Python 散点图回归拟合带误差各参数详解（2）

1.数据下载地址

散点图样例数据：https://download.csdn.net/download/qq_35240689/87006447

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import statsscatter_data = pd.read_excel(r"散点图样例数据.xlsx")
x = scatter_data["values"]
y = scatter_data["pred values"]slope, intercept, r_value, p_value, std_err = stats.linregress(x,y)#绘制1：1线
best_line_x = np.linspace(-10,10)
best_line_y=best_line_x
# 拟合线
y3 = slope*x + intercept
# RMSE
fig,ax = plt.subplots(figsize=(4,3.5),dpi=100,facecolor="w")
scatter = ax.scatter(x=x,y=y,edgecolor=None, c='k', s=20,marker='s',label="Data")
bestline = ax.plot(best_line_x,best_line_y,color='k',linewidth=1.5,linestyle='--',label="1:1 Line")
linreg = ax.plot(x,y3,color='r',linewidth=1.5,linestyle='-',label="Fitted Line")
ax.set_xlim((-.1, 1.8))
ax.set_ylim((-.1, 1.8))
ax.set_xticks(np.arange(0, 2, step=0.2))
ax.set_yticks(np.arange(0, 2, step=0.2))
ax.grid(False)# 添加文本信息
fontdict = {"size":13,"fontstyle":"italic"}
ax.text(0.,1.6,r'$R=$'+str(round(r_value,2)),fontdict=fontdict)
ax.text(0.,1.4,"$P <$ "+str(0.001),fontdict=fontdict)
ax.text(0.,1.2,r'$y=$'+str(round(slope,3))+'$x$'+" + "+str(round(intercept,3)),fontdict=fontdict)
ax.text(0.,1.0,r'$N=$'+ str(len(x)),fontdict=fontdict)
ax.set_xlabel("Variable 01")
ax.set_ylabel("Variable 02")
ax.legend(loc="lower right")plt.tight_layout()
# fig.savefig('散点图_cor_error.pdf',bbox_inches='tight')

2. 带误差

添加 xerr=x_err,yerr=y_err

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import statsscatter_data = pd.read_excel(r"散点图样例数据.xlsx")
x = scatter_data["values"]
y = scatter_data["pred values"]
x_err = scatter_data["x_error"]
y_err = scatter_data["y_error"]slope, intercept, r_value, p_value, std_err = stats.linregress(x,y)#绘制1:1拟合线
best_line_x = np.linspace(-10,10)
best_line_y=best_line_x
#绘制拟合线
y3 = slope*x + intercept
#开始绘图
fig,ax = plt.subplots(figsize=(4,3.5),dpi=100,facecolor="w")
scatter = ax.scatter(x=x,y=y,edgecolor=None, c='k', s=20,label="Data")
bestline = ax.plot(best_line_x,best_line_y,color='k',linewidth=1.5,linestyle='--',label="1:1 Line")
linreg = ax.plot(x,y3,color='r',linewidth=1.5,linestyle='-',label="Fitted Line")
# 添加误差线
errorbar = ax.errorbar(x,y,xerr=x_err,yerr=y_err,ecolor="k",elinewidth=.4,capsize=0,alpha=.4,linestyle="",mfc="none",mec="none",zorder=-1)
ax.set_xlim((-.1, 1.8))
ax.set_ylim((-.1, 1.8))
ax.set_xticks(np.arange(0, 2, step=0.2))
ax.set_yticks(np.arange(0, 2, step=0.2))
# 添加文本信息
fontdict = {"size":13,"fontstyle":"italic"}
ax.text(0.,1.6,r'$R=$'+str(round(r_value,2)),fontdict=fontdict)
ax.text(0.,1.4,"$P <$ "+str(0.001),fontdict=fontdict)
ax.text(0.,1.2,r'$y=$'+str(round(slope,3))+'$x$'+" + "+str(round(intercept,3)),fontdict=fontdict)
ax.text(0.,1.0,r'$N=$'+ str(len(x)),fontdict=fontdict)ax.set_xlabel("Variable 01")
ax.set_ylabel("Variable 02")
ax.legend(loc="lower right")
ax.grid(False)
plt.tight_layout()
# fig.savefig('散点图_cor_error.pdf',bbox_inches='tight')

Python 散点图回归拟合带误差各参数详解（2）相关推荐

Python中制作词云的WordCloud参数详解
场景官方API: https://amueller.github.io/word_cloud/generated/wordcloud.WordCloud.html 实现 font_path : st ...
Python可视化——matplotlib.pyplot绘图的基本参数详解
目录 1.matplotlib简介 2.图形组成元素的函数用法 2.1. figure():背景颜色 2.2 xlim()和 ylim():设置 x,y 轴的数值显示范围 2.3 xlabel()和 ...
python scatter参数详解_matplotlib.pyplot.scatter散点图结构及用法||参数详解
matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=N ...
python色卡_python matplotlib:plt.scatter() 大小和颜色参数详解
语法 plt.scatter(x, y, s=20, c='b') 大小s默认为20,s=0时点不显示:颜色c默认为蓝色. 为每一个点指定大小和颜色有时我们需要为每一个点指定大小和方向,以区分不同的 ...
python不同颜色数值大小_python matplotlib:plt.scatter() 大小和颜色参数详解
语法 plt.scatter(x, y, s=20, c='b') 大小s默认为20,s=0时点不显示:颜色c默认为蓝色. 为每一个点指定大小和颜色有时我们需要为每一个点指定大小和方向,以区分不同的 ...
python传入参数加星号_Python 带星号(* 或 **)的函数参数详解
1. 带默认值的参数在了解带星号(*)的参数之前,先看下带有默认值的参数,函数定义如下: >> def defaultValueArgs(common, defaultStr = &qu ...
python xgboost参数_xgboost中XGBClassifier(）参数详解
常规参数 booster gbtree 树模型做为基分类器(默认) gbliner 线性模型做为基分类器 silent silent=0时,不输出中间过程(默认) silent=1时,输出中间过程 n ...
catboost原理、参数详解及python实例
catboost 简介优点: 1)它自动采用特殊的方式处理类别型特征(categorical features).首先对categorical features做一些统计,计算某个类别特征(cate ...
支持向量机之SVR 用法与参数详解 python
1. 概念: 针对二分类问题,寻求最优超平面 SVM: 使到超平面最近的样本点的"距离"最大 SVR: 使到超平面最远的样本点的"距离"最小. SVR回归的优势 ...

Python 散点图回归拟合带误差各参数详解（2）

1.数据下载地址

2. 带误差

Python 散点图回归拟合带误差各参数详解（2）相关推荐

最新文章

热门文章

Python 散点图 回归拟合 带误差 各参数详解（2）

1.数据下载地址

2. 带误差

Python 散点图 回归拟合 带误差 各参数详解（2）相关推荐

最新文章

热门文章

Python 散点图回归拟合带误差各参数详解（2）

Python 散点图回归拟合带误差各参数详解（2）相关推荐