详解如何在Matplotlib中绘制平滑曲线
很多时候，我们有从非常分散的数据列表中生成的线图，这使得图形看起来像连接点的直线，或者非常密集，这导致数据点彼此非常接近，因此图看起来很混乱。
默认情况下，matplotlib.pyplot.plot()函数通过用直线连接数据中的两个相邻点来生成曲线，因此matplotlib.pyplot.plot()函数不会为小范围的数据点生成平滑曲线。
示例：
import numpy as np
import matplotlib.pyplot as plt
# Dataset
x = np.array([ 1, 2, 3, 4, 5, 6, 7, 8 ])
y = np.array([ 20, 30, 5, 12, 39, 48, 50, 3 ])
# Plotting the Graph
plt.plot(x, y)
plt.title("Curve plotted using the given points")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()
可以看到，由于底层数据不遵循平滑的直线，因此该图一点也不平滑。为了绘制一条平滑的曲线，我们首先将一条样条曲线拟合到曲线上，并使用该曲线来找到x值的y值，x值被一个无限小的间隙隔开。我们可以通过用一个非常小的间隙画出这些点来得到一条光滑的曲线。
我们可以使用以下方法来创建此数据集的平滑曲线：
1.使用PyPlot绘制平滑曲线：
它通过首先使用scipy.interpolate.make_interp_spline()确定样条曲线的系数来绘制平滑的样条曲线。我们使用给定的数据点来估计样条曲线的系数，然后使用这些系数来确定非常接近的x值的y值，以使曲线看起来平滑。这里我们将使用np.linspace()方法，它返回在指定时间间隔内计算的均匀间隔的样本。可选参数num是在start和stop范围内生成的样本数。默认值为50，且必须为非负数。我们希望该参数具有足够高的值以生成平滑曲线。让我们在最小值和最大值之间沿X轴沿着取500个等距样本来绘制曲线。
语法：
numpy.linspace(start, stop, num = 50, endpoint = True, retstep =
False, dtype = None, axis = 0)
X_Y_Spline = scipy.interpolate.make_interp_spline(x, y)
import numpy as np
import numpy as np
from scipy.interpolate import make_interp_spline
import matplotlib.pyplot as plt
# Dataset
x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = np.array([20, 30, 5, 12, 39, 48, 50, 3])
X_Y_Spline = make_interp_spline(x, y)
# Returns evenly spaced numbers
# over a specified interval.
X_ = np.linspace(x.min(), x.max(), 500)
Y_ = X_Y_Spline(X_)
# Plotting the Graph
plt.plot(X_, Y_)
plt.title("Plot Smooth Curve Using the scipy.interpolate.make_interp_spline() Class")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()
2. 三次插值样条曲线
它使用scipy.interpolate.interp1d类生成一条三次插值曲线，然后我们使用该曲线来确定平滑曲线的密集x值的y值。这里我们也将使用np.linspace()方法，该方法返回在指定时间间隔内计算的均匀间隔的样本。让我们在最小值和最大值之间沿X轴沿着取500个等距样本来绘制曲线。根据您希望直线弯曲的程度，可以修改第三个参数（num）的值。
语法：
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False,
dtype=None, axis=0)
cubic_interpolation_model=scipy.interpolate.interp1d(x,y,kind=”cubic”)
import numpy as np
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt
# Dataset
x=np.array([1, 2, 3, 4, 5, 6, 7, 8])
y=np.array([20, 30, 5, 12, 39, 48, 50, 3])
cubic_interpolation_model = interp1d(x, y, kind = "cubic")
# Plotting the Graph
X_=np.linspace(x.min(), x.max(), 500)
Y_=cubic_interpolation_model(X_)
plt.plot(X_, Y_)
plt.title("Plot Smooth Curve Using the scipy.interpolate.interp1d Class")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()
到此这篇关于详解如何在Matplotlib中绘制平滑曲线的文章就介绍到这了,更多相关Matplotlib绘制平滑曲线内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
我们在使用 sorted() 或 map() 函数的时候，都会看到里面有一个 key 参数，其实这个 key 参数也存在于其他内置函数中（例如 min()、max() 等），那么我们今天就来了解一下 key 参数的含义以及用途吧,需要的朋友可以参考下2023-12-12
这篇文章主要给大家介绍了关于如何利用Matlab制作一款真正的拼图小游戏的相关资料，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2021-05-05
这篇文章主要介绍了python字符串操作，字符串是不可变类型可以重新赋值，但不可以索引改变其中一个值，只能拼接字符串建立新变量，下面来了解具体内容吧，需要的小伙伴可以参考一下2022-02-02
Python在很大程度上可以对shell脚本进行替代。笔者一般单行命令用shell，复杂点的多行操作就直接用Python了。本文归纳了Python中一些实用脚本操作，需要的可以参考一下2022-05-05
对于 Python 来说，matplotlib 是最著名的绘图库，它主要用于二维绘图，当然也可以进行简单的三维绘图。这篇文章主要介绍了python数据分析工具之 matplotlib的相关知识,需要的朋友可以参考下2020-04-04
这篇文章主要为大家详细介绍了Python简易注册登录系统的制作方法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2016-12-12
这篇文章主要介绍了python如何复制别人的虚拟环境问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2024-05-05
这篇文章主要介绍了Python进行Restful API开发实例,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2022-03-03
python MultipartEncoder传输zip文件实例
这篇文章主要介绍了python MultipartEncoder传输zip文件实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-04-04
本文是对随机森林如何用在特征选择上做一个简单的介绍。随机森林非常简单，易于实现，计算开销也很小，更令人惊奇的是它在分类和回归上表现出了十分惊人的性能2021-10-10
最新评论