matplotlib绘图知识库1.绘图核心步骤导入库 import matplotlib.pyplot as plt准备数据x,y轴数据画图选择图形类型折线图、散点图、柱状图美化加标题、标签、图例、网格显示plt.show()2.常用图形折线图plt.plot()数据随时间变化趋势散点图plt.scatter()两个变量的分布关系柱状图plt.bar()比较不同类别的数量大小对于灰色预测模型把折线图和散点图结合使用(折线表示趋势散点表示数据点)3.绘图函数:绘图函数用途示例plt.title()加标题plt.title(灰色预测模型)plt.xlabel()加x轴标签plt.xlabel(年份)plt.ylabel()加y轴标签plt.ylabel(降雨量)plt.legend()显示图例(配合label参数)plt.legend()plt.grid(True)显示网格plt.grid(True)plt.figure(figsize(宽高))画布大小plt.figure(figsize(10,5))4.举个例子plt.plot(x,y1,o--,colorred,label原始数据) #绘制的图像由虚线和圆点构成红色标签是原始数据plt.plot(x,y2,s-,colorblue,label预测数据) #绘制的图像由实线和方块组成蓝色标签是预测数据plt.scatter(x,y,colorred,markers,s50) #绘制的图像是红色的方块状散点图散点大小是50案例分析以灰色预测模型的拟合效果图为例导入相关库并设置显示参数import matplotlib.pyplot as pltimport warningswarnings.filterwarnings(ignore) #忽略运行时警告信息plt.rcParams[axes.unicode_minus] False #修复负号显示plt.rcParams[font.sans-serif] [SimHei]数据处理x_data [i1 for i in range(len(lst))]x_data2 [i6 for i in range(len(pre_val) - 5)]y_data lsty_data2 pre_val[5:]其中y_data是原始数据y_data2是预测序列的后5个预测数据.绘制散点折线图plt.plot(x_data,y_data,o-,color blue,label 原始数据,markersize 8)plt.plot(x_data2,y_data2,s--,color red,label 预测数据,markersize 8)绘制参考线考虑到可视化图像的可读性模拟一条预测序列的虚线让图形更易懂。#参考线x [i1 for i in range(10)]y pre_valplt.plot(x,y,--,color green,label 拟合值,markersize 6)设置图片参数plt.title(灰色预测模型)plt.xlabel(年份)plt.ylabel(降雨量)plt.legend()plt.grid(True)plt.show()图形展示灰色预测模型完整代码#灰色预测模型核心部分 import numpy as np import pandas as pd lst [600,620,650,680,700] n len(lst) #级比检验 def init_check(data): lst1 [] for i in range(1,len(data)): a data[i-1] / data[i] if a np.e**(-2/(n1)) and a np.e**(2/(n1)): lst1.append(a) else: print(f级比{a}不在检验区间内数据不适合直接建模) return lst1 answer init_check(lst) #累加生成 x1 [] for i in range(len(lst)): if i 0: x1.append(lst[i]) else: x1.append(lst[i]x1[i-1]) #均值生成 x2 [] for i in range(len(x1)): if i 0: continue else: x2.append((x1[i]x1[i-1])/2) #求解参数 B np.array([ [-x2[0],1], [-x2[1],1], [-x2[2],1], [-x2[3],1] ]) Y np.array([620,650,680,700]).T result np.linalg.inv(B.T B) B.T Y a result[0] b result[1] print(a , a) print(b , b) pre [] #代入时间响应公式 for i in range(len(lst)): val (lst[0] - b/a)*np.e**(-a*i) b/a pre.append(val) print(累加预测序列:,pre) #累减还原 pre_val [] for i in range(len(pre)): if i 0: pre_val.append(pre[i]) else: val1 pre[i] - pre[i-1] pre_val.append(val1) print(最终预测序列:,pre_val) #残差检验 def residual_check(pre_list,ini_list): residuals [] sum 0 for i in range(len(ini_list)): #相对残差 residual abs(pre_list[i] - ini_list[i])/ ini_list[i] sum residual residuals.append(residual) avg sum / len(residuals) if avg 0.05: print(f残差检验{avg}优秀) elif avg 0.10: print(f残差检验{avg}合格) else: print(残差检验不通过) return residuals residuals residual_check(pre_val,lst) #后验差检验 #绝对残差 abs_residuals [lst[i] - pre_val[i] for i in range(n)] #原始数据的标准差s1 s1 np.std(lst) s2 np.std(abs_residuals) c s2 / s1 if c 0.35: print(好) elif c 0.5: print(合格) else: print(不合格) #p值 def calcute_p(residual_list): count 0 avg_res np.mean(residual_list) # 残差的均值 s2 np.std(residual_list) # 残差的标准差 lower avg_res - 0.6745 * s1 # 区间下限 upper avg_res 0.6745 * s1 # 区间上限 for i in range(len(residual_list)): if lower residual_list[i] upper: # 判断是否落在区间内 count 1 p count / len(residual_list) if p 0.95: print(一级) elif p 0.80: print(二级) else: print(不合格) return p calcute_p(abs_residuals) #外推预测 pre [] for i in range(len(lst)5): val (lst[0] - b/a)*np.e**(-a*i) b/a pre.append(val) print(累加预测序列:,pre) #累减还原 pre_val [] for i in range(len(pre)): if i 0: pre_val.append(pre[i]) else: val1 pre[i] - pre[i-1] pre_val.append(val1) print(最终预测序列:,pre_val) #绘制拟合效果图 import matplotlib.pyplot as plt import warnings warnings.filterwarnings(ignore) #忽略运行时警告信息 plt.rcParams[axes.unicode_minus] False #修复负号显示 plt.rcParams[font.sans-serif] [SimHei] x_data [i1 for i in range(len(lst))] x_data2 [i6 for i in range(len(pre_val) - 5)] y_data lst y_data2 pre_val[5:] plt.plot(x_data,y_data,o-,color blue,label 原始数据,markersize 8) plt.plot(x_data2,y_data2,s--,color red,label 预测数据,markersize 8) #参考线 x [i1 for i in range(10)] y pre_val plt.plot(x,y,--,color green,label 拟合值,markersize 6) plt.title(灰色预测模型) plt.xlabel(年份) plt.ylabel(降雨量) plt.legend() plt.grid(True) plt.show()注1.计算p值要用绝对残差。2.由于绘图代码简略绘制的图片不够美观。可根据自身喜好调整参数
matplotlib绘图知识库1.绘图核心步骤导入库 import matplotlib.pyplot as plt准备数据x,y轴数据画图选择图形类型折线图、散点图、柱状图美化加标题、标签、图例、网格显示plt.show()2.常用图形折线图plt.plot()数据随时间变化趋势散点图plt.scatter()两个变量的分布关系柱状图plt.bar()比较不同类别的数量大小对于灰色预测模型把折线图和散点图结合使用(折线表示趋势散点表示数据点)3.绘图函数:绘图函数用途示例plt.title()加标题plt.title(灰色预测模型)plt.xlabel()加x轴标签plt.xlabel(年份)plt.ylabel()加y轴标签plt.ylabel(降雨量)plt.legend()显示图例(配合label参数)plt.legend()plt.grid(True)显示网格plt.grid(True)plt.figure(figsize(宽高))画布大小plt.figure(figsize(10,5))4.举个例子plt.plot(x,y1,o--,colorred,label原始数据) #绘制的图像由虚线和圆点构成红色标签是原始数据plt.plot(x,y2,s-,colorblue,label预测数据) #绘制的图像由实线和方块组成蓝色标签是预测数据plt.scatter(x,y,colorred,markers,s50) #绘制的图像是红色的方块状散点图散点大小是50案例分析以灰色预测模型的拟合效果图为例导入相关库并设置显示参数import matplotlib.pyplot as pltimport warningswarnings.filterwarnings(ignore) #忽略运行时警告信息plt.rcParams[axes.unicode_minus] False #修复负号显示plt.rcParams[font.sans-serif] [SimHei]数据处理x_data [i1 for i in range(len(lst))]x_data2 [i6 for i in range(len(pre_val) - 5)]y_data lsty_data2 pre_val[5:]其中y_data是原始数据y_data2是预测序列的后5个预测数据.绘制散点折线图plt.plot(x_data,y_data,o-,color blue,label 原始数据,markersize 8)plt.plot(x_data2,y_data2,s--,color red,label 预测数据,markersize 8)绘制参考线考虑到可视化图像的可读性模拟一条预测序列的虚线让图形更易懂。#参考线x [i1 for i in range(10)]y pre_valplt.plot(x,y,--,color green,label 拟合值,markersize 6)设置图片参数plt.title(灰色预测模型)plt.xlabel(年份)plt.ylabel(降雨量)plt.legend()plt.grid(True)plt.show()图形展示灰色预测模型完整代码#灰色预测模型核心部分 import numpy as np import pandas as pd lst [600,620,650,680,700] n len(lst) #级比检验 def init_check(data): lst1 [] for i in range(1,len(data)): a data[i-1] / data[i] if a np.e**(-2/(n1)) and a np.e**(2/(n1)): lst1.append(a) else: print(f级比{a}不在检验区间内数据不适合直接建模) return lst1 answer init_check(lst) #累加生成 x1 [] for i in range(len(lst)): if i 0: x1.append(lst[i]) else: x1.append(lst[i]x1[i-1]) #均值生成 x2 [] for i in range(len(x1)): if i 0: continue else: x2.append((x1[i]x1[i-1])/2) #求解参数 B np.array([ [-x2[0],1], [-x2[1],1], [-x2[2],1], [-x2[3],1] ]) Y np.array([620,650,680,700]).T result np.linalg.inv(B.T B) B.T Y a result[0] b result[1] print(a , a) print(b , b) pre [] #代入时间响应公式 for i in range(len(lst)): val (lst[0] - b/a)*np.e**(-a*i) b/a pre.append(val) print(累加预测序列:,pre) #累减还原 pre_val [] for i in range(len(pre)): if i 0: pre_val.append(pre[i]) else: val1 pre[i] - pre[i-1] pre_val.append(val1) print(最终预测序列:,pre_val) #残差检验 def residual_check(pre_list,ini_list): residuals [] sum 0 for i in range(len(ini_list)): #相对残差 residual abs(pre_list[i] - ini_list[i])/ ini_list[i] sum residual residuals.append(residual) avg sum / len(residuals) if avg 0.05: print(f残差检验{avg}优秀) elif avg 0.10: print(f残差检验{avg}合格) else: print(残差检验不通过) return residuals residuals residual_check(pre_val,lst) #后验差检验 #绝对残差 abs_residuals [lst[i] - pre_val[i] for i in range(n)] #原始数据的标准差s1 s1 np.std(lst) s2 np.std(abs_residuals) c s2 / s1 if c 0.35: print(好) elif c 0.5: print(合格) else: print(不合格) #p值 def calcute_p(residual_list): count 0 avg_res np.mean(residual_list) # 残差的均值 s2 np.std(residual_list) # 残差的标准差 lower avg_res - 0.6745 * s1 # 区间下限 upper avg_res 0.6745 * s1 # 区间上限 for i in range(len(residual_list)): if lower residual_list[i] upper: # 判断是否落在区间内 count 1 p count / len(residual_list) if p 0.95: print(一级) elif p 0.80: print(二级) else: print(不合格) return p calcute_p(abs_residuals) #外推预测 pre [] for i in range(len(lst)5): val (lst[0] - b/a)*np.e**(-a*i) b/a pre.append(val) print(累加预测序列:,pre) #累减还原 pre_val [] for i in range(len(pre)): if i 0: pre_val.append(pre[i]) else: val1 pre[i] - pre[i-1] pre_val.append(val1) print(最终预测序列:,pre_val) #绘制拟合效果图 import matplotlib.pyplot as plt import warnings warnings.filterwarnings(ignore) #忽略运行时警告信息 plt.rcParams[axes.unicode_minus] False #修复负号显示 plt.rcParams[font.sans-serif] [SimHei] x_data [i1 for i in range(len(lst))] x_data2 [i6 for i in range(len(pre_val) - 5)] y_data lst y_data2 pre_val[5:] plt.plot(x_data,y_data,o-,color blue,label 原始数据,markersize 8) plt.plot(x_data2,y_data2,s--,color red,label 预测数据,markersize 8) #参考线 x [i1 for i in range(10)] y pre_val plt.plot(x,y,--,color green,label 拟合值,markersize 6) plt.title(灰色预测模型) plt.xlabel(年份) plt.ylabel(降雨量) plt.legend() plt.grid(True) plt.show()注1.计算p值要用绝对残差。2.由于绘图代码简略绘制的图片不够美观。可根据自身喜好调整参数
