plt.yticks(range(len(a)),a,fontproperties="STSong") 如何调整字体大小

`plt.yticks()` 函数是 Matplotlib 用于设置 y 轴刻度标签的方法，其中 `fontproperties` 参数用于设置字体属性。在你提供的例子中，`"STSong"` 是字体名称，若想调整字体大小，可以在这一行代码中直接添加 `fontsize` 参数，如下所示：

plt.yticks(range(len(a)), a, fontproperties="STSong", fontsize=12)

这里的 `12` 是字体大小的示例值，你可以根据实际需求将其替换为你想要的大小，单位一般为像素。`fontsize` 的范围通常在 6 到 40 之间，较大的数字会使得字体更大，更易阅读；较小的数字则会使字体更小。

如果要在整个图表中统一字体大小，还可以在创建图形之前设置全局字体大小，例如：

import matplotlib.pyplot as plt
plt.rcParams['font.size'] = 12  # 设置全局字体大小为12
# 然后再绘制图形
plt.yticks(range(len(a)), a, fontproperties="STSong")

这样所有刻度标签以及以后的文本都会使用相同的字体大小。

相关问题

data['time'] = pd.to_datetime(data['time'], format='%Y-%m') data['xiaoliang'] = data['xiaoliang'].astype(int) data = data.set_index('time') data = data.sort_index() print(data) model = sm.tsa.ExponentialSmoothing(data, trend='add', seasonal='add', seasonal_periods=12).fit() forecast = model.forecast(12) idx = pd.date_range(start=data.index[-1], periods=12, freq='M') forecast.index = idxplt.figure(figsize=(9.62,8.62)) plt.plot(data, label='Original Data') plt.plot(forecast, label='Forecasted Data') plt.xlabel('日期', fontproperties=font,fontsize=16) # 设置x轴标签字体 plt.ylabel('销量', fontproperties=font,fontsize=16) # 设置y轴标签字体 plt.title('销量变化', fontproperties=font,fontsize=16) # 设置标题字体 plt.xticks(fontproperties=font, fontsize=14) plt.yticks(fontproperties=font, fontsize=14) plt.savefig('extract.png',dpi=300)请将这段代码改成使用最小二乘法的线性模型

好的，以下是使用最小二乘法的线性模型的修改代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import leastsq

# 读取数据
data = pd.read_csv('data.csv')
data['time'] = pd.to_datetime(data['time'], format='%Y-%m')
data['xiaoliang'] = data['xiaoliang'].astype(int)
data = data.set_index('time')
data = data.sort_index()

# 定义模型函数
def linear_func(params, x):
    a, b = params
    return a * x + b

# 定义误差函数
def error_func(params, x, y):
    return linear_func(params, x) - y

# 使用最小二乘法拟合线性模型
x = np.arange(len(data))
y = data['xiaoliang']
init_params = [1, 1]
params, _ = leastsq(error_func, init_params, args=(x, y))

# 计算拟合结果
forecast = linear_func(params, np.arange(len(data), len(data) + 12))

# 绘制拟合图像
idx = pd.date_range(start=data.index[-1], periods=12, freq='M')
forecast = pd.Series(forecast, index=idx)
plt.figure(figsize=(9.62,8.62))
plt.plot(data, label='Original Data')
plt.plot(forecast, label='Forecasted Data')
plt.xlabel('日期', fontproperties=font, fontsize=16)
plt.ylabel('销量', fontproperties=font, fontsize=16)
plt.title('销量变化', fontproperties=font, fontsize=16)
plt.xticks(fontproperties=font, fontsize=14)
plt.yticks(fontproperties=font, fontsize=14)
plt.savefig('extract.png', dpi=300)

以上代码使用`leastsq`函数进行最小二乘法拟合，其中`linear_func`函数定义了线性模型，`error_func`函数定义了误差函数。拟合结果可以直接使用线性模型计算得到，然后绘制拟合图像即可。需要注意的是，这里的时间序列数据没有考虑季节性因素，因此线性模型可能无法很好地拟合实际数据。在实际应用中，需要根据具体情况选择合适的模型和算法。

select_sqli = "SELECT time,sum(xiaoliang) FROM sheji.sale where type_c='两厢车' group by time ;" cur.execute(select_sqli) data = pd.DataFrame(cur.fetchall(), columns=['time', 'xiaoliang']) for col in data.columns: for i in range(1, len(data)): if data.loc[i, col]=="--": data.loc[i, col] = data.loc[i-1, col] data['time'] = pd.to_datetime(data['time'], format='%Y-%m') data['xiaoliang'] = data['xiaoliang'].astype(int) data = data.set_index('time') #data = data.sort_index() print(data) model = sm.tsa.ExponentialSmoothing(data, trend='add', seasonal='add', seasonal_periods=12).fit() forecast = model.forecast(12) plt.figure(figsize=(9.42,5.62)) plt.plot(data, label='Original Data') plt.plot(forecast, label='Forecasted Data') plt.xlabel('日期', fontproperties=font,fontsize=16) # 设置x轴标签字体 plt.ylabel('销量', fontproperties=font,fontsize=16) # 设置y轴标签字体 plt.title('销量变化', fontproperties=font,fontsize=16) # 设置标题字体 plt.xticks(fontproperties=font, fontsize=14) plt.yticks(fontproperties=font, fontsize=14) plt.savefig('total.png',dpi=300)为什么画出的图预测的是过去的时间，请修改

在绘制图像之前，需要对 `forecast` 进行处理，将其索引改为未来的时间点，然后再与原始数据拼接起来，才能得到正确的预测结果。

下面是修改后的代码：

select_sqli = "SELECT time,sum(xiaoliang) FROM sheji.sale where type_c='两厢车' group by time ;"
cur.execute(select_sqli)
data = pd.DataFrame(cur.fetchall(), columns=['time', 'xiaoliang'])

# 处理缺失值
for col in data.columns:
    for i in range(1, len(data)):
        if data.loc[i, col] == "--":
            data.loc[i, col] = data.loc[i-1, col]

# 转换时间序列数据
data['time'] = pd.to_datetime(data['time'], format='%Y-%m')
data['xiaoliang'] = data['xiaoliang'].astype(int)
data = data.set_index('time')

# 构建模型并预测未来数据
model = sm.tsa.ExponentialSmoothing(data, trend='add', seasonal='add', seasonal_periods=12).fit()
forecast = model.forecast(12)

# 将索引设置为未来的时间点
idx = pd.date_range(start=data.index[-1], periods=12, freq='M')
forecast.index = idx

# 拼接原始数据和预测数据
combined_data = pd.concat([data, forecast])

# 绘制图像
plt.figure(figsize=(9.42, 5.62))
plt.plot(combined_data, label='Combined Data')
plt.xlabel('日期', fontproperties=font, fontsize=16)
plt.ylabel('销量', fontproperties=font, fontsize=16)
plt.title('销量变化', fontproperties=font, fontsize=16)
plt.xticks(fontproperties=font, fontsize=14)
plt.yticks(fontproperties=font, fontsize=14)
plt.legend()
plt.savefig('total.png', dpi=300)

在上面的代码中，我们首先将 `forecast` 的索引设置为未来的时间点，然后使用 `concat` 函数将原始数据和预测数据拼接起来，并将其作为参数传递给了 `plot` 函数。这样就可以得到正确的预测结果了。