plot

二维线图

全页折叠

语法

plot(X,Y)

plot(X,Y,LineSpec)

plot(X1,Y1,...,Xn,Yn)

plot(X1,Y1,LineSpec1,...,Xn,Yn,LineSpecn)

plot(Y)

plot(Y,LineSpec)

plot(___,Name,Value)

plot(ax,___)

h = plot(___)

说明

示例

plot(X,Y) 创建 Y 中数据对 X 中对应值的二维线图。

如果 X 和 Y 都是向量，则它们的长度必须相同。plot 函数绘制 Y 对 X 的图。
如果 X 和 Y 均为矩阵，则它们的大小必须相同。plot 函数绘制 Y 的列对 X 的列的图。
如果 X 或 Y 中的一个是向量而另一个是矩阵，则矩阵的各维中必须有一维与向量的长度相等。如果矩阵的行数等于向量长度，则 plot 函数绘制矩阵中的每一列对向量的图。如果矩阵的列数等于向量长度，则该函数绘制矩阵中的每一行对向量的图。如果矩阵为方阵，则该函数绘制每一列对向量的图。
如果 X 或 Y 之一为标量，而另一个为标量或向量，则 plot 函数会绘制离散点。但是，要查看这些点，您必须指定标记符号，例如 plot(X,Y,'o')。

plot(X,Y,LineSpec) 设置线型、标记符号和颜色。

示例

plot(X1,Y1,...,Xn,Yn) 绘制多个 X、Y 对组的图，所有线条都使用相同的坐标区。

示例

plot(X1,Y1,LineSpec1,...,Xn,Yn,LineSpecn) 设置每个线条的线型、标记符号和颜色。您可以混用 X、Y、LineSpec 三元组和 X、Y 对组：例如，plot(X1,Y1,X2,Y2,LineSpec2,X3,Y3)。

示例

plot(Y) 创建 Y 中数据对每个值索引的二维线图。

如果 Y 是向量，x 轴的刻度范围是从 1 至 length(Y)。
如果 Y 是矩阵，则 plot 函数绘制 Y 中各列对其行号的图。x 轴的刻度范围是从 1 到 Y 的行数。
如果 Y 是复数，则 plot 函数绘制 Y 的虚部对 Y 的实部的图，使得 plot(Y) 等效于 plot(real(Y),imag(Y))。

plot(Y,LineSpec) 设置线型、标记符号和颜色。

示例

plot(___,Name,Value) 使用一个或多个 Name,Value 对组参数指定线条属性。有关属性列表，请参阅 Line 属性。可以将此选项与前面语法中的任何输入参数组合一起使用。名称-值对组设置将应用于绘制的所有线条。

示例

plot(ax,___) 将在由 ax 指定的坐标区中，而不是在当前坐标区 (gca) 中创建线条。选项 ax 可以位于前面的语法中的任何输入参数组合之前。

示例

h = plot(___) 返回由图形线条对象组成的列向量。在创建特定的图形线条后，可以使用 h 修改其属性。有关属性列表，请参阅 Line 属性。

scatter3

三维散点图

全页折叠

语法

scatter3(X,Y,Z)

scatter3(X,Y,Z,S)

scatter3(X,Y,Z,S,C)

scatter3(___,'filled')

scatter3(___,markertype)

scatter3(___,Name,Value)

scatter3(ax,___)

h = scatter3(___)

说明

示例

scatter3(X,Y,Z) 在向量 X、Y 和 Z 指定的位置显示圆圈。

示例

scatter3(X,Y,Z,S) 使用 S 指定的大小绘制每个圆圈。要绘制大小相等的圆圈，请将 S 指定为标量。要绘制具有特定大小的每个圆，请将 S 指定为向量。

示例

scatter3(X,Y,Z,S,C) 使用 C 指定的颜色绘制每个圆圈。

如果 C 是 RGB 三元组，或者是包含颜色名称的字符向量或字符串，则使用指定的颜色绘制所有圆圈。
如果 C 是一个三列矩阵，其中 C 中的行数等于 X、Y 和 Z 的长度，则 C 的每行指定相应圆圈的 RGB 颜色值。
如果 C 是长度与 X、Y 和 Z 的长度相同的向量，则 C 中的值线性映射到当前颜色图中的颜色。

示例

scatter3(___,'filled') 使用前面的语法中的任何输入参数组合填充这些圆。

示例

scatter3(___,markertype) 指定标记类型。

示例

scatter3(___,Name,Value) 使用一个或多个名称-值对组参数修改散点图。

示例

scatter3(ax,___) 将图形绘制到 ax 指定的坐标区中，而不是当前坐标区 (gca) 中。选项 ax 可以位于前面的语法中的任何输入参数组合之前。

示例

h = scatter3(___) 返回 Scatter 对象。在创建散点图后，可使用 h 修改其属性。

双箱模型优化 PCA 箱式 pcolor

箱式不优化

clc;clear all; close all;
V1 = 3e16 ; % volume of upper ocean (m^3)
V2 = 100e16 ; % volume of deeper ocean (m^3)
Fr = 3e13 ; % river inputs (m^3/yr)
Fo = 6e14 ; % turnover rate (m^3/yr)
xr = 1.3 ; % concentration of P in rivers (mmol/m3)
Tau = 50 ; % 100 year residence time of P in the surface;
Pu = 0 ; % initial concentration in the upper ocean
Pd = 0 ; % initial concentration in the deeper ocean
Prodtvy = Pu*V1/Tau ; % Production rate
ReminEff = 0.97 ; % remineralization ratio

dPudt = (Fr*xr - Fo*Pu + Fo*Pd - Prodtvy)/V1 ;
dPddt = (Fo*Pu - Fo*Pd + ReminEff*Prodtvy)/V2 ;

n = 1 ;
dt = 10 ;
figure(1)
% start time stepping
for ji = 1:dt:1e7
n = n + 1;
set(0,'CurrentFigure',1);
Pu = Pu + dPudt * dt ;
Pd = Pd + dPddt * dt ;
Prodtvy = Pu*V1/Tau ; % Production
dPudt = (Fr*xr - Fo*Pu + Fo*Pd - Prodtvy)/V1;
dPddt = (Fo*Pu - Fo*Pd + ReminEff*Prodtvy)/V2;
% plot a dot every 5000 iterations.
if mod(n, 5000) == 0
hp = plot(ji,Pu,'r.:',ji,Pd,'G.:');
set(hp,'MarkerSize',16)
set(gca,'FontSize',16)
xlabel('time (years)')
ylabel('concentration of P (mmol/m3)')
legend('Pu','Pd','Location','best')
drawnow; hold on;
end
end

箱式优化

addpath('~/Dropbox/myfunc')
par.Tau = 100 ; % 100 year residence time of P in the surface;
par.V1 = 3e16 ; % volume of upper ocean (m^3)
par.V2 = 100e16; % volume of deeper ocean (m^3)
par.Fr = 3e13; % river inputs (m^3/yr)
par.xr = 1.5 ; % concentration of P in rivers (mmol/m3)
par.Fo = 6e14; % turnover rate (m^3/yr)
par.ReminEff = 0.99 ; % remineralization ratio
par.Puobs = 0.5;
par.Pdobs = 2.5;
x0 = log([par.xr, par.Tau, par.ReminEff]) ;% 防止算出负值最后要换算回去
myfun = @(x) neglogpost2(x, par);

options = optimoptions(@fminunc , ...
'Algorithm','quasi-newton', ...%拟牛顿法
'GradObj','off' , ...
'Hessian','off' , ...
'Display','iter' , ...
'MaxFunEvals',2000 , ...
'MaxIter',2000 , ...
'TolX',1e-7 , ...
'TolFun',1e-7 , ...
'DerivativeCheck','off' , ...
'FinDiffType','central' , ...
'PrecondBandWidth',Inf) ;
%
nip = length(x0);
[xhat,fval,exitflag] = fminunc(myfun,x0,options);%求无约束多变量函数最小值按option中的选项
[f,mod] = neglogpost2(xhat,par);
% save results
save('pho_xhat', 'xhat','f')
fprintf('-------------- end! ---------------\n');

function [f,mod] = neglogpost2(x, par)
[Pu,Pd] = fpho(par,x);
mod = [Pu; Pd] ;
obs = [par.Puobs; par.Pdobs];
V = [par.V1; par.V2];
W = d0(V./sum(V));%求权矩阵且存储为稀疏矩阵
err = (mod - obs) ;
f = err'*W*err ;%最小二乘法
end

function [Pu,Pd] = fpho(par,x)
V1 = par.V1 ;
V2 = par.V2 ;
Fr = par.Fr ; % m^3 per year
Fo = par.Fo ; % m^3 per year

xr = exp(x(1)) ; % mmol/m3
Tau = exp(x(2));
ReminEff = exp(x(3)) ; % ratio to sediment

D = [Fo+ReminEff*V1/Tau, -Fo; -Fo-V1/Tau, Fo]; %方程组左边
rhs = [0; -Fr*xr];%方程组右边

X = inv(D)*rhs;%解方程组
Pu = X(1);
Pd = X(2);
Prodtvy = Pu*V1/Tau ; % Production

rhs = [0; -Fr*xr];

X = inv(D)*rhs;
Pu = X(1);
Pd = X(2);
end

function X=d0(v)
X=spdiags(v(:),0,length(v(:)),length(v(:)));
end

内置函数PCA

% using built-in function;
[data,txt] = xlsread('scores');
[nx,ny] = size(data);
ave = mean(data);
Dstd = std(data) ;
demean = data - repmat(ave,[nx,1]);
normD = demean./repmat(Dstd,[nx,1]);
% do the PCA using Matlab built-in function PCA;
[coeff, score, latent, tsquared, explaned, mu] = pca(norm, 'Algorithm', 'eig');
pc1 = coeff(:,1);
pc2 = coeff(:,2);
pc3 = coeff(:,3);
figure(1)
yline(0,'r-')
hold on
h1 = plot(pc1,'ro-','linewidth',1.5,'MarkerSize',3);
hold on
h2 = plot(pc2,'k*-.','linewidth',1.5,'MarkerSize',3);
hold on
h3 = plot(pc3,'b^:','linewidth',1.5,'MarkerSize',3);
hold off
grid on
legend([h1,h2,h3],{'pc1','pc2','pc3'})
xticks([1:13])
header = txt(1,:);
kind = txt(2:end,end);
xticklabels({'Chinese','Math','English','Physi.','Chem.','Bio.',...
'Politics','History','Geography','Music','Physical','Arts','Tech'})

% the original data are grouped based on PCA score;
figure(2)
PC1 = score(:,1);
PC2 = score(:,2);
PC3 = score(:,3);
labels = kind;
scatter3(PC1,PC2,PC3,'ro')
text(PC1,PC2,PC3,labels)
xlabel('PC1')
ylabel('PC2')
zlabel('PC3')

% demonstrate how the score is calculated;
figure(3)
scores = demean*coeff;
score1 = scores(:,1);
score2 = scores(:,2);
score3 = scores(:,3);

scatter3(score1,score2,score3,'ro')
text(score1,score2,score3,labels)
xlabel('PC1')
ylabel('PC2')
zlabel('PC3')

自己写PCA

[data,txt] = xlsread('scores');
[nx,ny] = size(data);
ave = mean(data);
demean = data - repmat(ave,[nx,1]);
% raw data using corrcoef ;
R = corrcoef(data);%相关系数
[V, Lambda] = eigsort(R);%特征值分解+ 把特征值矩阵的diag按从大到小排列，且返回对应的列号+把Lambda变成一个对角矩阵
PoV = diag(Lambda)/trace(Lambda);%求每个主成分的贡献
[PoV, cumsum(PoV)]
pc1 = V(:,1);
pc2 = V(:,2);
pc3 = V(:,3);
figure(1)
yline(0,'r-')
hold on
h1 = plot(pc1,'ro-','linewidth',1.5,'MarkerSize',3);
hold on
h2 = plot(pc2,'k*-.','linewidth',1.5,'MarkerSize',3);
hold on
h3 = plot(pc3,'b^:','linewidth',1.5,'MarkerSize',3);
hold off
legend([h1,h2,h3],{'pc1','pc2','pc3'})
xticks([1:13])
header = txt(1,:);
kind = txt(2:end,end);
xticklabels({'Chinese','Math','English','Physi.','Chem.','Bio.',...
'Politics','History','Geography','Music','Physical','Arts','Tech'})

figure(2)
scores = demean*V;
score1 = scores(:,1);
score2 = scores(:,2);
score3 = scores(:,3);
labels = kind;
scatter3(score1,score2,score3,'ro')
text(score1,score2,score3,labels)
xlabel('PC1')
ylabel('PC2')
zlabel('PC3')
title('PCA based on data*V')

% to demonstrate the without normalization, the seperation is worse.
figure(3)
R = cov(data);
[V, Lambda] = eigsort(R);
PoV = diag(Lambda)./trace(Lambda);
[PoV, cumsum(PoV)]
scores = data*V;
score1 = scores(:,1);
score2 = scores(:,2);
score3 = scores(:,3);
labels = kind;
scatter3(score1,score2,score3,'ro')
text(score1,score2,score3,labels)
xlabel('PC1')
ylabel('PC2')
zlabel('PC3')
title('PCA based on cov(data)')
[coeff,sc,latent,tsquared,explained,mu] = pca(demean);

function [V, Lambda] = eigsort(R)
[V, Lambda] = eig(R);
[lambda, ilambda] = sort(diag(Lambda),'descend');
Lambda = diag(lambda);
V = V(:,ilambda);
end

箱式 demo

clear all; close all; clc
% A = rand(500,1);
A = normrnd(5,1,100,1);%正态随机数
B = normrnd(5,1,100,1);
Y = quantile(A,[0.25,0.5,0.75]); %quantile 分位数

w = 1.0 ;
% boxplot([A,B], 'Whisker',w)
boxplot(A, 'Whisker',w)% （认为是）合理值的范围 w越大则两个横线向上下延伸越多
q1 = Y(1);
q2 = Y(2);
q3 = Y(3);

text(1.1,q1,'25% percentile')
text(1.1,q2,'median')
text(1.1,q3,'75% percentile')

uwhickler = q3 + w * (q3 - q1);
dwhickler = q1 - w * (q3 - q1);
text(1.1, uwhickler, 'q3 + w * (q3 - q1)')
text(1.1, dwhickler, 'q1 - w * (q3 - q1)')

drawArrow = @(x,y) quiver( x(1),y(1),x(2)-x(1),y(2)-y(1),0 );

箱式图和阴影

load MLD1850.mat MLD lat lon
[Lat,Lon] = meshgrid(lat,lon) ;
ibig = find(MLD(:) >250);
MLD(ibig) = nan;
data = [Lat(:), MLD(:)] ;
ikp = find(~isnan(sum(data,2)) & ~isinf(sum(data,2)));

lat_kp = Lat(ikp);
mld_kp = MLD(ikp);
figure(1)
edges = linspace(min(lat_kp), max(lat_kp), 18);
% edges = min(lat_kp):10:max(lat_kp)+5;
[N,ibin] = histc(lat_kp,edges);
boxplot(mld_kp,ibin)
xticks(1:18)

xticklabels({'89.5S', '78.97S', '68.44S', '57.91S', '47.38S', '36.85S', ...
'26.32S', '15.79S', '5.26S', '5.26N', '15.79N', '26.32N', ...
'36.85N', '47.38N', '57.91N', '68.44N', '78.97N', '89.50N'});

for ji = 1:length(N)
ikp = find(ibin == ji);
ave(ji) = mean(mld_kp(ikp));
stdn(ji) = std(mld_kp(ikp));
end

figure(2)
inbetweenx = [1:length(edges), fliplr(1:length(edges))];
inbetweeny = [ave + stdn, fliplr(ave - stdn)];
fill(inbetweenx, inbetweeny,[0.9,0.9,0.9]);
hold on
plot(ave,':r^')
hold off
xticks(1:18)
xticklabels({'89.5S', '78.97S', '68.44S', '57.91S', '47.38S', '36.85S', ...
'26.32S', '15.79S', '5.26S', '5.26N', '15.79N', '26.32N', ...
'36.85N', '47.38N', '57.91N', '68.44N', '78.97N', '89.50N'});

mk Anomaly

addpath('~/Dropbox/myfunc')

fname = 'mlotst_Omon_CESM2-WACCM_historical_r2i1p1f1_gr_185001-201412.nc';

lat = ncread(fname,'lat');
lon = ncread(fname,'lon');
time = ncread(fname,'time');
MLD = ncread(fname,'mlotst',[1,1,1],[Inf,Inf,12]);

MLD_Jan = MLD(:,:,1);
MLD_Jul = MLD(:,:,7);

anom = permute(MLD_Jul - MLD_Jan,[2,1]) ;
pcolor(anom);colorbar;shading flat;
set(gca,'color','black')
%colormap(darkb2r(-500,500)); colorbar

pcolor作图和动画

clc;
clear;
fname='mlotst_Omon_CESM2-WACCM_historical_r2i1p1f1_gr_185001-201412.nc';
ncdisp(fname);
%ocean data regridded from native gx1v7 displaced pole grid (384x320
%latxlon) 如果把极点放在真正南北极点模型会产生很大的误差
lat=ncread(fname,'lat');%lat=ncread(fname,'lat',[1,1,1],[Inf,Inf,12]) 可以取出第一年的Data [long,lat,month]
lon=ncread(fname,'lon');
time=ncread(fname,'time');
MLD=ncread(fname,'mlotst');
MLD1=MLD(:,:,1);
figure(1);
pcolor(MLD1);colorbar;shading flat;%pcolor: pixel color
%shading faceted：默认模式，在曲面或图形对象上叠加黑色的网格线；
% shading flat：是在shading faceted的基础上去掉图上的网格线；
% shading interp：对曲面或图形对象的颜色着色进行色彩的插值处理，使色彩平滑过渡；
caxis([0 400]);

MLDp=permute(MLD1,[2,1,3]);%permute 指的是把矩阵中不同维度的数据进行交换这里是交换1,2维度
figure(2);
pcolor(MLDp);colorbar;shading flat;
caxis([0 400]);% 把colorbar的一部分归0

MLD=permute(MLD,[2,1,3]);
[x,y,z]=size(MLD);
figure(3);
% vidfile=VideoWriter('MLD_movie.mp4','MPEG-4');
% open(vidfile);
% for ji=1:20
% iMLD=MLD(:,:,ji);
% pcolor(iMLD);colorbar;shading flat;
% caxis([0 400]);%否则colorbar的数值会上下横跳
% drawnow;
% % pause(0.1);%去掉括号里的数字可以手动切图(用回车）
% F(ji)=getframe(gcf);%捕获坐标区或图窗作为影片帧
% writeVideo(vidfile,F(ji));
% end
% close(vidfile);
%save MLD1850 MLD lat lon;% MLD1850是文件名
MLD=MLD(:,:,1);
[Lat,Lon]=meshgrid(lat,lon);
ibig=find(MLD(:)>250);
MLD(ibig)=nan;

data=[Lat(:),MLD(:)];
ikp=find(~isnan(sum(data,2))&~isinf(sum(data,2)));%找到不是nan和inf的值

lat_kp=Lat(ikp);
mld_kp=MLD(ikp);
figure (1)
edges=linspace(min(lat_kp),max(lat_kp),18);
[N,ibin]=histc(lat_kp,edges);
get(gca)
boxplot(mld_kp,ibin)

xticks(1:18)
xticklabels({'89.50S','78.97S','68.44S','57.91S','47.38S','36.85S','26.32S',...
'15.79S','5.26S','5.25N','15.79N','26.32N','36.85N','47.38N','57.91N',...
'68.44N','78.97N','89.50N'})
for ji=1:length(N)
ikp=find(ibin==ji);
ave(ji)=mean(mld_kp(ikp));
stdn(ji)=std(mld_kp(ikp));
end
figure(2)
inbetweenx = [1:length(edges), fliplr(1:length(edges))];
inbetweeny = [ave + stdn, fliplr(ave - stdn)];
fill(inbetweenx, inbetweeny,[0.9,0.9,0.9]);
hold on
plot(ave,':r^')
hold off
xticks(1:18)
xticklabels({'89.5S', '78.97S', '68.44S', '57.91S', '47.38S', '36.85S', ...
'26.32S', '15.79S', '5.26S', '5.26N', '15.79N', '26.32N', ...
'36.85N', '47.38N', '57.91N', '68.44N', '78.97N', '89.50N'});
%load时同理

MATLAB中几种常见图形的绘制相关推荐

java简述常见的布局极其特点_请简要说明 Android 中五种常见布局的特点。_学小易找答案...
[简答题]请简要说明有序广播和无序广播的区别 [简答题]请简要说明 Android 程序结构中 AndroidManifest.xml 的功能? [简答题]简述李村站人工办理进路的作业过程. [简答题 ...
数据分析基础学习_Matplotlib_常见图形及绘制（折线图/散点图/柱状图/直方图/饼图）
1.3 常见图形及绘制 matplotlib可以绘制折线图.散点图.柱状图.直方图.饼图 1.3.1 常见图形种类及意义折线图:以折线的上升或下降来表示统计量的增减变化的统计图特点:可以显示数据的 ...
Java中 9 种常见的 CMS GC 问题分析与解决
目录 Java中 9 种常见的 CMS GC 问题分析与解决 1. GC 1.1 引言 1.2 概览 2. GC 基础 2.1 基础概念 2.2 JVM 内存划分 2.3 分配对象 2.4 收集对象 ...
matlab中几种求积分的方法
matlab中几种求积分的方法举例图形 Midpoint Rule Trapezoid Rule 13 Simpsons 利用integral 结果显示 matlab中几种求积分的方法最近看了几天 ...
unity3d中画线有几种方式_Spring RestTemplate中几种常见的请求方式
原文 https://segmentfault.com/a/1190000011093597 在Spring Cloud中服务的发现与消费一文中,当我们从服务消费端去调用服务提供者的服务的时候,使用了 ...
Spring RestTemplate中几种常见的请求方式
关注公众号[江南一点雨],专注于 Spring Boot+微服务以及前后端分离等全栈技术,定期视频教程分享,关注后回复 Java ,领取松哥为你精心准备的 Java 干货! 在Spring Cloud ...
Spring RestTemplate中几种常见的请求方式GET请求 POST请求 PUT请求 DELETE请求
Spring RestTemplate中几种常见的请求方式原文地址: https://blog.csdn.net/u012702547/article/details/77917939 版权声明:本 ...
java布尔类型比较器_浅谈Java中几种常见的比较器的实现方法
在java中经常会涉及到对象数组的排序问题,那么就涉及到对象之间的比较问题. 通常对象之间的比较可以从两个方面去看: 第一个方面:对象的地址是否一样,也就是是否引用自同一个对象.这种方式可以直接使用& ...
IoT物联网嵌入式设备中30种常见传感器模块简介及原理讲解
IoT物联网嵌入式设备中30种常见传感器模块简介及原理讲解 0.前言一.光学传感器模块: 1. 光敏传感器模块: 2. 红外避障模块 3. 循迹传感器模块 4. U型光电传感器模块 5. 红外接收模 ...

MATLAB中几种常见图形的绘制

plot

语法

说明

scatter3

语法

说明

MATLAB中几种常见图形的绘制相关推荐

最新文章

热门文章