Como usar a linha de tendência Matplotlib

Uma linha de tendência é uma linha criada ou logo abaixo dos picos cruéis ou pontos baixos para ilustrar a direção atual de avaliação. Para analistas técnicos, uma linha de tendência é um componente eficaz. Analistas podem identificar representações de linha de tendência para determinar a direção da tendência e as tendências subsequentes de salto. Durante o intervalo de tempo em consideração, os analistas escolhem dois pontos em um gráfico e conectam -os para formar um gráfico de linha.

Quando aceitamos um ponto menor em uma tendência, ele opera como uma linha de suporte. E quando selecionamos pontos mais altos, ele serve como uma linha de resistência. Como resultado, ele será usado para descobrir esses dois pontos em um gráfico. Vamos discutir o método de adicionar uma linha de tendência ao gráfico pelo uso de Matplotlib em Python.

Use Matplotlib para criar uma linha de tendência em um gráfico de dispersão:

Utilizaremos as funções polyfit () e poly1d () para adquirir os valores da linha de tendência no matplotlib para construir uma linha de tendência em um gráfico de dispersão. O código a seguir é um esboço de inserir uma linha de tendência em um gráfico de dispersão com grupos:

importar matplotlib.pyplot como plt
importar numpy como np
plt.rcparams ["figura.figSize "] = [8.50, 2.50]
plt.rcparams ["figura.AUTOLAYOUT "] = verdadeiro
a = np.aleatório.Rand (200)
b = np.aleatório.Rand (200)
fig, ax = pLT.subtramas ()
_ = ax.dispersão (a, b, c = a, cmap = 'arco -íris')
d = np.Polyfit (a, b, 1)
p = np.poli1d (d)
plt.plot (a, p (a), "m:*")
plt.mostrar()

Aqui, incluímos o Numpy e Matplotlib.Bibliotecas Pyplot. Matplotlib.Pyplot é um pacote gráfico usado para desenhar visualizações no Python. Podemos utilizá -lo em aplicativos e diferentes interfaces de usuário gráficas. A biblioteca Numpy fornece um grande número de tipos de dados numéricos que podemos utilizar para declarar matrizes.

Na próxima linha, ajustamos o tamanho da figura chamando a função PLT.rcparams (). A figura.figSize é passado como um parâmetro para esta função. Definimos o valor "true" para ajustar o espaçamento entre as subparcelas. Agora, pegamos duas variáveis. E então, fazemos conjuntos de dados do eixo x e do eixo. Os pontos de dados do eixo x são armazenados na variável "A", e os pontos de dados do eixo y são armazenados na variável "B". Isso pode ser concluído pelo uso da biblioteca Numpy. Fazemos um novo objeto da figura. E o enredo é criado aplicando o PLT.Função subparcela ().

Além disso, a função Scatter () é aplicada. Esta função compreende quatro parâmetros. O esquema de cores do gráfico também é especificado fornecendo "cmap" como um argumento para esta função. Agora, plotamos conjuntos de dados do eixo x e y. Aqui, ajustamos a linha de tendência de conjuntos de dados usando funções polyfit () e poly1d (). Utilizamos a função plot () para desenhar a linha de tendência.

Aqui, definimos o estilo de linha, a cor da linha e o marcador da linha de tendência. No final, mostraremos o seguinte gráfico com a ajuda do PLT.Mostrar () função:

Adicionar conectores gráficos:

Sempre que observamos um gráfico de dispersão, podemos querer identificar a direção geral que o conjunto de dados está indo em algumas situações. Embora se obtivemos uma representação clara dos subgrupos, a direção geral das informações disponíveis não será evidente. Inserimos uma linha de tendência para o resultado neste cenário. Nesta etapa, observamos como adicionamos conectores ao gráfico.

importar matplotlib.pyplot como plt
importar numpy como np
importar pylab como plb
A1 = 25 * NP.aleatório.Rand (60)
A2 = 25 * NP.aleatório.Rand (60) + 25
A3 = 20 * NP.aleatório.Rand (20)
x = np.Concatenado ((A1, A2, A3))
B1 = 25 * NP.aleatório.Rand (50)
B2 = 25 * NP.aleatório.Rand (60) + 25
B3 = 20 * NP.aleatório.Rand (20)
y = np.Concatenado ((A1, B2, B3))
plt.dispersão (x, y, s = [200], marcador = 'o')
z = np.Polyfit (x, y, 2)
p = np.Poly1D (Z)
plb.plot (x, p (x), 'r-.')
plt.mostrar()

No início do programa, importamos três bibliotecas. Estes incluem Numpy, Matplotlib.pyplot e matplotlib.pylab. Matplotlib é uma biblioteca Python que permite que os usuários criem representações gráficas dinâmicas e inovadoras. Matplotlib gera gráficos de alta qualidade com a capacidade de alterar os elementos visuais e o estilo.

O pacote Pylab integra o PyPlot e as bibliotecas Numpy em um domínio de fonte específico. Agora, tomamos três variáveis ​​para criar os conjuntos de dados do eixo x, que são realizados usando a função aleatória () da biblioteca Numpy.

Primeiro, armazenamos os pontos de dados na variável "A1". E então, os dados são armazenados em variáveis ​​"A2" e "A3", respectivamente. Agora, criamos uma nova variável que armazena todos os conjuntos de dados do eixo x. Utiliza a função concatenato () da biblioteca Numpy.

Da mesma forma, armazenamos conjuntos de dados do eixo y nas outras três variáveis. Criamos os conjuntos de dados do eixo y usando o método aleatom (). Além disso, concatenamos todos esses conjuntos de dados em uma nova variável. Aqui, vamos desenhar um gráfico de dispersão, por isso empregamos o PLT.Método Scatter (). Esta função possui quatro parâmetros diferentes. Passamos conjuntos de dados do eixo x e y nesta função. E também especificamos o símbolo do marcador que queremos ser desenhado em um gráfico de dispersão usando o parâmetro "marcador".

Fornecemos os dados ao método Numpy Polyfit (), que fornece uma variedade de parâmetros, "P". Aqui, ele otimiza o erro de diferença finita. Portanto, uma linha de tendência poderia ser criada. A análise de regressão é uma técnica estatística para determinar uma linha que está incluída dentro da faixa da variável instrutiva x. E representa a correlação entre duas variáveis, no caso do eixo x e do eixo y. A intensidade da congruência polinomial é indicada pelo terceiro argumento polyfit ().

Polyfit () retorna uma matriz, passada para a função poly1d () e determina os conjuntos de dados do eixo y original. Desenhamos uma linha de tendência no gráfico de dispersão utilizando a função plot (). Podemos ajustar o estilo e a cor da linha de tendência. Por último, empregamos o PLT.Mostrar () Método para representar o gráfico.

Conclusão:

Neste artigo, conversamos sobre as linhas de tendência de matplotlib com vários exemplos. Também discutimos como criar uma linha de tendência em um gráfico de dispersão pelo uso de funções polyfit () e poly1d (). No final, ilustramos correlações nos grupos de dados. Esperamos que você tenha achado este artigo útil. Verifique os outros artigos de dica do Linux para obter mais dicas e tutoriais.