred','markersize':13}, meanprops={'marker':'D','markersize':4}, medianprops={'linestyle':'--','color':'orange'})
plt.ylabel('销量')
plt.xticks(rotation=45)
plt.title('不同地区销量对比')
plt.show()# 4.直方图
sales_nan=data[data.region=='华南']['sales']
sales_bei=data[data.region=='华北']['sales']
from scipy.stats import norm
plt.rcParams["font.family"] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus']=False
sns.distplot(sales_nan,bins=30, kde=False, hist_kws={'color':'steelblue'}, norm_hist=True, label='华南')
sns.distplot(sales_nan,hist=False,kde=False,fit=norm,hist_kws={'color':'yellow'}, norm_hist=True, label='华南正态分布图')
sns.distplot(sales_bei,bins=30,kde=False,hist_kws={'color':'red'}, norm_hist=True, label='华北')
sns.distplot(sales_bei,hist=False,kde=False,fit=norm,hist_kws={'color':'green'}, norm_hist=True, label='华北正态分布图')
plt.legend(loc='best')
plt.show()# 5.折线图
sns.set(style='ticks',context='notebook')
plt.rcParams["font.family"] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus']=False
sns.lineplot(x='year',y='sales',data=data,lw=2,color='red')
plt.xticks(range(1994,1999,1),range(1994,1999,1),rotation=45)# 6.回归图(展示两个变量之间关系)
sns.lmplot(x='trans_cost',y='sales',data=data,legend_out=False,markers='o',fit_reg=True,aspect=1.3,height=8,scatter_kws={'s':20,'facecolor':'red'})#绘图风格：风格，设置输出图片的尺寸，坐标轴缩放，调色板
sns.set(style='darkgrid',context='notebook',font_scale=1.2,palette='colorblind')
plt.rcParams["font.family"] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus']=False
#计数countplot()
sns.countplot(x='region',data=data,hue='transport')
plt.show()

plotly精美制图

#plotly是一个基于js的动态绘图模块，默认绘图结果是一个html网页文件
import plotly as py
import plotly.graph_objs as go
from plotly.graph_objs import Scatter
py.offline.init_notebook_mode()
import os
os.chdir('/Users/songdi/Desktop/code/python')
trace0=Scatter(x=[1,2,3,4],y=[10,15,13,17])  	#1.创建绘图对象，添加图轨数据
trace1=Scatter(x=[1,2,3,4],y=[6,5,11,9])
data=[trace0,trace1]							#2.集成图形、布局数据
py.offline.plot(data,filename='fth.html')		#3.把图形输出为html，保存在本地
py.offline.iplot(data,filename='fth.html')		#或把图形在notebook中直接显示# 1.散点图
pyplot=py.offline.iplot
#添加轨迹（添加绘图数据）
tracel=Scatter(x=data['year'],y=data['sales'],mode='markers',name='销量')		
trace2=Scatter(x=data['year'],y=data['trans_cost'],mode='lines',name='成本')
trace3=Scatter(x=data['year'],y=data['detail_id'],mode='markers+lines',name='地区生产总值')
data1=[trace1,trace2,trace3]	#集成图形，布局数据
pyplot(data1)					#绘制图形
# 2.折线图
trace1=Scatter(y=data['sales'],x=data['year'],name='销量关系图',mode='lines',line=dict(width=2,color='green'))
trace2=Scatter(y=data['trans_cost'],x=data['year'],name='成本关系图',mode='lines',line=dict(width=2,color='blue'))
data2=[trace1,trace2]
layout=go.Layout(title='成本销量变化',xaxis=dict(title='年份'),yaxis=dict(title='销量'),legend=dict(x=1,y=0,font=dict(size=5,color='black')))
fig=go.Figure(data=data2,layout=layout)
pyplot(fig)
# 3.柱状图
order_region=data['region'].value_counts()
trace_basic=go.Bar(x=order_region.index.tolist(),y=order_region.values.tolist(),marker=dict(color=['red','blue']),opacity=0.39)
layout=go.Layout(title='不同地区订单数量',xaxis=dict(title='地区'))
figure_basic=go.Figure(data=[trace_basic],layout=layout)
pyplot(figure_basic)
#柱状图组/堆叠柱状图
G1=gdp[gdp['Industry_Type']=='第一产业']
G2=gdp[gdp['Industry_Type']=='第二产业']
G3=gdp[gdp['Industry_Type']=='第三产业']
trace1=go.Bar(x=G1.Quarter,y=G1.GDP,name='第一产业')
trace2=go.Bar(x=G2.Quarter,y=G2.GDP,name='第二产业')
trace3=go.Bar(x=G3.Quarter,y=G3.GDP,name='第三产业')
trace=[trace1,trace2,trace3]
layout=go.Layout(title='三大产业GDP',xaxis=dict(title='季度'))#柱状图组
#layout=go.Layout(title='三大产业GDP',xaxis=dict(title='季度'),barmode='stack')#堆叠柱状图
figure=go.Figure(data=trace,layout=layout)
pyplot(figure)
# 4.直方图(展示分布)
data1=[go.Histogram(x=data['sales'],histnorm='probability',marker=dict(color='blue'))]
pyplot(data1)
# 5.饼图
trace=[go.Pie(labels=order_region.index.tolist(), values=order_region.values.tolist(), hole=0.2, textfont=dict(size=12,color='white'))]
layout=go.Layout(title='不同地区的订单')
fig=go.Figure(data=trace,layout=layout)
pyplot(fig)#多图标
order_region=data['region'].value_counts()
mean_value=order_region.values.mean()
y=np.tile(mean_value,2)#复制2次
trace_basic=go.Bar(x=order_region.index.tolist(),y=order_region.values.tolist(),marker=dict(color=['red','blue']),opacity=0.5)
trace_average=go.Scatter(x=order_region.index.tolist(),y=y,mode='lines',name='平均值')
data1=[trace_basic,trace_average]
layout=go.Layout(title='不同地区订单数量',xaxis=dict(title='地区'))
figure_basic=go.Figure(data=data1,layout=layout)
pyplot(figure_basic)
#双坐标轴
tracel=Scatter(x=data['year'],y=data['sales'],mode='markers',name='销量')
trace2=Scatter(x=data['year'],y=data['trans_cost'],mode='lines',name='成本',yaxis='y2')
data2=[trace1,trace2]
layout=go.Layout(title='成本销量变化',xaxis=dict(title='年份'),yaxis=dict(title='销量'), yaxis2=dict(title='成本', overlaying='y', side='right'), legend=dict(x=0.1, y=0.1, font=dict(size=10,color='black')))
fig=go.Figure(data=data2,layout=layout)
pyplot(fig)
#多子图
order_trans=data['transport'].value_counts()
order_region=data['region'].value_counts()
fig=plotly.subplots.make_subplots(rows=2,cols=1)
trace1=go.Bar(x=order_region.index.tolist(),y=order_region.values.tolist(),marker=dict(color=['red','blue']),opacity=0.5,name='不同地区订单')
trace2=go.Bar(x=order_trans.index.tolist(),y=order_trans.values.tolist(),marker=dict(color=['red','blue','green']),opacity=0.5,name='不同运输订单')
fig.append_trace(trace1,1,1)
fig.append_trace(trace2,2,1)
fig['layout'].update(height=600,width=600,title='不同订单')
pyplot(fig)