代码之家 › 专栏 › 技术社区 › user3789200

Matplotlib:平滑折线图[重复]

matplotlib python

user3789200 · 技术社区 · 5 年前

我有以下简单的脚本来绘制一个图:

import matplotlib.pyplot as plt
import numpy as np

T = np.array([6, 7, 8, 9, 10, 11, 12])
power = np.array([1.53E+03, 5.92E+02, 2.04E+02, 7.24E+01, 2.72E+01, 1.10E+01, 4.70E+00])

plt.plot(T,power)
plt.show()

smooth cplines .

在PyPlot中有没有一种简单的方法可以做到这一点?我找到了一些教程,但看起来都很复杂。

0 回复 | 直到 4 年前

183

brezniczky 5 年前

你可以用 scipy.interpolate.spline 要自己平滑数据:

from scipy.interpolate import spline

# 300 represents number of points to make between T.min and T.max
xnew = np.linspace(T.min(), T.max(), 300)  

power_smooth = spline(T, power, xnew)

plt.plot(xnew,power_smooth)
plt.show()

正在从切换 spline BSpline 不是简单的复制/粘贴,需要稍加调整:

from scipy.interpolate import make_interp_spline, BSpline

# 300 represents number of points to make between T.min and T.max
xnew = np.linspace(T.min(), T.max(), 300) 

spl = make_interp_spline(T, power, k=3)  # type: BSpline
power_smooth = spl(xnew)

plt.plot(xnew, power_smooth)
plt.show()

之前:

Sajad Norouzi 5 年前

对于本例,样条曲线工作良好,但如果函数本身不是平滑的,并且您希望具有平滑的版本,则也可以尝试:

from scipy.ndimage.filters import gaussian_filter1d

ysmoothed = gaussian_filter1d(y, sigma=2)
plt.plot(x, ysmoothed)
plt.show()

如果你增加sigma,你可以得到一个更平滑的函数。

小心处理这个。它会修改原始值,可能不是您想要的。

Nick Bastin 13 年前

我想你是说 curve-fitting 而不是 anti-aliasing 从你问题的背景来看。PyPlot对此没有任何内置支持,但是您可以轻松地实现一些基本的曲线拟合,就像前面看到的代码一样 here ,或者如果您使用的是GuiQwt,它有一个曲线拟合 module SciPy

Mateen Ulhaq 3 年前

看到了吗 scipy.interpolate

下面的示例演示了它在线性和三次样条插值中的用法:

import matplotlib.pyplot as plt
import numpy as np
from scipy.interpolate import interp1d

# Define x, y, and xnew to resample at.
x = np.linspace(0, 10, num=11, endpoint=True)
y = np.cos(-x**2/9.0)
xnew = np.linspace(0, 10, num=41, endpoint=True)

# Define interpolators.
f_linear = interp1d(x, y)
f_cubic = interp1d(x, y, kind='cubic')

# Plot.
plt.plot(x, y, 'o', label='data')
plt.plot(xnew, f_linear(xnew), '-', label='linear')
plt.plot(xnew, f_cubic(xnew), '--', label='cubic')
plt.legend(loc='best')
plt.show()

enter image description here

^{为增加可读性而略微修改。}

tobias88 4 年前

from scipy.interpolate import make_interp_spline
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as dates
from datetime import datetime

data = {
    datetime(2016, 9, 26, 0, 0): 26060, datetime(2016, 9, 27, 0, 0): 23243,
    datetime(2016, 9, 28, 0, 0): 22534, datetime(2016, 9, 29, 0, 0): 22841,
    datetime(2016, 9, 30, 0, 0): 22441, datetime(2016, 10, 1, 0, 0): 23248 
}
#create data
date_np = np.array(list(data.keys()))
value_np = np.array(list(data.values()))
date_num = dates.date2num(date_np)
# smooth
date_num_smooth = np.linspace(date_num.min(), date_num.max(), 100) 
spl = make_interp_spline(date_num, value_np, k=3)
value_np_smooth = spl(date_num_smooth)
# print
plt.plot(date_np, value_np)
plt.plot(dates.num2date(date_num_smooth), value_np_smooth)
plt.show()

Charly Empereur-mot 3 年前

另一种方法是根据您使用的参数对函数进行轻微修改:

from statsmodels.nonparametric.smoothers_lowess import lowess

def smoothing(x, y):
    lowess_frac = 0.15  # size of data (%) for estimation =~ smoothing window
    lowess_it = 0
    x_smooth = x
    y_smooth = lowess(y, x, is_sorted=False, frac=lowess_frac, it=lowess_it, return_sorted=False)
    return x_smooth, y_smooth