Как легко создать график с линией лучшей подгонки в matplotlib

[

Введение

Matplotlib - это одна из самых популярных библиотек для визуализации данных в языке программирования Python. Она предоставляет различные инструменты для создания разнообразных графиков, включая линейные графики, столбчатые диаграммы, круговые диаграммы и многое другое. В этом уроке мы рассмотрим использование Matplotlib для создания линии наилучшей подгонки на графике данных.

Описание

Линия наилучшей подгонки, также известная как регрессионная линия, используется для визуализации отношения между двумя переменными в виде линии, наилучшим образом соответствующей набору данных. Она может быть полезна для определения тренда или прогнозирования значений на основе имеющихся данных.

Matplotlib предоставляет несколько способов создания линии наилучшей подгонки на основе набора данных. В этом уроке мы рассмотрим два из них: метод polyfit() и функцию linregress() из модуля scipy.stats.

Сводка

• Matplotlib - это библиотека Python для визуализации данных.
• Линия наилучшей подгонки используется для визуализации отношения между двумя переменными на графике.
• Matplotlib предоставляет несколько способов создания линии наилучшей подгонки, включая метод polyfit() и функцию linregress().

Шаг 1: Установка и импорт библиотеки

Прежде чем начать, убедитесь, что у вас установлена библиотека Matplotlib. Если она еще не установлена, вы можете установить ее с помощью следующей команды:

pip install matplotlib

После установки импортируем библиотеку в нашу программу:

import matplotlib.pyplot as plt

Шаг 2: Создание набора данных

Прежде чем мы сможем построить линию наилучшей подгонки, нам понадобится набор данных, на основе которого мы будем строить график. В этом примере мы будем использовать следующий набор данных:

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

Шаг 3: Использование метода polyfit()

Метод polyfit() из библиотеки NumPy позволяет нам найти коэффициенты регрессионной линии для заданного набора данных. Вот как мы можем использовать этот метод для создания линии наилучшей подгонки:

import numpy as np

coefficients = np.polyfit(x, y, 1)

Здесь x - это массив значений по горизонтальной оси, y - массив значений по вертикальной оси, а 1 - степень полинома, которую мы хотим использовать для подгонки.

Шаг 4: Построение линии наилучшей подгонки

Теперь, когда у нас есть коэффициенты регрессионной линии, мы можем использовать их для построения линии на графике. Вот как это делается с помощью библиотеки Matplotlib:

plt.plot(x, y, 'o')  # График исходных данных
plt.plot(x, np.polyval(coefficients, x), 'r-')  # Линия наилучшей подгонки
plt.show()

Здесь plt.plot(x, y, 'o') строит график исходных данных, а plt.plot(x, np.polyval(coefficients, x), 'r-') строит линию наилучшей подгонки, используя полученные коэффициенты.

Шаг 5: Использование функции linregress()

Еще один способ создания линии наилучшей подгонки - использование функции linregress() из модуля scipy.stats. Вот как мы можем это сделать:

from scipy import stats

gradient, intercept, r_value, p_value, std_err = stats.linregress(x, y)

Функция linregress() возвращает несколько значений, включая значение углового коэффициента (gradient) и значения пересечения с осью y (intercept).

Шаг 6: Построение линии наилучшей подгонки с помощью linregress()

Теперь, когда у нас есть значения углового коэффициента и значения пересечения с осью y, мы можем использовать их для построения линии на графике. Вот как это делается:

plt.plot(x, y, 'o')  # График исходных данных
plt.plot(x, gradient * x + intercept, 'r-')  # Линия наилучшей подгонки
plt.show()

Здесь plt.plot(x, gradient * x + intercept, 'r-') строит линию наилучшей подгонки, используя значения углового коэффициента и значения пересечения с осью y.

Шаг 7: Кастомизация линии наилучшей подгонки

Matplotlib предоставляет множество возможностей для настройки внешнего вида графиков. Вот некоторые из доступных опций, которые вы можете использовать для настройки линии наилучшей подгонки:

• Изменение цвета и толщины линии:

plt.plot(x, np.polyval(coefficients, x), color='red', linewidth=3)

• Изменение стиля линии:

plt.plot(x, np.polyval(coefficients, x), linestyle='dashed')

• Добавление маркеров на линию:

plt.plot(x, np.polyval(coefficients, x), marker='o', markersize=8)

Это только некоторые из множества вариантов настройки линии наилучшей подгонки. Вы можете экспериментировать с различными параметрами, чтобы добиться нужного внешнего вида.

Шаг 8: Множественные линии наилучшей подгонки

Matplotlib также позволяет строить несколько линий наилучшей подгонки на одном графике. Для этого вы можете повторить шаги 3-7 для каждой линии наилучшей подгонки и добавить их на график с помощью функции plt.plot().

plt.plot(x, y, 'o')  # График исходных данных
plt.plot(x, np.polyval(coefficients1, x), 'r-')  # Первая линия наилучшей подгонки
plt.plot(x, np.polyval(coefficients2, x), 'g-')  # Вторая линия наилучшей подгонки
plt.show()

Шаг 9: Сохранение графика

Matplotlib позволяет сохранять графики в различных форматах, таких как PNG, JPEG, PDF и других. Для сохранения графика вы можете использовать функцию plt.savefig().

plt.plot(x, y, 'o')  # График исходных данных
plt.plot(x, np.polyval(coefficients, x), 'r-')  # Линия наилучшей подгонки
plt.savefig('line_of_best_fit.png')

График будет сохранен в текущей директории под именем “line_of_best_fit.png”.

Шаг 10: Дополнительные ресурсы

Matplotlib предоставляет множество дополнительных возможностей для визуализации данных. Вы можете изучить документацию по Matplotlib для более подробной информации и примеров использования.

Заключение

В этом уроке мы рассмотрели два способа создания линии наилучшей подгонки с использованием библиотеки Matplotlib. Мы узнали, как использовать метод polyfit() и функцию linregress() для нахождения коэффициентов регрессионной линии, а также как построить линию на графике с использованием полученных значений.

Matplotlib предоставляет широкий спектр возможностей для настройки внешнего вида графиков, включая изменение цвета, стиля линии и добавление маркеров. Вы также можете строить несколько линий наилучшей подгонки на одном графике и сохранять графики в различных форматах.

Если у вас возникнут вопросы, вот некоторые из наиболее часто задаваемых вопросов о линии наилучшей подгонки в библиотеке Matplotlib.

Часто задаваемые вопросы

1. Что такое линия наилучшей подгонки? Линия наилучшей подгонки используется для визуализации отношения между двумя переменными на графике. Она показывает наилучшую подгонку на основе имеющихся данных.

2. Как можно создать линию наилучшей подгонки с помощью Matplotlib? Вы можете создать линию наилучшей подгонки с помощью метода polyfit() из библиотеки NumPy или функции linregress() из модуля scipy.stats.

3. Как я могу настроить внешний вид линии наилучшей подгонки? Matplotlib предоставляет множество параметров, которые вы можете использовать для настройки внешнего вида линии наилучшей подгонки, включая цвет, толщину, стиль и маркеры.

4. Можно ли построить несколько линий наилучшей подгонки на одном графике? Да, вы можете построить несколько линий наилучшей подгонки на одном графике, повторив шаги 3-7 для каждой линии и добавив их на график с помощью функции plt.plot().

5. Как я могу сохранить график с линией наилучшей подгонки? Вы можете сохранить график с линией наилучшей подгонки с помощью функции plt.savefig(), указав имя файла и желаемый формат сохранения.