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
这篇文章主要介绍了利用Python爬虫爬取城市公交站点的数据，文中的代码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2021-12-12
这篇文章主要为大家详细介绍了python tools实现视频的每一帧提取并保存，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2019-05-05
这篇文章主要为大家详细介绍了python多次绘制条形图的方法，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2022-04-04
今天小编就为大家分享一篇PyQt5 在label显示的图片中绘制矩形的方法，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2019-06-06
Python多进程通信Queue、Pipe、Value、Array实例
这篇文章主要介绍了Python多进程通信Queue、Pipe、Value、Array实例,queue和pipe用来在进程间传递消息、Value + Array 是python中共享内存映射文件的方法,需要的朋友可以参考下2014-11-11
在Python中,使用base64模块可以解码Base64编码的图片数据,首先需要去除Base64字符串的前缀,然后使用base64.b64decode()函数进行解码,最后将解码后的数据保存为图片文件,适用于各种MIME类型的Base64编码2024-09-09
GIL的全称为Global Interpreter Lock，全局解释器锁。本篇文章详细的介绍了Python中GIL的使用，有需要了解Python中GIL用法的朋友可参考。希望此文章对各位有所帮助2018-10-10
这篇文章主要为大家详细介绍了python实现人机对战的五子棋游戏，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2022-04-04
在Python中，每个类都有实例属性。默认情况下Python用一个字典来保存一个对象的实例属性。这非常有用，因为它允许我们在运行时去设置任意的新属性。下面这篇文章主要给大家介绍了关于Python中__slots__属性与基本使用方法的相关资料，需要的朋友可以参考下2018-09-09
在Python中处理经纬度信息,首先通过筛选得到符合条件的停车点,并去除重复数据,利用这些数据点的索引值将原始数据进行分段,并绘制地图,处理重复数据时可以使用set()方法或列表生成式,最后,可以通过DataFrame的join方法合并具有相同索引值的数据2024-09-09
最新评论