绘制平滑 matplotlib 和 seaborn答案

【问题标题】：Plot smoothing matplotlib and seaborn绘制平滑 matplotlib 和 seaborn
【发布时间】：2020-08-31 02:23:49
【问题描述】：

我正在尝试以一种很好的方式显示我的数据，例如在 seaborn 文档中看到的：

我不太确定如何进行。我设法获得了点的值及其各自的标准差，但它看起来很分散，而我只想显示一个趋势：

我研究了 here 和 there 尝试应用建议的解决方案，但我无法使其发挥作用。

这是我玩的：

Final_array =         Mean       Std
0   0.739269  0.157892
1   0.807382  0.160464
2   0.800024  0.137239
3   0.825854  0.132472
4   0.864854  0.070544
..       ...       ...
95  0.797202  0.101961
96  0.747578  0.143394
97  0.751472  0.158651
98  0.587009  0.198987
99  0.728447  0.104601

sns.set(style="darkgrid", palette="muted", color_codes=True)
fig, ax = plt.subplots(figsize=(7,5))
y_pos = np.arange(Final_array.shape[0])
ax.errorbar(y_pos, Final_array[:,0], yerr=Final_array[:,1], elinewidth=0.5)
plt.show()

有人有想法吗？我是使用情节的初学者。可以平滑吗？并获得像 seaborn 图像中的漂亮叠加层而不是误差线？

这些可能是愚蠢的问题。

亲切的问候，

【问题讨论】：

为什么样条解决方案不适合您？
由于我的数据没有排序，我无法使用样条进行平滑处理。

标签： python matplotlib seaborn smoothing

【解决方案1】：

您可以使用fillbetween 平滑上下曲线。选择更高的sigma 会更流畅。

下面是一些示例代码：

import matplotlib.pyplot as plt
import numpy as np
from scipy.ndimage.filters import gaussian_filter1d

x = np.linspace(0, 100, 100)
y = 0.95 - ((50 - x) / 200) ** 2
err = (1 - y) / 2
y += np.random.normal(0, err / 10, y.size)

upper = gaussian_filter1d(y + err, sigma=3)
lower = gaussian_filter1d(y - err, sigma=3)

fig, ax = plt.subplots(ncols=2)

ax[0].errorbar(x, y, err, color='dodgerblue')

ax[1].plot(x, y, color='dodgerblue')
ax[1].fill_between(x, upper, lower, color='crimson', alpha=0.2)

plt.show()

【讨论】：

【解决方案2】：

感谢您的帮助！我设法生成了我想要的图表！

首先，样条线不起作用，因为我的数据没有排序。因此，我使用了@JohanC提出的gaussian_filter1d，也找到了here。然而，显然它可以改变数据（阅读here 的评论）所以我决定将这两个图一起绘制：

使用这个最终版本：

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.ndimage.filters import gaussian_filter1d

Final_array =         Mean       Std
0   0.739269  0.157892
1   0.807382  0.160464
2   0.800024  0.137239
3   0.825854  0.132472
4   0.864854  0.070544
..       ...       ...
95  0.797202  0.101961
96  0.747578  0.143394
97  0.751472  0.158651
98  0.587009  0.198987
99  0.728447  0.104601

sns.set(style="darkgrid", palette="muted", color_codes=True)
fig, ax = plt.subplots(figsize=(7,5))
y_pos = np.arange(Final_array.shape[0])

# Smoothing
Final_array_smooth = gaussian_filter1d(Final_array[:,0], sigma=2)

# Error formating
upper_err = gaussian_filter1d(Final_array[:,0] + (Final_array[:,1]/2), sigma=5)
lower_err = gaussian_filter1d(Final_array[:,0] - (Final_array[:,1]/2), sigma=5)

ax.plot(y_pos, Final_array[:,0], '--', linewidth=0.7, color='k', alpha=0.45)
ax.plot(y_pos, Final_array_smooth)
ax.fill_between(y_pos, upper_err, lower_err, color='crimson', alpha=0.2)

ax.set_ylim(np.min(Final_array[:,0])-(np.min((Final_array[:,0])*20)/100), np.max(Final_array[:,0])+(np.max((Final_array[:,0])*10)/100))
plt.show()

非常感谢！

【讨论】：