plt.plot(RES[:,0],color = 'black',label = 'Vaccinator',marker = '.')
时间: 2024-01-04 09:57:40 浏览: 45
这行代码是使用 matplotlib 库中的 plot 函数来绘制一个折线图。RES[:,0] 表示使用 RES 数组的第一列作为 x 轴数据,color 参数设为 'black' 表示线条颜色为黑色,label 参数是给这条线条添加一个标签 'Vaccinator',marker 参数则指定了数据点的样式为小圆点。
相关问题
rainPredictPlot = np.empty_like(data) trainPredictPlot[:, :] = np.nan trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict testPredictPlot = np.empty_like(data) testPredictPlot[:, :] = np.nan testPredictPlot[len(trainPredict)+(look_back*2)+1:len(data)-1, :] = testPredict data3 = data[10000:10565] plt.plot(scaler.inverse_transform(data)) trainPredictPlot1 = trainPredictPlot[10000:10565] testPredictPlot1 = testPredictPlot[10000:10565] plt.plot(trainPredictPlot, color='green') plt.plot(testPredictPlot, color='red') plt.legend(['true', 'xpred', 'cpred']) plt.show()
这段代码是用于绘制一个预测结果图,其中trainPredictPlot和testPredictPlot是两个预测结果数组,分别代表训练集和测试集的预测结果。这两个数组的长度都是等于原始数据的长度,但是在未预测的部分都被赋值为了nan,只有预测过的部分才有实际的预测值。data3是原始数据的一个部分,plt.plot(scaler.inverse_transform(data))是绘制原始数据的曲线,plt.plot(trainPredictPlot, color='green')和plt.plot(testPredictPlot, color='red')分别是绘制训练集和测试集的预测结果曲线,颜色分别为绿色和红色。最后plt.legend(['true', 'xpred', 'cpred'])是给这三条曲线添加一个图例。
绘制训练集真实值和预测值 trainPredictPlot = np.empty_like(data.values) trainPredictPlot[:, :] = np.nan trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict plt.figure(figsize=(10,5)) plt.plot(data.values, label='True Data') plt.plot(trainPredictPlot, label='Predicted Data') plt.title('Training Set') plt.xlabel('Time/h') plt.ylabel('kwh') plt.legend() plt.show() # 绘制测试集真实值和预测值 testPredictPlot = np.empty_like(data.values) testPredictPlot[:, :] = np.nan testPredictPlot[len(trainPredict)+(look_back*2)+1:len(data)-1, :] = testPredict plt.figure(figsize=(10,5)) plt.plot(data.values, label='True Data') plt.plot(testPredictPlot, label='Predicted Data') plt.title('Testing Set') plt.xlabel('Time/h') plt.ylabel('kwh') plt.legend() plt.show()改写这段代码,使得训练集和测试集的曲线分别绘制在两张图上
修改后的代码如下:
```
# 绘制训练集真实值和预测值
trainPredictPlot = np.empty_like(data.values)
trainPredictPlot[:, :] = np.nan
trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict
plt.figure(figsize=(10,5))
plt.plot(data.values, label='True Data')
plt.plot(trainPredictPlot, label='Predicted Data')
plt.title('Training Set')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.legend()
plt.show()
# 绘制测试集真实值和预测值
testPredictPlot = np.empty_like(data.values)
testPredictPlot[:, :] = np.nan
testPredictPlot[len(trainPredict)+(look_back*2)+1:len(data)-1, :] = testPredict
plt.figure(figsize=(10,5))
plt.plot(data.values, label='True Data')
plt.plot(testPredictPlot, label='Predicted Data')
plt.title('Testing Set')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.legend()
plt.show()
```
这样修改后,训练集和测试集的真实值和预测值将分别绘制在两张图上。
相关推荐
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)