[Python3] Matplotlib —— (四) 可视化异常处理

文章目录

五、可视化异常处理
- （一）基本误差线
- （二）连续误差

[ Matplotlib version: 3.2.1 ]

五、可视化异常处理

对任何一种科学测量方法来说，准确地衡量数据误差比数据本身更重要。在数据可视化的结果中用图形将误差有效地显示出来，就可以提供更充分的信息。

（一）基本误差线

基本误差线（errorbar）可以通过一个Matplotlib函数创建。

fmt是一种控制线条和点的外观的代码格式，语法与plt.plot的缩写代码相同
errorbar有许多改善结果的选项，通过这些额外选项，可以轻松自定义误差线图形的绘画风格
让误差线的颜色比数据点的颜色浅一点效果会很好，尤其是比较密集的图形中
还可以设置水平方向的误差线（xerr），单侧误差线（one-sided errorbar）及其他形式误差线

%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('seaborn-whitegrid')
import numpy as npx = np.linspace(0, 10, 50)
dy = 0.8
y = np.sin(x) + dy * np.random.randn(50)# 误差线
plt.errorbar(x, y, yerr=dy, fmt='.k')

# 自定义误差线
plt.errorbar(x, y, yerr=dy, fmt='o', color='black',ecolor='lightgray', elinewidth=3, capsize=0)

（二）连续误差

需要显示连续变量的误差，通过plt.plot与plt.fill_between来解决。

matplotlib.pyplot.fill_between - Matplotlib 3.2.1 documentation

from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, ConstantKernel as C# 定义模型和要画的数据
model = lambda x: x * np.sin(x)
xdata = np.array([1, 3, 5, 6, 8])
ydata = model(xdata)# 计算高斯过程拟合结果
kernel = C(1.0, (1e-3, 1e3)) * RBF(10, (1e-2, 1e2))
gp = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=9)
gp.fit(xdata[:, np.newaxis], ydata)xfit = np.linspace(0, 10, 1000)
yfit, sigma = gp.predict(xfit[:, np.newaxis], return_std=True)
dyfit = 2 * np.sqrt(sigma)  # 2*sigma~95%置信区间# 将结果可视化
plt.plot(xdata, ydata, 'or')
plt.plot(xfit, yfit, '-', color='gray')plt.fill_between(xfit, yfit - dyfit, yfit + dyfit,color='gray', alpha=0.2)
plt.xlim(0, 10)

从结果图形中可以直观看出高斯过程回归方法拟合的效果：在接近样本点的区域，模型受到很强的约束，拟合误差非常小，非常接近真实值，而在远离样本点的区域，模型不受约束，误差不断增大。
更多关于高斯过程回归方法（Gaussian process regression, GPR），参考：Gaussian Processes regression: basic introductory example [sklearn version 0.22.2]

Matplotlib 相关阅读：

[Python3] Matplotlib —— (一) 入门基础
[Python3] Matplotlib —— (二) 简易线形图
[Python3] Matplotlib —— (三) 简易散点图

总结自《Python数据科学手册》

[Python3] Matplotlib —— (四) 可视化异常处理相关推荐

[Python3] Matplotlib —— (六) 频次直方图、数据区间划分和分布密度
文章目录七.频次直方图.数据区间划分和分布密度 (一)简易频次直方图 (二)二维频次直方图与数据区间划分 1. plt.hist2d:二维频次直方图 2. plt.hexbin:六边形区间划分 3. ...
Python+matplotlib数据可视化鼠标悬停自动标注功能实现
功能描述:根据已有数据绘制图形之后,鼠标进入轴内自动设置背景色,退出轴时自动恢复背景色,若鼠标移动时悬停于曲线附近,则自动弹出文本标注提示当前值. 参考代码: 运行效果(鼠标位于轴外时): 运行效果( ...
Python使用matplotlib进行可视化时精确控制图例位置
在进行数据可视化或者科学计算可视化时,显示图例会显得很高大上,但是如果能够精确控制图例的显示位置,无疑会显得档次更高. 本文以matplotlib.pyplot可视化库为例,该模块的legend()函 ...
Python数据科学学习笔记之——Matplotlib数据可视化
Matplotlib 数据可视化 1.Matplotlib 常用技巧 1.1.导入 Matplotlib import matplotlib as mpl import matplotlib.pypl ...
Matplotlib 数据可视化（读书笔记）
Python 数据科学手册第四章读书笔记,仅供学习交流使用 4. Matplotlib 数据可视化 4.1 Matplotlib 常用技巧 4.1.1 导入 Matplotlib plt 是最常用的接 ...
数据科学与python语言——Matplotlib数据可视化基础
Matplotlib数据可视化基础一.读取数据与数据处理阶段 1.提取指定行中的数据 2.得到>指定数值的数据 3.得到=指定值得数据 4.整体的数据处理: 二.画图函数 1.plt.subp ...
[转载] Python数据分析之Matplotlib数据可视化实例
参考链接: 使用Python进行数据分析和可视化2 Matplotlib数据可视化的应用实例分析 :2000至2017年各季度国民生产总值数据 npy文件--numpy专用的二进制格式 np.lo ...
Matplotlib 常用可视化操作
Matplotlib 常用可视化操作文章目录 Matplotlib 常用可视化操作 0. matplotlib 介绍 1. 简单辅助线 2. 坐标轴设置用figure() 函数创建图表设置x轴 ...
Python3 matplotlib+numpy画函数图像
Python3 matplotlib+numpy画函数图像 matplotlib和numpy是python强大的第三方库之二.numpy内置了很多数学函数,而matplotlib则可以用于绘制图像,常 ...