Python |
您所在的位置：网站首页 › ct的ee怎么画 › Python |
Python
|
公众号后台回复“图书“，了解更多号主新书内容 作者：宁海涛 来源：DataCharm 01. 引言之前的绘制图文Python-matplotlib 学术散点图完善Python-matplotlib 学术型散点图绘制 教程中，对学术散点图已经进行了较为完善的绘制教程，但这几天的通过准备 论文图表再现计划 以及后台小伙伴的留言，发现在绘制的相关性散点图中，各个范围的 Expected Error （EE）的统计个数没有在图表中进行展示 ，即下图中左下角的信息没有绘制。 要完成上述的信息添加，只要涉及的知识点为 数据统计 的简单数据处理过程。下面就此问题进行详细的讲解。 02. 数据处理要完成数据统计操作，首先要先进行三条拟合线的制作，具体如下： #导入数据拟合函数 from scipy.stats import linregress x2 = np.linspace(-10,10) #制作最佳拟合线数据 y2=x2 #制作上拟合线数据 up_y2 = 1.15*x2 + 0.05 #制作下拟合线数据 down_y2 = 0.85*x2 - 0.05 #进行拟合 line_01 = linregress(x2,y2) line_top = linregress(x2,up_y2) line_bopptom = linregress(x2,down_y2)其中，up_y2和down_y2 具体设置可以参考之前的推文Python-matplotlib 学术散点图完善 ，linregress () 拟合的结果如下： slope 为斜率，intercept 为截距，rvalue 为相关系数 ，pvalue 为p值，stderr 为标准误差。 而原始的数据集如下（部分）： 接下来我们根据相同的x值构建对应拟合线的三个y值，具体代码如下： data_select = data_select.copy() data_select['true_y'] = data_select.true_data.values data_select['top_y'] = data_select['true_data'].apply(lambda x : line_top[0]*x + line_top[1]) data_select['bottom_y'] = data_select['true_data'].apply(lambda x : line_bopptom[0]*x + line_bopptom[1]) data_select.head()这里涉及到pandas 处理数据常用 的 apply()函数，该方法对一般的数据处理步骤中经常使用，希望大家能够掌握。构建后的数据如下： 而判断 各个 Expected Error 的依据就是根据所构建的 top_y 、bottom_y和 model01_estimated 。将三者进行对比分析即可。 统计个数 所需数据构建好后，就可根据pandas 的数据选择操作进行筛选，最后统计个数即可，具体代码如下： #构建 选择条件 top_condi = (data_select['model01_estimated'] > data_select['top_y']) bottom_condi = (data_select['model01_estimated'] < data_select['bottom_y']) bottom_top = ((data_select['model01_estimated'] < data_select['top_y']) & \ (data_select['model01_estimated'] > data_select['bottom_y'])) all_data = len(data_select) top_counts = len(data_select[top_condi]) bottom_counts = len(data_select[bottom_condi]) bottom_top_counts = len(data_select[bottom_top])进而求出不同 Expected Error 内的数据个数，本实例结果如下： all_data = 4348 top_counts = 1681 bottom_counts = 404 bottom_top_counts = 2263 03. 数据可视化数据可视化的绘制相对就比较简单的，大都和之前的推文也都一样，唯一不同的就是添加新内容部分，具体代码如下： label_font = {'size':'22','weight':'medium','color':'black'} ax.text(.7,.25,s='Within EE = ' + '{:.0%}'.format(bottom_top_counts/all_data),transform = ax.transAxes, ha='left', va='center',fontdict=text_font) ax.text(.7,.18,s='Above EE = ' + '{:.0%}'.format(top_counts/all_data),transform = ax.transAxes, ha='left', va='center',fontdict=text_font) ax.text(.7,.11,s='Below EE = ' + '{:.0%}'.format(bottom_counts/all_data),transform = ax.transAxes, ha='left', va='center',fontdict=text_font)完整代码如下： import pandas as pd import numpy as np from scipy import optimize import matplotlib.pyplot as plt from sklearn.metrics import mean_squared_error,r2_score from matplotlib.pyplot import MultipleLocator #统一修改字体 plt.rcParams['font.family'] = ['Arial'] N = len(test_data['true_data']) x = test_data['true_data'].values.ravel() #真实值 y = test_data['model01_estimated'].values.ravel()#预测值 C=round(r2_score(x,y),4) rmse = round(np.sqrt(mean_squared_error(x,y)),3) #绘制拟合线 x2 = np.linspace(-10,10) y2=x2 def f_1(x, A, B): return A*x + B A1, B1 = optimize.curve_fit(f_1, x, y)[0] y3 = A1*x + B1 #开始绘图 fig, ax = plt.subplots(figsize=(7,5),dpi=200) ax.scatter(x, y,edgecolor=None, c='k', s=12,marker='s') ax.plot(x2,y2,color='k',linewidth=1.5,linestyle='-',zorder=2) ax.plot(x,y3,color='r',linewidth=2,linestyle='-',zorder=2) #添加上线和下线 ax.plot(x2,up_y2,color='k',lw=1.,ls='--',zorder=2,alpha=.8) ax.plot(x2,down_y2,color='k',lw=1.,ls='--',zorder=2,alpha=.8) fontdict1 = {"size":17,"color":"k",} ax.set_xlabel("True Values", fontdict=fontdict1) ax.set_ylabel("Estimated Values ", fontdict=fontdict1) ax.grid(which='major',axis='y',ls='--',c='k',alpha=.7) ax.set_axisbelow(True) ax.set_xlim((0, 2.0)) ax.set_ylim((0, 2.0)) ax.set_xticks(np.arange(0, 2.2, step=0.2)) ax.set_yticks(np.arange(0, 2.2, step=0.2)) #设置刻度间隔 # x_major_locator=MultipleLocator(.5) # #把x轴的刻度间隔设置为.5，并存在变量里 # y_major_locator=MultipleLocator(.5) # ax.xaxis.set_major_locator(x_major_locator) # #把x轴的主刻度设置为.5的倍数 # ax.yaxis.set_major_locator(y_major_locator) for spine in ['top','left','right']: ax.spines[spine].set_visible(None) ax.spines['bottom'].set_color('k') ax.tick_params(bottom=True,direction='out',labelsize=14,width=1.5,length=4, left=False) #ax.tick_params() #添加题目 titlefontdict = {"size":20,"color":"k",} ax.set_title('Scatter plot of True data and Model Estimated',titlefontdict,pad=20) #ax.set_title() fontdict = {"size":16,"color":"k",'weight':'bold'} ax.text(0.1,1.8,r'$R^2=$'+str(round(C,3)),fontdict=fontdict) ax.text(0.1,1.6,"RMSE="+str(rmse),fontdict=fontdict) ax.text(0.1,1.4,r'$y=$'+str(round(A1,3))+'$x$'+" + "+str(round(B1,3)),fontdict=fontdict) ax.text(0.1,1.2,r'$N=$'+ str(N),fontdict=fontdict) #添加上下线的统计个数 text_font = {'size':'15','weight':'medium','color':'black'} label_font = {'size':'22','weight':'medium','color':'black'} ax.text(.9,.9,"(a)",transform = ax.transAxes,fontdict=text_font,zorder=4) ax.text(.7,.25,s='Within EE = ' + '{:.0%}'.format(bottom_top_counts/all_data),transform = ax.transAxes, ha='left', va='center',fontdict=text_font) ax.text(.7,.18,s='Above EE = ' + '{:.0%}'.format(top_counts/all_data),transform = ax.transAxes, ha='left', va='center',fontdict=text_font) ax.text(.7,.11,s='Below EE = ' + '{:.0%}'.format(bottom_counts/all_data),transform = ax.transAxes, ha='left', va='center',fontdict=text_font) ax.text(.8,.056,'\nVisualization by DataCharm',transform = ax.transAxes, ha='center', va='center',fontsize = 10,color='black') # plt.savefig(r'E:\Data_resourses\DataCharm 公众号\Python\学术图表绘制\scatter_EE.png', # width=7,height=4,dpi=900,bbox_inches='tight') plt.show()结果如下： 本期的推文主要就是介绍 如何统计 Expected Error 个数及将结果展示在绘图中，涉及的知识点点都是比较基础的 数据条件筛选及统计个数。pandas 库在数据处理及统计分析这一块应用起来是比较简单的，但也要多练习，毕竟数据处理小技巧比较多也易忘。还有，也别说一个知识点发了多篇推文啊 |
【本文地址】