Постройте плавную линию с помощью PyPlot


112

У меня есть следующий простой скрипт, который строит график:

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()

В настоящее время линия идет прямо от точки к точке, что выглядит нормально, но, на мой взгляд, могло бы быть лучше. Я хочу сгладить линию между точками. В Gnuplot я бы строил планы с помощью smooth cplines.

Есть ли простой способ сделать это в PyPlot? Я нашел несколько руководств, но все они кажутся довольно сложными.

Ответы:


167

Вы можете использовать scipy.interpolate.splineдля сглаживания ваших данных самостоятельно:

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()

spline устарел в scipy 0.19.0, вместо этого используйте класс BSpline.

Переключение с splineна BSplineне является простым копированием / вставкой и требует небольшой настройки:

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()

Перед: скриншот 1

После: скриншот 2


2
Ха-ха, это было несложно. Ура! :) Просто замечание для других, которые могут искать: мне пришлось импортировать scipy, чтобы использовать linspace ().
Пол

Ой, извините, надо было использовать np.linspace. Исправлено в моем ответе.
Оливье Вердье,

2
300 - это количество точек между T.min () и T.max (). Я использовал 1000, и он выглядит так же. Хотя попробуйте с 5, и вы увидите разницу.
CornSmith

2
splineустарела! spline устарел в scipy 0.19.0, используйте вместо этого класс BSpline:from scipy.interpolate import BSpline
user890739

2
Это не сработает, если T не отсортирован. А также, если функция (T) не взаимно однозначна.
Рахат Заман

28

В этом примере сплайн работает хорошо, но если функция не является сглаженной по своей сути, и вы хотите иметь сглаженную версию, вы также можете попробовать:

from scipy.ndimage.filters import gaussian_filter1d

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

если вы увеличите сигму, вы можете получить более сглаженную функцию.

Будьте осторожны с этим. Он изменяет исходные значения и может быть не тем, что вам нужно.


10
Будьте осторожны с этим. Он изменяет исходные значения и может быть не тем, что вам нужно.
tartaruga_casco_mole

8

Я предполагаю, что вы имеете в виду подгонку кривой, а не сглаживание из контекста вашего вопроса. PyPlot не имеет встроенной поддержки для этого, но вы можете легко реализовать базовую подгонку кривой самостоятельно, например, код, показанный здесь , или, если вы используете GuiQwt, у него есть модуль подгонки кривой . (Вы, вероятно, также можете украсть код из SciPy, чтобы сделать это).


Спасибо. Я попробовал десять различных уравнений, и [Использование радиальных базисных функций для сглаживания / интерполяции] [1] rbf = Rbf(x, y), fi = rbf(xi)было лучшим среди них. [1]: scipy-cookbook.readthedocs.io/items/RadialBasisFunctions.html ,
Cloud Cho

1

См. scipy.interpolateДокументацию для некоторых примеров.

Следующий пример демонстрирует его использование для интерполяции линейным и кубическим сплайном:

>>> from scipy.interpolate import interp1d

>>> x = np.linspace(0, 10, num=11, endpoint=True)
>>> y = np.cos(-x**2/9.0)
>>> f = interp1d(x, y)
>>> f2 = interp1d(x, y, kind='cubic')

>>> xnew = np.linspace(0, 10, num=41, endpoint=True)
>>> import matplotlib.pyplot as plt
>>> plt.plot(x, y, 'o', xnew, f(xnew), '-', xnew, f2(xnew), '--')
>>> plt.legend(['data', 'linear', 'cubic'], loc='best')
>>> plt.show()

введите описание изображения здесь

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.