我有以下绘制图表的简单脚本：
import matplotlib.pyplot as plt
import numpy as np
T = np.array([6, 7, 8, 9, 10, 11, 12])
power = np.array([1.53E+03, 5.92E+02, 2.04E+02, 7.24E+01, 2.72E+01, 1.10E+01, 4.70E+00])
plt.plot(T,power)
plt.show()
就像现在一样，这条线从一个点直接延伸到另一个点，看起来不错，但在我看来可能会更好。我想要的是平滑点之间的线。在 Gnuplot 中，我会使用smooth cplines.
在 PyPlot 中是否有一种简单的方法可以做到这一点？我找到了一些教程，但它们似乎都相当复杂。
您可以scipy.interpolate.spline自己使用平滑数据：
from scipy.interpolate import spline
# 300 represents number of points to make between T.min and T.max
xnew = np.linspace(T.min(), T.max(), 300)
power_smooth = spline(T, power, xnew)
plt.plot(xnew,power_smooth)
plt.show()
spline 在 scipy 0.19.0 中已弃用，请改用 BSpline 类。
从 切换spline到BSpline不是一个简单的复制/粘贴，需要一些调整：
from scipy.interpolate import make_interp_spline, BSpline
# 300 represents number of points to make between T.min and T.max
xnew = np.linspace(T.min(), T.max(), 300)
spl = make_interp_spline(T, power, k=3) # type: BSpline
power_smooth = spl(xnew)
plt.plot(xnew, power_smooth)
plt.show()
前：
后：
对于此示例样条曲线效果很好，但如果函数本身不平滑并且您想要平滑版本，您也可以尝试：
from scipy.ndimage.filters import gaussian_filter1d
ysmoothed = gaussian_filter1d(y, sigma=2)
plt.plot(x, ysmoothed)
plt.show()
如果增加 sigma，您可以获得更平滑的函数。
谨慎行事。它会修改原始值，可能不是您想要的。
有关一些示例，请参阅scipy.interpolate文档。
以下示例演示了其用于线性和三次样条插值的用途：
import matplotlib.pyplot as plt import numpy as np from scipy.interpolate import interp1d # Define x, y, and xnew to resample at. x = np.linspace(0, 10, num=11, endpoint=True) y = np.cos(-x**2/9.0) xnew = np.linspace(0, 10, num=41, endpoint=True) # Define interpolators. f_linear = interp1d(x, y) f_cubic = interp1d(x, y, kind='cubic') # Plot. plt.plot(x, y, 'o', label='data') plt.plot(xnew, f_linear(xnew), '-', label='linear') plt.plot(xnew, f_cubic(xnew), '--', label='cubic') plt.legend(loc='best') plt.show()
稍作修改以提高可读性。
这是日期的简单解决方案：
from scipy.interpolate import make_interp_spline
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as dates
from datetime import datetime
data = {
datetime(2016, 9, 26, 0, 0): 26060, datetime(2016, 9, 27, 0, 0): 23243,
datetime(2016, 9, 28, 0, 0): 22534, datetime(2016, 9, 29, 0, 0): 22841,
datetime(2016, 9, 30, 0, 0): 22441, datetime(2016, 10, 1, 0, 0): 23248
}
#create data
date_np = np.array(list(data.keys()))
value_np = np.array(list(data.values()))
date_num = dates.date2num(date_np)
# smooth
date_num_smooth = np.linspace(date_num.min(), date_num.max(), 100)
spl = make_interp_spline(date_num, value_np, k=3)
value_np_smooth = spl(date_num_smooth)
# print
plt.plot(date_np, value_np)
plt.plot(dates.num2date(date_num_smooth), value_np_smooth)
plt.show()
另一种方法，根据您使用的参数稍微修改函数：
from statsmodels.nonparametric.smoothers_lowess import lowess
def smoothing(x, y):
lowess_frac = 0.15 # size of data (%) for estimation =~ smoothing window
lowess_it = 0
x_smooth = x
y_smooth = lowess(y, x, is_sorted=False, frac=lowess_frac, it=lowess_it, return_sorted=False)
return x_smooth, y_smooth
对于我的特定应用案例，这比其他答案更适合。
值得您花时间查看seaborn以绘制平滑线。
seaborn lmplot函数将绘制数据和回归模型拟合。
下面说明了多项式拟合和lowess拟合：
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
T = np.array([6, 7, 8, 9, 10, 11, 12])
power = np.array([1.53E+03, 5.92E+02, 2.04E+02, 7.24E+01, 2.72E+01, 1.10E+01, 4.70E+00])
df = pd.DataFrame(data = {'T': T, 'power': power})
sns.lmplot(x='T', y='power', data=df, ci=None, order=4, truncate=False)
sns.lmplot(x='T', y='power', data=df, ci=None, lowess=True, truncate=False)
order = 4多项式拟合过度拟合这个玩具数据集。我没有在这里展示它，但order = 2给出order = 3了更糟糕的结果。
拟合欠拟合这个lowess = True小数据集，但可能会在更大的数据集上给出更好的结果。
查看seaborn 回归教程以获取更多示例。
我发现的最简单的实现之一是使用 Tensorboard 使用的指数移动平均线：
def smooth(scalars: List[float], weight: float) -> List[float]: # Weight between 0 and 1
last = scalars[0] # First value in the plot (first timestep)
smoothed = list()
for point in scalars:
smoothed_val = last * weight + (1 - weight) * point # Calculate smoothed value
smoothed.append(smoothed_val) # Save it
last = smoothed_val # Anchor the last smoothed value
return smoothed
ax.plot(x_labels, smooth(train_data, .9), x_labels, train_data)
