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Python3中列表list合并的四种方法，文章结尾对每种方法做了总结,需要的朋友可以参考下2019-04-04
今天小编就为大家分享一篇关于Python并发:多线程与多进程的详解，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧2019-01-01
本文主要介绍了Python numpy.interp的实例详解，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2023-02-02
这篇文章主要介绍了HTML的form表单和django的form表单,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,需要的朋友可以参考下2019-07-07
python中的变量如何开辟内存？今天小编就为大家介绍一下python中变量开辟内存的方法。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2018-06-06
这篇文章主要为大家介绍了python简单几步实现时间日期处理到数据文件的读写详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2023-04-04
这篇文章主要讲解了Python爬虫的基础知识，文中相关知识讲解的非常详细，感兴趣的小伙伴可以参考参考2021-08-08
这篇文章主要介绍了使用Python处理EXCEL基础操作篇2,如何使用Python对EXCEL数据的预处理,文中提供了解决思路和部分实现代码，一起来看看吧2023-03-03
今天小编就为大家分享一篇numpy 计算两个数组重复程度的方法，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2018-11-11
这篇文章主要介绍了python 查看pytorch版本的操作，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2021-03-03
最新评论