11.16~11.19绘制图表，导入EXCEL中数据，进行拟合

2023-11-20 13:12
文章标签 进行 数据 excel 图表 绘制 导入 拟合 11.19 11.16

本文主要是介绍11.16~11.19绘制图表，导入EXCEL中数据，进行拟合，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

这个错误通常是由于传递给curve_fit函数的数据类型不正确引起的。根据你提供的代码和错误信息，有几个可能的原因：

  1. 数据类型错误：请确保ce_data、lg_data和product_data是NumPy数组或类似的可迭代对象，且其元素的数据类型为浮点数。你可以使用print(type(ce_data))等语句检查数据类型。

  2. 数据维度不匹配：curve_fit函数的第一个参数是要拟合的模型函数，其后的参数应该是要拟合的数据。根据你的代码，模型函数是reaction_model，而数据是(ce_data, lg_data)和product_data。请确保数据的维度匹配，即ce_data、lg_data和product_data具有相同的长度或形状。

  3. 数据元素过于复杂：错误信息中的"object too deep for desired array"提示可能是由于数据元素过于复杂而导致的。在使用curve_fit函数之前，确保数据不包含任何复杂对象或嵌套结构。如果数据中包含复杂对象，可以尝试将其转换为简单的数值或处理数据以满足函数的要求。

检查以上可能的原因，并根据需要调整代码和数据类型，以解决这个错误。

绘制图表

  • fig = plt.figure() 创建一个新的图形窗口。
  • ax = fig.add_subplot(111, projection='3d') 在图形窗口中添加一个三维子图（子图索引为111），并指定投影方式为3D。
  • ax.scatter(x1, x2, y, c='b', marker='o') 在三维子图中绘制散点图，其中x1和x2表示两个自变量的值，y表示因变量的值。参数c设置散点的颜色为蓝色（'b'），marker设置散点的形状为圆形（'o'）。

多项式回归

将excel导入进python

只有excel和py的主文件在同一目录下时才可以只写文件名，不然就必须写地址，即使在桌面上也不可以

data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')

还有就是地址可以用/，用\可能会出现转义字符 

import pandas as pd
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression# 读取Excel文件
data = pd.read_excel('data.xlsx')# 提取自变量和因变量数据
X = data['自变量列名'].values.reshape(-1, 1)  # 将自变量数据转换为二维数组
Y = data['因变量列名'].values.reshape(-1, 1)  # 将因变量数据转换为二维数组# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)# 拟合模型
model = LinearRegression()
model.fit(X_poly, Y)# 进行预测
Y_pred = model.predict(X_poly)# 打印拟合结果
print(Y_pred)# 可以继续进行可视化等操作...
# 生成一系列连续的自变量值，用于绘制曲线
X_plot = np.linspace(0, 1.2, 100).reshape(-1, 1)
X_plot_poly = poly_features.transform(X_plot)# 进行预测
Y_pred = model.predict(X_plot_poly)# 绘制原始数据点
plt.scatter(X, Y, color='blue', label='原始数据')# 绘制拟合曲线
plt.plot(X_plot, Y_pred, color='red', label='拟合曲线')# 设置图例和标签
plt.legend()
plt.xlabel('自变量')
plt.ylabel('因变量')
plt.title('多项式回归拟合')# 显示图形
plt.show()
import pandas as pd
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
# 读取Excel文件
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')# 提取自变量和因变量数据
X = data['DFA/CS'].values.reshape(-1, 1)  # 将自变量数据转换为二维数组
Y = data['Tar yield'].values.reshape(-1, 1)  # 将因变量数据转换为二维数组# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)# 拟合模型
model = LinearRegression()
model.fit(X_poly, Y)# 进行预测
Y_pred = model.predict(X_poly)# 打印拟合结果
print(Y_pred)# 可以继续进行可视化等操作...
# 生成一系列连续的自变量值，用于绘制曲线
X_plot = np.linspace(0, 1.2, 100).reshape(-1, 1)
X_plot_poly = poly_features.transform(X_plot)# 进行预测
Y_pred = model.predict(X_plot_poly)# 绘制原始数据点
plt.scatter(X, Y, color='blue', label='point')# 绘制拟合曲线
plt.plot(X_plot, Y_pred, color='red', label='curve')# 设置图例和标签
plt.legend()
plt.xlabel('DFA/CS')
plt.ylabel('Tar yelid')
plt.title('curve')# 显示图形
plt.show()

在从Excel提取自变量和因变量后，将它们转换为二维数组的原因是为了与某些库和函数的要求相匹配。

许多机器学习和数据分析库（如scikit-learn、NumPy等）通常期望输入数据是二维数组的形式，其中每个样本位于行中，每个特征位于列中。通过将自变量和因变量转换为二维数组，可以将数据结构化并满足库和函数的要求。

对于自变量，如果你只有一个自变量列，你可以使用NumPy的`reshape`函数将其转换为二维数组。假设自变量数组为`X`，你可以使用以下代码转换为二维数组：

```python
import numpy as np
X = np.array(X).reshape(-1, 1)
```

这将将`X`数组从一维数组转换为二维数组，其中样本位于行中，特征位于列中。`-1`参数表示自动推断行数，`1`表示列数为1。

对于因变量，如果你有多个因变量列，你可以将它们合并为一个二维数组。假设因变量数组为`Y1`、`Y2`、`Y3`，你可以使用以下代码将它们合并为一个二维数组：

```python
import numpy as np
Y = np.column_stack((Y1, Y2, Y3))
```

这将使用`column_stack`函数将`Y1`、`Y2`和`Y3`列堆叠在一起，形成一个二维数组，其中每个列对应一个因变量。

通过将自变量和因变量转换为二维数组，你可以更方便地使用各种库和函数进行数据分析、建模和拟合操作。

希望这能解答你的问题！如果还有其他问题，请随时提问。

import pandas as pd
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
# 读取Excel文件
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')# 提取自变量和因变量数据
X = data['DFA/CS'].values. Reshape(-1, 1)  # 将自变量数据转换为二维数组
Y1 = data['Tar yield'].values. Reshape(-1, 1)  # 将因变量数据转换为二维数组
Y2 = data['Water yield'].values. Reshape(-1, 1)
Y3 = data['Char yield'].values. Reshape(-1, 1)
Y4 = data['Syngas yield'].values.reshape(-1, 1)
# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)# 拟合模型
model = LinearRegression()
model.fit(X_poly, Y1)
model.fit(X_poly, Y2)
model.fit(X_poly, Y3)
model.fit(X_poly, Y4)
# 进行预测
Y_pred = model.predict(X_poly)# 打印拟合结果
print(Y_pred)# 可以继续进行可视化等操作...
# 生成一系列连续的自变量值，用于绘制曲线
X_plot = np.linspace(0, 1.2, 100).reshape(-1, 1)
X_plot_poly = poly_features.transform(X_plot)# 进行预测
Y_pred = model.predict(X_plot_poly)# 绘制原始数据点
plt.scatter(X, Y, color='blue', label='point')# 绘制拟合曲线
plt.plot(X_plot, Y_pred, color='red', label='curve')# 设置图例和标签
plt.legend()
plt.xlabel('DFA/CS')
plt.ylabel('Tar yelid')
plt.title('curve')# 显示图形
plt.show()
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit# 从Excel文件中读取数据
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')# 提取自变量数据列
x = data['DFA/CS'].values# 提取多个因变量数据列
y_columns = ['Tar yield', 'Water yield', 'Char yield','Syngas yield']  # 替换为实际的数据列名称# 自定义拟合函数
def func(x, a, b):return a * x + b# 创建图形窗口和子图
fig, axs = plt.subplots(len(y_columns), 1, figsize=(8, 6), sharex=True)# 遍历每个因变量数据列
for i, y_column in enumerate(y_columns):# 提取因变量数据列y = data[y_column].values# 执行拟合params, _ = curve_fit(func, x, y)# 生成拟合曲线fit = func(x, *params)# 绘制原始数据点和拟合曲线axs[i].scatter(x, y, label='Data')axs[i].plot(x, fit, label='Fit')# 添加图例axs[i].legend()# 设置整体图形的标题和横轴标签
fig.suptitle('Fitted Curves')
plt.xlabel('X')# 调整子图之间的间距
plt.tight_layout()# 显示图形
plt.show()

得到EXCEL中，

每个单元格在其所在行中的占比

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit# 从Excel文件中读取数据
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')# 提取自变量数据列
x = data['DFA/CS'].values# 提取多个因变量数据列
y_columns = ['Tar yield', 'Water yield', 'Char yield','Syngas yield']  # 替换为实际的数据列名称# 多项式拟合阶数
degree = 2# 创建图形窗口和子图
fig, axs = plt.subplots(len(y_columns), 1, figsize=(8, 6), sharex=True)# 遍历每个因变量数据列
for i, y_column in enumerate(y_columns):# 提取因变量数据列y = data[y_column].values# 执行拟合coeffs = np.polyfit(x, y, degree)poly = np.poly1d(coeffs)fit = poly(x)# 绘制原始数据点和拟合曲线axs[i].scatter(x, y, label='Data')axs[i].plot(x, fit, label='Fit')# 添加图例axs[i].legend()# 输出拟合函数的具体信息print(f"Fitted function for {y_column}:")print(poly)# 设置整体图形的标题和横轴标签
fig.suptitle('Fitted Curves')
plt.xlabel('X')# 调整子图之间的间距
plt.tight_layout()# 显示图形
plt.show()
import pandas as pd
import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt# 自定义指数函数
def exponential_func(x, a, b, c):return a * np.exp(b * x) + c# 从Excel文件中读取数据
df = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')
x_data = df['DFA/CS'].values
y_data = df[['Tar yield', 'Water yield', 'Char yield','Syngas yield']].values.Tprint(x_data,y_data)
# 创建子图
fig, axs = plt.subplots(2, 2, figsize=(10, 8))# 针对每个因变量进行拟合和绘图
for i, ax in enumerate(axs.flat):y = y_data[i]  # 当前因变量的数据# 进行拟合popt, pcov = curve_fit(exponential_func, x_data, y, maxfev=10000)  # 增加maxfev的值# 绘制拟合曲线x_fit = np.linspace(min(x_data), max(x_data), 100)y_fit = exponential_func(x_fit, *popt)ax.plot(x_fit, y_fit, label='Fit Curve')# 绘制原始数据点ax.scatter(x_data, y, label='Data')# 显示方程信息equation_info = f'y = {popt[0]:.2f} * exp({popt[1]:.2f} * x) + {popt[2]:.2f}'ax. Text(2, max(y) / 2, equation_info)ax.set_xlabel('x')ax.set_ylabel('y')ax.set_title(f'Fit Curve for Variable {i+1}')ax.legend()# 调整子图布局
plt.tight_layout()# 显示图表
plt.show()
return a * np.exp(-(x - b)**2 / (2 * c**2)) + d
# 非线性最小二乘拟合
popt, pcov = curve_fit(exponential_func, x_data, y_data, maxfev=100000,p0=(1, -1, 1))

拟合时初始值很重要

curve_fit就是最小二乘拟合

对于单调减的初始值设为-1，开始时增加的，设为1

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fitx_data = np.array([0., 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.])
y_data = np.array([19.46, 17.25, 15.43, 14.14, 13.89, 13.21, 12.84, 12.57, 12.13])def exponential_func(x, a, b, c, d):return a * np.exp(b * x + d) + cpopt, pcov = curve_fit(exponential_func, x_data, y_data, p0=(1, -1, 1, 0))a_fit, b_fit, c_fit, d_fit = popt
expression = f"{a_fit:.4f} * exp({b_fit:.4f} * x + {d_fit:.4f}) + {c_fit:.4f}"
print("expression：", expression)x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = exponential_func(x_fit, *popt)plt.plot(x_fit, y_fit, label='Predicted value')
plt.scatter(x_data, y_data, label='Actual')
plt.xlabel('Mixing ratio of DFA/CS')
plt.ylabel('Tar yield')
plt.title('Kinetic model')
plt.legend()
plt.show()y_pred = exponential_func(x_data, *popt)
comparison_table = np.column_stack((x_data, y_data, y_pred))
print("\nA table comparing predicted values to actual values：")
print("r     Actual      Predicted value")
print("-------------------------")
for row in comparison_table:print(f"{row[0]:.1f}    {row[1]:.2f}    {row[2]:.2f}")

多元线性回归拟合以及摘要 

import pandas as pd
import numpy as np
import statsmodels.api as sm
# 指定 Excel 文件路径
excel_file = 'C:/Users/26861/Desktop/Annex II-Pyrolysis Gas Yields of Three Pyrolysis Combinations.xlsx'
# 提取 X 列的数据作为自变量
df = pd.read_excel(excel_file)X = df[['H2CE', 'H2LG']]
y = df['H2CS']# 添加常数列
X = sm.add_constant(X)# 拟合多元线性回归模型
model = sm.OLS(y, X)
results = model.fit()# 打印回归结果摘要
print(results.summary())
equation = 'y = {:.4f} + {:.4f}*X1 + {:.4f}*X2 '.format(results.params['const'], results.params['H2CE'], results.params['H2LG'])
print(equation)

这篇关于11.16~11.19绘制图表，导入EXCEL中数据，进行拟合的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/394856。

相关文章

大模型研发全揭秘：客服工单数据标注的完整攻略

大模型研发全揭秘：客服工单数据标注的完整攻略

在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
阅读更多...
基于MySQL Binlog的Elasticsearch数据同步实践

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展，我们的业务数据越来越多，单纯使用 MySQL 已经不能满足我们的数据查询需求，例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后，随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步，我们目前的解决方案是建立数据中间表。把需要检索的业务数据，统一放到一张M
阅读更多...
关于数据埋点，你需要了解这些基本知识

关于数据埋点，你需要了解这些基本知识

产品汪每天都在和数据打交道，你知道数据来自哪里吗？ 移动app端内的用户行为数据大多来自埋点，了解一些埋点知识，能和数据分析师、技术侃大山，参与到前期的数据采集，更重要是让最终的埋点数据能为我所用，否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式，可以区分为： 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理：自动程度高的，能解决通用统计，便于统一化管理，但个性化定
阅读更多...
python: 多模块(.py)中全局变量的导入

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别： 当你在一个模块（文件）中使用 global 声明变量时，这个变量只在该模块的全局命名空
阅读更多...
使用SecondaryNameNode恢复NameNode的数据

使用SecondaryNameNode恢复NameNode的数据

1）需求： NameNode进程挂了并且存储的数据也丢失了，如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2）故障模拟 （1）kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 （2）删除NameNode存储的数据（/opt/module/hadoop-3.1.4/data/tmp/dfs/na
阅读更多...
异构存储（冷热数据分离）

异构存储（冷热数据分离）

异构存储主要解决不同的数据，存储在不同类型的硬盘中，达到最佳性能的问题。 异构存储Shell操作 （1）查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies （2）为指定路径（数据存储目录）设置指定的存储策略 hdfs storagepolicies -setStoragePo
阅读更多...
Hadoop集群数据均衡之磁盘间数据均衡

Hadoop集群数据均衡之磁盘间数据均衡

生产环境，由于硬盘空间不足，往往需要增加一块硬盘。刚加载的硬盘没有数据时，可以执行磁盘数据均衡命令。（Hadoop3.x新特性） plan后面带的节点的名字必须是已经存在的，并且是需要均衡的节点。 如果节点不存在，会报如下错误： 如果节点只有一个硬盘的话，不会创建均衡计划： （1）生成均衡计划 hdfs diskbalancer -plan hadoop102 （2）执行均衡计划 hd
阅读更多...
【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯，先赞后看哦~🎈🎈 🏆 作者简介：景天科技苑 🏆《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，CSDN全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。 🏆《博客》：Python全栈，前后端开发，小程序开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi
阅读更多...
业务中14个需要进行A/B测试的时刻[信息图]

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中，我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试，如何有效地规划和启动测试，如何评估测试是否成功，您应该关注哪些指标，多年来我们发现的常见错误等等。 什么是A/B测试？ A/B测试（有时称为“分割测试”）是一种实验类型，其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体，以查看哪一种效果最好。 本质上，A/B测
阅读更多...
烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集，专门用于烟火目标检测，是一个非常有价值的资源，尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍： 数据集名称：烟火目标检测数据集 数据集规模： 图片数量：7800张类别：主要包含烟火类目标，可能还包括其他相关类别，如烟火发射装置、背景等。格式：图像文件通常为JPEG或PNG格式；标注文件可能为X
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2