Hvordan du bruker matplotlib trendlinje
Når vi godtar et mindre punkt i en trend, fungerer det som en støttelinje. Og når vi velger høyere punkter, fungerer det som en motstandslinje. Som et resultat vil det bli brukt til å finne ut disse to stedene på en graf. La oss diskutere metoden for å legge til en trendlinje til grafen ved bruk av matplotlib i Python.
Bruk matplotlib for å lage en trendlinje i en spredningsgraf:
Vi vil bruke polyfit () og poly1d () -funksjonene for å skaffe trendlinjeverdiene i matplotlib for å konstruere en trendlinje i en spredningsgraf. Følgende kode er en skisse for å sette inn en trendlinje i en spredningsgraf med grupper:
Importer matplotlib.Pyplot som PltImporter numpy som NP
plt.rcparams ["Figur.Figsørrelse "] = [8.50, 2.50]
plt.rcparams ["Figur.autolayout "] = sant
a = np.tilfeldig.Rand (200)
B = NP.tilfeldig.Rand (200)
Fig, AX = PLT.underplott ()
_ = øks.spredning (a, b, c = a, cmap = 'regnbue')
d = np.Polyfit (A, B, 1)
P = NP.Poly1d (D)
plt.plot (a, p (a), "m:*")
plt.forestilling()
Her inkluderer vi Numpy og Matplotlib.Pyplot -biblioteker. Matplotlib.Pyplot er en grafisk pakke som brukes til å tegne visualiseringer i Python. Vi kan bruke det på applikasjoner og forskjellige grafiske brukergrensesnitt. Numpy -biblioteket gir et stort antall numeriske datatyper som vi kan bruke til å erklære matriser.
I neste linje justerer vi størrelsen på figuren ved å kalle funksjonen PLT.rcparams (). Figuren.Fiken størrelse sendes som en parameter til denne funksjonen. Vi setter verdien "sant" for å justere avstanden mellom underplanene. Nå tar vi to variabler. Og så lager vi datasett av x-aksen og y-aksen. Datapunktene til x-aksen lagres i “A” -variabelen, og datapunktene til y-aksen lagres i “B” -variabelen. Dette kan fullføres ved bruk av Numpy Library. Vi lager et nytt objekt av figuren. Og plottet opprettes ved å bruke PLT.Subplots () -funksjon.
I tillegg brukes spredning () -funksjonen. Denne funksjonen omfatter fire parametere. Fargeskjemaet til grafen er også spesifisert ved å gi "CMAP" som et argument for denne funksjonen. Nå plotter vi datasett av x-aksen og y-aksen. Her justerer vi trendlinjen med datasett ved hjelp av PolyFit () og Poly1D () -funksjonene. Vi bruker plottet () -funksjonen for å tegne trendlinjen.
Her setter vi linjestil, farge på linjen og markøren for trendlinjen. Til slutt viser vi følgende graf ved hjelp av PLT.show () funksjon:
Legg til grafisk kontakter:
Hver gang vi observerer en spredningsgraf, kan det være lurt å identifisere den generelle retningen datasettet er på vei i noen situasjoner. Selv om vi får en klar representasjon av undergruppene, vil den generelle retningen for tilgjengelig informasjon ikke være tydelig. Vi setter inn en trendlinje til utfallet i dette scenariet. I dette trinnet observerer vi hvordan vi legger til kontakter i grafen.
Importer matplotlib.Pyplot som PltImporter numpy som NP
Importer pylab som PLB
A1 = 25 * NP.tilfeldig.Rand (60)
A2 = 25 * NP.tilfeldig.Rand (60) + 25
A3 = 20 * NP.tilfeldig.Rand (20)
x = np.Concatenate ((A1, A2, A3))
B1 = 25 * NP.tilfeldig.Rand (50)
B2 = 25 * NP.tilfeldig.Rand (60) + 25
B3 = 20 * NP.tilfeldig.Rand (20)
y = np.Concatenate ((A1, B2, B3))
plt.spredning (x, y, s = [200], markør = 'o')
z = np.Polyfit (x, y, 2)
P = NP.Poly1d (z)
plb.plot (x, p (x), 'r-.')
plt.forestilling()
I starten av programmet importerer vi tre biblioteker. Disse inkluderer numpy, matplotlib.pyplot, og matplotlib.Pylab. Matplotlib er et Python -bibliotek som lar brukere lage dynamiske og innovative grafiske representasjoner. Matplotlib genererer grafer av høy kvalitet med muligheten til å endre de visuelle elementene og stilen.
Pylab -pakken integrerer Pyplot og Numpy -bibliotekene i et bestemt kildedomene. Nå tar vi tre variabler for å lage datasettene til x-aksen, som oppnås ved å bruke den tilfeldige () funksjonen til Numpy Library.
Først lagret vi datapunktene i "A1" -variabelen. Og da lagres data i henholdsvis “A2” og “A3” -variabler. Nå lager vi en ny variabel som lagrer alle datasettene til x-aksen. Den bruker concatenate () -funksjonen til Numpy -biblioteket.
Tilsvarende lagrer vi datasett for y-aksen i de tre andre variablene. Vi lager datasettene til y-aksen ved å bruke den tilfeldige () metoden. Videre sammenkobler vi alle disse datasettene i en ny variabel. Her vil vi tegne en spredningsgraf, så vi bruker PLT.spredning () metode. Denne funksjonen har fire forskjellige parametere. Vi passerer datasett med x-aksen og y-aksen i denne funksjonen. Og vi spesifiserer også symbolet på markøren som vi ønsker å bli trukket i en spredningsgraf ved å bruke "markør" -parameteren.
Vi gir dataene til Numpy PolyFit () -metoden, som gir en rekke parametere, “P”. Her optimaliserer den den endelige forskjellsfeilen. Derfor kan det opprettes en trendlinje. Regresjonsanalyse er en statistisk teknikk for å bestemme en linje som er inkludert innenfor området for instruktiv variabel x. Og det representerer korrelasjonen mellom to variabler, i tilfelle av x-aksen og y-aksen. Intensiteten til polynomkongruensen er indikert med det tredje polyfit -argumentet.
PolyFit () returnerer en matrise, ført til Poly1D () -funksjonen, og den bestemmer de originale y-aksedatasettene. Vi tegner en trendlinje på spredningsgrafen ved å bruke plottet () -funksjonen. Vi kan justere stilen og fargen på trendlinjen. Til slutt bruker vi PLT.vis () metode for å representere grafen.
Konklusjon:
I denne artikkelen snakket vi om matplotlib -trendlinjer med forskjellige eksempler. Vi diskuterte også hvordan du lager en trendlinje i en spredningsgraf ved bruk av PolyFit () og Poly1D () -funksjoner. Til slutt illustrerer vi korrelasjoner i dataene med data. Vi håper du fant denne artikkelen nyttig. Sjekk de andre Linux -hint -artiklene for flere tips og opplæringsprogrammer.