Introdução O matplotlib é uma biblioteca de plotagem 2D em python que produz números de qualidade de publicação em uma variedade de formatos impressos e ambientes interativos em plataformas. O matplotlib pode ser usado em scripts python, o python eo shell ipython (ala MATLAB reg ou Mathematica reg8224), servidores de aplicativos web e seis toolkits de interface gráfica. Matplotlib tenta fazer coisas fáceis coisas fáceis e difíceis possíveis. Você pode gerar parcelas, histogramas, espectros de energia, gráficos de barras, diagramas de erro, gráficos de dispersão, etc, com apenas algumas linhas de código. Para uma amostragem, veja as capturas de tela. Galeria de miniaturas e diretório de exemplos Para traçar um gráfico simples, a interface pyplot fornece uma interface tipo MATLAB, especialmente quando combinada com IPython. Para o usuário avançado, você tem controle total de estilos de linha, propriedades de fonte, propriedades de eixos, etc, através de uma interface orientada a objetos ou através de um conjunto de funções familiares aos usuários do MATLAB. John Hunter (1968-2017) Em 28 de agosto de 2017, John D. Hunter, o criador do matplotlib, morreu devido a complicações decorrentes do tratamento do câncer, após uma breve mas intensa batalha contra essa terrível doença. John é sobrevivido por sua esposa Miriam, suas três filhas Rahel, Ava e Clara, suas irmãs Layne e Mary, e sua mãe Sarah. Se você se beneficiou de Johns muitas contribuições, por favor, dê graças da maneira que seria mais importante para ele. Considere fazer uma doação à John Hunter Technology Fellowship. Documentação de Instalação Esta é a documentação para matplotlib versão 1.5.3. Tentando aprender a fazer um tipo particular de enredo Confira a galeria. exemplos. Ou a lista de comandos de plotagem. Outros recursos de aprendizagem Existem muitos recursos de aprendizagem externos disponíveis, incluindo material impresso, vídeos e tutoriais. Precisa de ajuda matplotlib é um projeto acolhedor e inclusivo, e tentamos seguir o Código de Conduta da Python Software Foundation em tudo o que fazemos. Verifique as faq. Os documentos api, arquivos de lista de discussão. E juntar as listas de discussão matplotlib Usuários. Anunciar e Devel. Confira as perguntas do matplotlib no stackoverflow. A ferramenta de pesquisa pesquisa toda a documentação, incluindo pesquisa de texto completo de mais de 350 exemplos completos que exercem quase todos os cantos do matplotlib. Você pode arquivar bugs, patches e solicitações de recursos no github tracker. Mas é uma boa idéia para ping-nos sobre a lista de discussão também. Para manter-se atualizado com o que está acontecendo no matplotlib, veja a nova página ou navegue pelo código-fonte. Qualquer coisa que possa exigir alterações no seu código existente é registrada no arquivo de alterações da API. Toolkits Existem vários toolkits add-on matplotlib. Incluindo uma escolha de dois mapas de projeção e mapeamento de mapas de fundo e cartopy. 3d plotting com mplot3d. Eixos e ajudantes de eixos em axesgrid. Várias interfaces de alto nível plotando seaborn. Holoviews. Ggplot. e mais. Citando matplotlib matplotlib é a criação de John Hunter (1968-2017), que, juntamente com seus muitos contribuintes, colocaram uma quantidade imensurável de tempo e esforço na produção de um pedaço de software utilizado por milhares de cientistas em todo o mundo. Se matplotlib contribui para um projeto que leva a uma publicação científica, por favor, reconheça este trabalho citando o projeto. Você pode usar esta entrada de citação pronta. Open source A licença matplotlib é baseada na licença Python Software Foundation (PSF). Há uma comunidade de desenvolvedores ativos e uma longa lista de pessoas que fizeram contribuições significativas. O Matplotlib está hospedado no Github. Problemas e solicitações Pull são rastreados no Github também. MATLAB é uma marca registrada da The MathWorks, Inc. 8224 Mathematica é uma marca registrada da Wolfram Research, Inc. copy Copyright 2002 - 2017 John Hunter, Darren Dale, Eric Firing, Michael Droettboom ea equipe de desenvolvimento matplotlib 2017 - 2017 O desenvolvimento matplotlib equipe. Última atualização em Sep 20, 2017. Criado usando o Eixo Sphinx 1.4.6.numpy. average ao longo do qual a média. Se Nenhum. A média é feita sobre o arranjo achatado. Pesos. Arraylike, optional Uma matriz de pesos associados com os valores em a. Cada valor em a contribui para a média de acordo com seu peso associado. A matriz de pesos pode ser 1-D (caso em que seu comprimento deve ser o tamanho de um ao longo do eixo dado) ou da mesma forma como a. Se weightsNone. Então todos os dados em um são assumidos para ter um peso igual a um. devolvida . Bool, opcional O padrão é False. Se for verdade . A tupla (média de sumofweights) é retornada, caso contrário apenas a média é retornada. Se weightsNone. Sumofweights é equivalente ao número de elementos sobre os quais a média é tomada. Média, sumofweights. Arraytype ou double Retorna a média ao longo do eixo especificado. Quando retornado é True. Retorna uma tupla com a média como o primeiro elemento ea soma dos pesos como o segundo elemento. O tipo de retorno é Float se a for de tipo inteiro, caso contrário ele é do mesmo tipo que a. Sumofweights é do mesmo tipo que a média. Hmmm, parece que este citar para implementar função é realmente muito fácil de errar e tem promovido uma boa discussão sobre a eficiência da memória. I39m feliz por ter bloat se isso significa saber que something39s sido feito direito. Ndash Richard Sep 20 14 at 19:23 NumPys falta de uma determinada função específica de domínio é talvez devido à disciplina Core Teams e fidelidade à diretiva NumPys principal: fornecer um tipo de matriz N-dimensional. Bem como funções para criar e indexar essas matrizes. Como muitos objetivos fundacionais, este não é pequeno, e NumPy faz isso brilhantemente. O SciPy (muito maior) contém uma coleção muito maior de bibliotecas específicas de domínio (chamadas subpacotes por SciPy devs) - por exemplo, otimização numérica, processamento de sinal (sinal) e cálculo integral (integrar). Minha suposição é que a função que você está depois está em pelo menos um dos subpáginas SciPy (scipy. signal talvez) no entanto, eu iria olhar primeiro na coleção SciPy scikits. Identificar o (s) scikit (s) relevante (s) e procurar a função de interesse lá. Scikits são desenvolvidos independentemente pacotes baseados em NumPy / SciPy e dirigidos a uma determinada disciplina técnica (por exemplo, scikits-image. Scikits-learn, etc.) Vários destes foram (em particular, o incrível OpenOpt para otimização numérica) foram altamente considerado, maduro Projetos muito antes de escolher para residir sob a rubrica relativamente nova scikits. A página inicial do Scikits gostava de listar cerca de 30 scikits como esse. Embora pelo menos alguns deles já não estejam em desenvolvimento. Seguindo este conselho o levaria a scikits-timeseries no entanto, que o pacote não está mais em desenvolvimento ativo Em efeito, Pandas tornou-se, AFAIK, a biblioteca de série de facto NumPy tempo. Pandas tem várias funções que podem ser usadas para calcular uma média móvel o mais simples destes é provavelmente rollingmean. Que você usa assim: Agora, basta chamar a função rollingmean passando no objeto Series e um tamanho de janela. Que no meu exemplo abaixo é de 10 dias. Verificar que funcionou - por exemplo. Comparou os valores de 10 a 15 na série original versus a nova série suavizada com média de rolamento A função rollingmean, juntamente com cerca de uma dúzia de outras funções são agrupadas informalmente na documentação Pandas sob a rubrica move janela funciona um segundo grupo relacionado de funções Em Pandas é referido como funções exponencialmente ponderadas (eg ewma., Que calcula a média ponderada exponencialmente em movimento). O fato de que este segundo grupo não está incluído no primeiro (mover funções de janela) é talvez porque as transformações ponderadas exponencialmente não dependem de uma janela de comprimento fixo. Na minha última frase eu estava tentando indicar por que ele ajuda a flutuação de erro de ponto. Se dois valores são aproximadamente a mesma ordem de grandeza, então adicioná-los perde menos precisão do que se você adicionou um número muito grande para um muito pequeno. O código combina valores quotadjacentquot de uma forma que mesmo somas intermediárias devem sempre ser razoavelmente próximos em magnitude, para minimizar o erro de ponto flutuante. Nada é à prova de tolo, mas este método salvou um casal projetos muito mal implementados na produção. Ndash Mayur Patel Dec 15 14 at 17:22 Alleo: Em vez de fazer uma adição por valor, você estará fazendo dois. A prova é o mesmo que o problema de bit-flipping. No entanto, o ponto dessa resposta não é necessariamente desempenho, mas precisão. O uso de memória para a média de valores de 64 bits não excederia os 64 elementos no cache, portanto também é amigável no uso de memória. Ndash Mayur Patel Dec 29 14 às 17:04 UPD: soluções mais eficientes foram propostas por Alleo e jasaarim. Você pode usar np. convolve para isso: O argumento mode especifica como lidar com as arestas. Eu escolhi o modo válido aqui porque eu acho que é como a maioria das pessoas esperam correr significa trabalhar, mas você pode ter outras prioridades. Aqui está um gráfico que ilustra a diferença entre os modos: Você pode calcular uma corrida média com: Felizmente, numpy inclui uma função convolve que podemos usar para acelerar as coisas. A média de corrida é equivalente a convolver x com um vetor que é N longo, com todos os membros igual a 1 / N. A implementação numpy de convolve inclui o transiente inicial, então você tem que remover os primeiros N-1 pontos: Na minha máquina, a versão rápida é 20-30 vezes mais rápida, dependendo do comprimento do vetor de entrada e do tamanho da janela de média . Note que convolve não incluir um mesmo modo que parece que ele deve abordar a questão transitória de partida, mas ele divide-lo entre o início eo fim. Ele remove o transitório do final, eo início não tem um. Bem, eu acho que é uma questão de prioridades, eu não preciso do mesmo número de resultados à custa de obter uma inclinação para zero que não está lá nos dados. BTW, aqui está um comando para mostrar a diferença entre os modos: modos (39full39, 39same39, 39valid39) plot (convolve (ones ((200)), uns (50,)) 4750, modem) Eixo (-10, 251, -.1, 1.1) legenda (modos, loc39lower center39) (com pyplot e numpy importados). Ndash lapis Mar 24 14 at 13:56 pandas é mais adequado para isso do que NumPy ou SciPy. Sua função rollingmean faz o trabalho convenientemente. Ele também retorna um array NumPy quando a entrada é uma matriz. É difícil de bater o rollingmean no desempenho com qualquer implementação personalizada Python puro. Aqui está um exemplo de desempenho contra duas das soluções propostas: Existem também opções agradáveis sobre como lidar com os valores de limite. I39m sempre irritado pela função de processamento de sinal que retornam sinais de saída de forma diferente dos sinais de entrada quando ambas as entradas e saídas são da mesma natureza (por exemplo, ambos os sinais temporais). Ele quebra a correspondência com a variável independente relacionada (por exemplo, tempo, freqüência) tornando a plotagem ou comparação não uma questão direta. De qualquer maneira, se você compartilhar o sentimento, você pode querer mudar as últimas linhas da função proposta como ynp. convolve (w / w. sum (), s, mode39same39) return ywindowlen-1 :-( windowlen-1) ndash Christian O39Reilly 25 de agosto às 19:56 lapis sim, mas vamos dizer que você usar o método cumsum no primeiro tick e salvar a sua média de rolamento médio para o próximo carrapato. Cada carrapato depois disso você só tem que acrescentar o mais recente valor da média móvel para a sua matriz de rolamento em armazenamento. Usando este método você não está recalculando coisas que você já calculou: Na primeira vez que você cumsum depois disso, basta acrescentar o quotmean dos elementos do último período que é 2x mais rápido para todos os carrapatos subseqüentes. Ndash litepresence Jun 10 at 12: 29Os exemplos a seguir produzem uma média móvel dos valores WINDOW anteriores. Nós truncar o primeiro (WINDOW -1) valores desde que can8217t encontrar a média antes deles. (O comportamento padrão para convolução é assumir que os valores antes do início de nossa seqüência são 0). (Mais formalmente, construímos a seqüência y para a seqüência x onde yi (xi x (i1) 8230. x (in)) / n) Isso faz uso da função de convolução numpy8217s. Esta é uma operação de média móvel de propósito geral. A alteração de ponderações torna alguns valores mais importantes a compensação apropriadamente permite que você visualize a média em torno do ponto em vez de antes do ponto. Em vez de truncar os valores, podemos corrigir os valores iniciais no lugar, como ilustrado neste exemplo: Como este: Related Post navigation Deixe uma resposta Cancelar resposta Obrigado pela dica, achei útil Você tem um pequeno erro no seu exemplo de valor fixo inicial : 8220extendeddata8221 deve ser o que está sendo convolvido, não 8220data8221. Obrigado por descobrir que o I8217ve alterou o exemplo. Boa gorjeta, obrigado. Eu sabia que tinha que haver uma maneira otimizada para numpy calcular médias de rolamento. Dos docs (docs. scipy. org/doc/numpy/reference/generated/numpy. convolve), parece que sua receita pode ser ainda mais concisa usando a palavra-chave mode8221valid8221 em vez de cortar: gtgtgt WINDOW 10 gtgtgt data 1,2 , 3,4,5,5,5,5,5,5,5,5,5,5,5 gtgtgt ponderações numpy. repeat (1.0, WINDOW) / WINDOW gtgtgt numpy. convolve (dados, ponderações) WINDOW-1 (4. 4.4, 4.7, 4.9, 5. 5.) gtgtgt numpy. convolve (data, weightings, 8216valid8217) array (4. 4.4, 4.7, 4.9, 5. 5.)
No comments:
Post a Comment