python繪製雙對數曲線,python畫自定義函數曲線

本文目錄一覽：

• 1、請問用python處理excel數據繪製曲線圖能不能做成一個類似的小軟體？
• 2、如何使用Python繪製光滑實驗數據曲線
• 3、怎樣用python畫對數圖
• 4、Python如何畫函數的曲線
• 5、python 怎麼畫與其他方法進行比較的ROC曲線？
• 6、怎麼用python繪圖

請問用python處理excel數據繪製曲線圖能不能做成一個類似的小軟體？

可以啊，先確定好需要操作excel的哪些動作，用到哪些函數，然後通過python調用excel介面，實現對excel的操作；還有一種是只是讀取excel裡面的數據，然後通過matplotlib等第三方庫，繪製數據曲線圖。

如何使用Python繪製光滑實驗數據曲線

樓主的問題是否是「怎樣描繪出沒有數據點的位置的曲線」，或者是「x在某個位置時，即使沒有數據，我也想知道他的y值是多少，好繪製曲線」。這就是個預測未知數據的問題。

傳統的方法就是回歸，python的scipy可以做。流行一點的就是機器學習，python的scikit-learn可以做。

但問題在於，僅由光強能預測出開路電壓嗎（當然，有可能可以預測。）？就是你的圖1和圖2的曲線都不能說是不可能發生的情況吧，所以想預測開路電壓值還需引入其他影響因子。這樣你才能知道平滑曲線到底應該像圖1還是圖2還是其他樣子。

如果是單因子的話，從散點圖觀察，有點像 y = Alnx + B，用線性回歸模型確定A,B的值就可以通過x預測y的值，從而繪製平滑的曲線了。

怎樣用python畫對數圖

1、用python畫出log1.5(x),log(2x),log(3x)

[python] view plain copy

import numpy as np

import math

import matplotlib.pyplot as plt

x=np.arange(0.05,3,0.05)

y1=[math.log(a,1.5)for a in x]

y2=[math.log(a,2)for a in x]

y3=[math.log(a,3)for a in x]

plot1=plt.plot(x,y1,’-g’,label=”log1.5(x)”)

plot2=plt.plot(x,y2,’-r’,label=”log2(x)”)

plot3=plt.plot(x,y3,’-b’,label=”log3(x)”)

plt.legend(loc=’lower right’)

plt.show()

2、輸出結果

Python如何畫函數的曲線

輸入以下代碼導入我們用到的函數庫。

import numpy as np

import matplotlib.pyplot as plt

x=np.arange(0,5,0.1);

y=np.sin(x);

plt.plot(x,y)

採用剛才代碼後有可能無法顯示下圖，然後在輸入以下代碼就可以了：

plt.show()

python 怎麼畫與其他方法進行比較的ROC曲線？

使用sklearn的一系列方法後可以很方便的繪製處ROC曲線，這裡簡單實現以下。

主要是利用混淆矩陣中的知識作為繪製的數據（如果不是很懂可以先看看這裡的基礎）：

tpr(Ture Positive Rate)：真陽率 圖像的縱坐標

fpr(False Positive Rate)：陽率（偽陽率） 圖像的橫坐標

mean_tpr：累計真陽率求平均值

mean_fpr：累計陽率求平均值

import numpy as np

import matplotlib.pyplot as plt

from sklearn import svm, datasets

from sklearn.metrics import roc_curve, auc

from sklearn.model_selection import StratifiedKFold

iris = datasets.load_iris()

X = iris.data

y = iris.target

X, y = X[y != 2], y[y != 2] # 去掉了label為2，label只能二分，才可以。

n_samples, n_features = X.shape

# 增加雜訊特徵

random_state = np.random.RandomState(0)

X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]

cv = StratifiedKFold(n_splits=6) #導入該模型，後面將數據劃分6份

classifier = svm.SVC(kernel=’linear’, probability=True,random_state=random_state) # SVC模型 可以換作AdaBoost模型試試

# 畫平均ROC曲線的兩個參數

mean_tpr = 0.0 # 用來記錄畫平均ROC曲線的信息

mean_fpr = np.linspace(0, 1, 100)

cnt = 0

for i, (train, test) in enumerate(cv.split(X,y)): #利用模型劃分數據集和目標變數 為一一對應的下標

cnt +=1

probas_ = classifier.fit(X[train], y[train]).predict_proba(X[test]) # 訓練模型後預測每條樣本得到兩種結果的概率

fpr, tpr, thresholds = roc_curve(y[test], probas_[:, 1]) # 該函數得到偽正例、真正例、閾值，這裡只使用前兩個

mean_tpr += np.interp(mean_fpr, fpr, tpr) # 插值函數 interp(x坐標,每次x增加距離,y坐標) 累計每次循環的總值後面求平均值

mean_tpr[0] = 0.0 # 將第一個真正例=0 以0為起點

roc_auc = auc(fpr, tpr) # 求auc面積

plt.plot(fpr, tpr, lw=1, label=’ROC fold {0:.2f} (area = {1:.2f})’.format(i, roc_auc)) # 畫出當前分割數據的ROC曲線

plt.plot([0, 1], [0, 1], ‘–‘, color=(0.6, 0.6, 0.6), label=’Luck’) # 畫對角線

mean_tpr /= cnt # 求數組的平均值

mean_tpr[-1] = 1.0 # 坐標最後一個點為（1,1） 以1為終點

mean_auc = auc(mean_fpr, mean_tpr)

plt.plot(mean_fpr, mean_tpr, ‘k–‘,label=’Mean ROC (area = {0:.2f})’.format(mean_auc), lw=2)

plt.xlim([-0.05, 1.05]) # 設置x、y軸的上下限，設置寬一點，以免和邊緣重合，可以更好的觀察圖像的整體

plt.ylim([-0.05, 1.05])

plt.xlabel(‘False Positive Rate’)

plt.ylabel(‘True Positive Rate’) # 可以使用中文，但需要導入一些庫即字體

plt.title(‘Receiver operating characteristic example’)

plt.legend(loc=”lower right”)

plt.show()

怎麼用python繪圖

你可以使用numpy和matplotlab這兩個庫來實現的你功能。

你的圖可以參考：

import matplotlib

from numpy.random import randn

import matplotlib.pyplot as plt

from matplotlib.ticker import FuncFormatter

def to_percent(y, position):

    # Ignore the passed in position. This has the effect of scaling the default

    # tick locations.

    s = str(100 * y)

    # The percent symbol needs escaping in latex

    if matplotlib.rcParams[‘text.usetex’] == True:

        return s + r’$\%$’

    else:

        return s + ‘%’

x = randn(5000)

# Make a normed histogram. It’ll be multiplied by 100 later.

plt.hist(x, bins=50, normed=True)

# Create the formatter using the function to_percent. This multiplies all the

# default labels by 100, making them all percentages

formatter = FuncFormatter(to_percent)

# Set the formatter

plt.gca().yaxis.set_major_formatter(formatter)

plt.show()

最主要的就是x軸和y軸的處理，我按照對數算了一下你提供的數據，好像和這個圖效果不一樣。

如果解決了您的問題請採納！

如果未解決請繼續追問