改为在一个图中建立两条折线:import xlrd import numpy as np import matplotlib.pyplot as plt wb = xlrd.open_workbook("年度新生人口和死亡人口.xls") sheet = wb.sheet_by_index(0) col_0 = sheet.col_values(0)[1:] col_1 = sheet.col_values(1)[1:] col_2 = sheet.col_values(2)[1:] year = [int(c[0:-1]) for c in col_0] add = [int(c[0:-1]) for c in col_1] die = [int(c[0:-1]) for c in col_2] plt.rcParams['font.sans-serif'] = 'SimHei' plt.rcParams['axes.unicode_minus'] = False plt.title('年度新生人口和死亡人口', fontsize=12) plt.xlabel('单位(年)', fontsize=12) plt.ylabel('单位(万)', fontsize=12) fig, plt = plt.subplots(figsize=(8, 4), dpi=80, facecolor=(0.92, 0.92, 0.96)) plt.set_xlim([1940, 2020]) plt.set_ylim([500, 3000]) plt.set_xticks(np.arange(1940, 2020, 10)) plt.set_yticks(np.arange(500, 3000, 500)) plt.plot(year, add, marker=',', linestyle='-', linewidth=1.2) plt.plot(year, die, color='m', marker=',', linestyle='-', linewidth=1.2) plt.legend(['新生人口', '死亡人口'], fontsize=12) plt.show()

时间: 2024-03-03 14:50:10 浏览: 24
> list = new ArrayList<>(set); Collections.sort(list); StringBuilder builder = new StringBuilder(); for (String item : list) { builder.append(item).append(","); } return builder.toString(); } // 输出结果到文件 static void writeimport xlrd import numpy as np import matplotlib.pyplot as plt wb = xlrd.open_workbook("年度新生人口DFA(String fileName) throws IOException { BufferedWriter writer = new BufferedWriter(new FileWriter(fileName)); for (int i = 0; i和死亡人口.xls") sheet = wb.sheet_by_index(0) col_0 = sheet.col_values(0)[1 < stateList.size(); i++) { writer.write("State " + i + ":\n"); Set<String> set = stateList:] col_1 = sheet.col_values(1)[1:] col_2 = sheet.col_values(2)[1:] year.get(i); for (String item : set) { writer.write(item + "\n"); } writer.write("\n"); = [int(c) for c in col_0] add = [int(c) for c in col_1] die = if (transitionTable.get(i) != null) { for (String symbol : transitionTable.get(i).keySet()) { [int(c) for c in col_2] plt.rcParams['font.sans-serif'] = 'SimHei' plt.rcParams writer.write("On " + symbol + ", go to State " + transitionTable.get(i).get(symbol) + "\n"); } ['axes.unicode_minus'] = False plt.title('年度新生人口和死亡人口', fontsize=12) writer.write("\n"); } } writer.write("Terminal items:\n"); for (String symbol : terminalMap.keySetplt.xlabel('单位(年)', fontsize=12) plt.ylabel('单位(万)', fontsize=12) fig, ax()) { writer.write(symbol + ":\n"); for (String item : terminalMap.get(symbol)) { writer.write(item + = plt.subplots(figsize=(8, 4), dpi=80, facecolor=(0.92, 0.92, 0. "\n"); } writer.write("\n"); } writer.close(); } } ``` 该代码实现了LR96)) ax.set_xlim([1940, 2020]) ax.set_ylim([500, 3000]) ax.set_xt(0)活前缀DFA的构造,读取输入文件的内容是一个普通的文法,输出文件的icks(np.arange(1940, 2020, 10)) ax.set_yticks(np.arange(500, 3000, 内容是输入文法的活前缀DFA。需要注意的是,该代码仅仅实现了DFA的构造500)) ax.plot(year, add, linewidth=1.2, label='新生人口') ax.plot(year, die,,没有进行语法分析。对于给定的输入文法,输出文件可能会很大,需要注意内存限制。 运行以上代码,得到的输出文件如下: ``` State 0: S' -> .S On S linewidth=1.2, label='死亡人口') plt.legend(fontsize=12) plt.show() 主要修改的地方有: 1. 在创建子图时,将“plt”改为“ax”,因为“plt”在前, go to State 1 State 1: S -> .E E -> .E + T E -> .T T -> .T * F T -> .F F -> .( E ) F -> .id On E, go to State 2 On T, go to State 3 On F, go to State 4 On (, go to State 5 On id, go to State 6 State 2: S -> E. On $, go to State 7 State 3面已经被赋值为“matplotlib.pyplot”,而子图的对象是“matplotlib.axes.Axes”,应该使用“ax”代替“plt”。 2. 将两条折线的标签放到了“ax.plot()”函数中,并且不需要指定颜色和标记,因为这些都可以用默认值。同时,将标签放到了legend()函数中,不需要指定每条折线的颜色和标记。

相关推荐

import numpy as np import xlrd import matplotlib.pyplot as plt from sklearn.feature_selection import RFE from sklearn.ensemble import RandomForestClassifier from sklearn.svm import SVC from sklearn.linear_model import LogisticRegression from sklearn.model_selection import cross_val_score def excel2m(path):#读excel数据转为矩阵函数 data = xlrd.open_workbook(path) table = data.sheets()[0] # 获取excel中第一个sheet表 nrows = table.nrows # 行数 ncols = table.ncols # 列数 datamatrix = np.zeros((nrows, ncols)) for x in range(ncols): cols = table.col_values(x) cols1 = np.matrix(cols) # 把list转换为矩阵进行矩阵操作 datamatrix[:, x] = cols1 # 把数据进行存储 return datamatrix x=excel2m("factors.xlsx") x=np.matrix(x) y=excel2m("RON.xlsx") y=np.matrix(y) rfc=RandomForestClassifier(n_estimators=10,random_state=0) score=[] for i in range(1,200,10): rfe = RFE(estimator=rfc, n_features_to_select=i, step=10).fit(x, y.astype('int')) rfe.support_.sum() rfe.ranking_ x_wrapper=rfe.transform(x) once=cross_val_score(rfc,x_wrapper,y.astype('int'),cv=5).mean() score.append(once) plt.figure(figsize=[20,5]) plt.plot(range(1,200,10),score) plt.xticks(range(1,200,10)) plt.show() np.savetxt('score.csv', score, delimiter = ',') # 确定选择特征数量后,看各个特征得分排名 # 每个特征的得分排名,特征得分越低(1最好),表示特征越好 #print(rfe.ranking_) #np.savetxt('ranking.csv', rfe.ranking_, delimiter = ',') # 每次交叉迭代各个特征得分 #print(rfe.grid_scores_) #np.savetxt('grid_scores.csv', rfe.grid_scores_, delimiter = ',')

import numpy as npimport pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.svm import SVCfrom sklearn.metrics import accuracy_score, confusion_matriximport matplotlib.pyplot as pltimport xlrd# 加载数据集并进行预处理def load_data(filename): data = pd.read_excel(filename) data.dropna(inplace=True) X = data.drop('label', axis=1) X = (X - X.mean()) / X.std() y = data['label'] return X, y# 训练SVM分类器def train_svm(X_train, y_train, kernel='rbf', C=1, gamma=0.1): clf = SVC(kernel=kernel, C=C, gamma=gamma) clf.fit(X_train, y_train) return clf# 预测新的excel文件并输出预测结果excel、精度和混淆矩阵图def predict_svm(clf, X_test, y_test, filename): y_pred = clf.predict(X_test) accuracy = accuracy_score(y_test, y_pred) cm = confusion_matrix(y_test, y_pred) # 输出预测结果excel data = pd.read_excel(filename) data['predicted_label'] = pd.Series(y_pred, index=data.index) data.to_excel('predicted_result.xlsx', index=False) # 绘制混淆矩阵图 plt.imshow(cm, cmap=plt.cm.Blues) plt.title('Confusion matrix') plt.colorbar() tick_marks = np.arange(len(set(y_test))) plt.xticks(tick_marks, sorted(set(y_test)), rotation=45) plt.yticks(tick_marks, sorted(set(y_test))) plt.xlabel('Predicted Label') plt.ylabel('True Label') plt.show() return accuracy# 加载数据集并划分训练集和验证集data = pd.read_excel('data.xlsx')data.dropna(inplace=True)X = data.drop('label', axis=1)X = (X - X.mean()) / X.std()y = data['label']X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 训练SVM分类器clf = train_svm(X_train, y_train)# 预测新的excel文件accuracy = predict_svm(clf, X_test, y_test, 'test_data.xlsx')# 输出精度print('Accuracy:', accuracy)改进,预测新的结果输出在新表中

import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.metrics import accuracy_score, confusion_matrix import matplotlib.pyplot as plt import xlrd # 加载数据集并进行预处理 def load_data(filename): data = pd.read_excel(filename) data.dropna(inplace=True) X = data.drop('label', axis=1) X = (X - X.mean()) / X.std() y = data['label'] return X, y # 训练SVM分类器 def train_svm(X_train, y_train, kernel='rbf', C=1, gamma=0.1): clf = SVC(kernel=kernel, C=C, gamma=gamma) clf.fit(X_train, y_train) return clf # 预测新的excel文件并输出预测结果excel、精度和混淆矩阵图 def predict_svm(clf, X_test, y_test, filename, result_file): y_pred = clf.predict(X_test) accuracy = accuracy_score(y_test, y_pred) cm = confusion_matrix(y_test, y_pred) # 输出预测结果excel data = pd.read_excel(filename) data['predicted_label'] = pd.Series(y_pred, index=data.index) data.to_excel(result_file, index=False) # 绘制混淆矩阵图 plt.imshow(cm, cmap=plt.cm.Blues) plt.title('Confusion matrix') plt.colorbar() tick_marks = np.arange(len(set(y_test))) plt.xticks(tick_marks, sorted(set(y_test)), rotation=45) plt.yticks(tick_marks, sorted(set(y_test))) plt.xlabel('Predicted Label') plt.ylabel('True Label') plt.show() return accuracy # 加载数据集并划分训练集和验证集 data = pd.read_excel('data.xlsx') data.dropna(inplace=True) X = data.drop('label', axis=1) X = (X - X.mean()) / X.std() y = data['label'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练SVM分类器 clf = train_svm(X_train, y_train) # 预测新的excel文件 accuracy = predict_svm(clf, X_test, y_test, 'test_data.xlsx', 'predicted_result.xlsx') # 输出精度 print('Accuracy:', accuracy)修改代码,多个特征变量,一个目标变量进行预测

最新推荐

recommend-type

python读取并定位excel数据坐标系详解

这段代码的核心功能是读取Excel文件中的数据,然后用这些数据生成一个散点图,每个点的坐标对应于Excel文件中的某一行的前两个值。这对于数据探索和简单的可视化很有用。 总的来说,Python的`xlrd`库提供了方便的...
recommend-type

html+css购物网页设计.zip 点击右上角按钮可实现页面跳转,

html+css购物网页设计.zip 点击右上角按钮可实现页面跳转,及点击“今日推荐”里的图片可直接跳转到该官网,点击“…区”可呈现出相关按钮,style标签中时css部分,要求html与css分开显示可直接复制粘贴。
recommend-type

2024年欧洲海洋复合材料市场主要企业市场占有率及排名.docx

2024年欧洲海洋复合材料市场主要企业市场占有率及排名.docx
recommend-type

2024年欧洲航空密封剂市场主要企业市场占有率及排名.docx

2024年欧洲航空密封剂市场主要企业市场占有率及排名.docx
recommend-type

java码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全).zip

javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)javaEE_SSH_mysql码头船只出行及配套货柜码放管理系统的设计与实现(源码+数据库sql+lun文+视频齐全)
recommend-type

爬壁清洗机器人设计.doc

"爬壁清洗机器人设计" 爬壁清洗机器人是一种专为高层建筑外墙或屋顶清洁而设计的自动化设备。这种机器人能够有效地在垂直表面移动,完成高效且安全的清洗任务,减轻人工清洁的危险和劳动强度。在设计上,爬壁清洗机器人主要由两大部分构成:移动系统和吸附系统。 移动系统是机器人实现壁面自由移动的关键。它采用了十字框架结构,这种设计增加了机器人的稳定性,同时提高了其灵活性和避障能力。十字框架由两个呈十字型组合的无杆气缸构成,它们可以在X和Y两个相互垂直的方向上相互平移。这种设计使得机器人能够根据需要调整位置,适应不同的墙面条件。无杆气缸通过腿部支架与腿足结构相连,腿部结构包括拉杆气缸和真空吸盘,能够交替吸附在壁面上,实现机器人的前进、后退、转弯等动作。 吸附系统则由真空吸附结构组成,通常采用多组真空吸盘,以确保机器人在垂直壁面上的牢固吸附。文中提到的真空吸盘组以正三角形排列,这种方式提供了均匀的吸附力,增强了吸附稳定性。吸盘的开启和关闭由气动驱动,确保了吸附过程的快速响应和精确控制。 驱动方式是机器人移动的动力来源,由X方向和Y方向的双作用无杆气缸提供。这些气缸安置在中间的主体支架上,通过精确控制,实现机器人的精准移动。这种驱动方式既保证了力量,又确保了操作的精度。 控制系统作为爬壁清洗机器人的大脑,采用三菱公司的PLC-FX1N系列,负责管理机器人的各个功能,包括吸盘的脱离与吸附、主体的移动、清洗作业的执行等。PLC(可编程逻辑控制器)具有高可靠性,能根据预设程序自动执行指令,确保机器人的智能操作。 爬壁清洗机器人结合了机械结构、气动控制和智能电子技术,实现了在复杂环境下的自主清洁任务。其设计考虑了灵活性、稳定性和安全性,旨在提高高层建筑清洁工作的效率和安全性。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

Python并发编程:从新手到专家的进阶之路(多线程与多进程篇)

![Python并发编程:从新手到专家的进阶之路(多线程与多进程篇)](https://img-blog.csdnimg.cn/12b70559909c4535891adbdf96805846.png) # 1. Python并发编程基础** 并发编程是一种编程范式,它允许程序同时执行多个任务。在Python中,可以通过多线程和多进程来实现并发编程。 多线程是指在单个进程中创建多个线程,每个线程可以独立执行任务。多进程是指创建多个进程,每个进程都有自己的内存空间和资源。 选择多线程还是多进程取决于具体应用场景。一般来说,多线程适用于任务之间交互较少的情况,而多进程适用于任务之间交互较多或
recommend-type

matlab小程序代码

MATLAB是一款强大的数值计算和可视化工具,特别适合进行科学计算、工程分析和数据可视化。编写MATLAB小程序通常涉及使用其内置的数据类型、函数库以及面向对象编程特性。以下是一个简单的MATLAB代码示例,用于计算两个数的和: ```matlab % MATLAB程序:计算两个数的和 function sum = addTwoNumbers(num1, num2) % 定义函数 sum = num1 + num2; % 返回结果 disp(['The sum of ' num2str(num1) ' and ' num2str(num2) ' is ' nu
recommend-type

喷涂机器人.doc

"该文档详细介绍了喷涂机器人的设计与研发,包括其背景、现状、总体结构、机构设计、轴和螺钉的校核,并涉及到传感器选择等关键环节。" 喷涂机器人是一种结合了人类智能和机器优势的机电一体化设备,特别在自动化水平高的国家,其应用广泛程度是衡量自动化水平的重要指标。它们能够提升产品质量、增加产量,同时在保障人员安全、改善工作环境、减轻劳动强度、提高劳动生产率和节省原材料等方面具有显著优势。 第一章绪论深入探讨了喷涂机器人的研究背景和意义。课题研究的重点在于分析国内外研究现状,指出国内主要集中在基础理论和技术的应用,而国外则在技术创新和高级功能实现上取得更多进展。文章明确了本文的研究内容,旨在通过设计高效的喷涂机器人来推动相关技术的发展。 第二章详细阐述了喷涂机器人的总体结构设计,包括驱动系统的选择(如驱动件和自由度的确定),以及喷漆机器人的运动参数。各关节的结构形式和平衡方式也被详细讨论,如小臂、大臂和腰部的传动机构。 第三章主要关注喷漆机器人的机构设计,建立了数学模型进行分析,并对腕部、小臂和大臂进行了具体设计。这部分涵盖了电机的选择、铰链四杆机构设计、液压缸设计等内容,确保机器人的灵活性和精度。 第四章聚焦于轴和螺钉的设计与校核,以确保机器人的结构稳定性。大轴和小轴的结构设计与强度校核,以及回转底盘与腰部主轴连接螺钉的校核,都是为了保证机器人在运行过程中的可靠性和耐用性。 此外,文献综述和外文文献分析提供了更广泛的理论支持,开题报告则展示了整个研究项目的目标和计划。 这份文档全面地展示了喷涂机器人的设计过程,从概念到实际结构,再到部件的强度验证,为读者提供了深入理解喷涂机器人技术的宝贵资料。