matplotlib绘制桥梁

时间: 2024-07-24 12:01:44 浏览: 50
Matplotlib是一个强大的数据可视化库,常用于Python中创建静态、动态和交互式图表。如果你想用它绘制桥梁,虽然这不是内置的功能,但你可以通过一些创意的方式来模拟。通常,我们会用它来表示桥梁的不同部分,如桥塔、主梁、支撑结构等,可以结合线图、形状绘制以及颜色渐变来表现立体感。 例如,你可以先画出桥的主体作为一条曲线,然后添加垂直的线条表示桥塔,再用不同颜色填充的方式展示斜拉索或栏杆等细节。为了增加真实感,还可以调整线宽、阴影或透明度。以下是一个简单的例子: ```python import matplotlib.pyplot as plt import numpy as np # 桥的中心点坐标 x = np.linspace(0, 100, 100) y = np.sin(x / 5) * 40 + 50 # 类似于S型曲线 # 绘制主梁 plt.plot(x, y, color='gray', linewidth=3) # 添加桥塔 towers = [25, 75] # 假设桥塔位置 for tower in towers: plt.vlines(tower, y.min(), y.max(), colors='black', linestyles='dashed') # 可选:添加其他元素如支撑结构 support = [(30, 45), (70, 55)] # 假设支撑点 for point in support: plt.scatter(point[0], point, s=50, color='red') # 设置绘图范围和标题 plt.xlim([0, 100]) plt.ylim([y.min() - 10, y.max() + 10]) plt.title('Bridge Visualization with Matplotlib') plt.xlabel('Length') plt.ylabel('Height') # 显示图形 plt.show() ```

相关推荐

import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, confusion_matrix,classification_report, roc_curve, auc import seaborn as sns import matplotlib.pyplot as plt # 读取数据 data = pd.read_excel('E:/桌面/预测脆弱性/20230523/预测样本/预测样本.xlsx') # 分割训练集和验证集 train_data = data.sample(frac=0.8, random_state=1) test_data = data.drop(train_data.index) # 定义特征变量和目标变量 features = ['高程', '起伏度', '桥梁长', '道路长', '平均坡度', '平均地温', 'T小于0', '相态'] target = '交通风险' # 训练随机森林模型 rf = RandomForestClassifier(n_estimators=100, random_state=1) rf.fit(train_data[features], train_data[target]) # 在验证集上进行预测并计算精度、召回率和F1值等指标 pred = rf.predict(test_data[features]) accuracy = accuracy_score(test_data[target], pred) confusion_mat = confusion_matrix(test_data[target], pred) classification_rep = classification_report(test_data[target], pred) print('Accuracy:', accuracy) print('Confusion matrix:') print(confusion_mat) print('Classification report:') print(classification_rep) # 输出混淆矩阵图片 sns.heatmap(confusion_mat, annot=True, cmap="Blues") plt.show() # 计算并绘制ROC曲线和AUC值 fpr, tpr, thresholds = roc_curve(test_data[target], pred) roc_auc = auc(fpr, tpr) print('AUC:', roc_auc) plt.figure() lw = 2 plt.plot(fpr, tpr, color='darkorange', lw=lw, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic') plt.legend(loc="lower right") plt.show() # 读取新数据文件并预测结果 new_data = pd.read_excel('E:/桌面/预测脆弱性/20230523/预测样本/预测结果/交通风险预测096.xlsx') new_pred = rf.predict(new_data[features]) new_data['交通风险预测结果'] = new_pred new_data.to_excel('E:/桌面/预测脆弱性/20230523/预测样本/预测结果/交通风险预测096结果.xlsx', index=False)改进代码使用多元roc曲线

import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, confusion_matrix,classification_report import seaborn as sns import matplotlib.pyplot as plt # 读取数据 data = pd.read_excel('E:/桌面/预测脆弱性/20230523/预测样本/预测样本.xlsx') # 分割训练集和验证集 train_data = data.sample(frac=0.8, random_state=1) test_data = data.drop(train_data.index) # 定义特征变量和目标变量 features = ['高程', '起伏度', '桥梁长', '道路长', '平均坡度', '平均地温', 'T小于0', '相态'] target = '交通风险' # 训练随机森林模型 rf = RandomForestClassifier(n_estimators=100, random_state=1) rf.fit(train_data[features], train_data[target]) # 在验证集上进行预测并计算精度、召回率和F1值等指标 pred = rf.predict(test_data[features]) accuracy = accuracy_score(test_data[target], pred) confusion_mat = confusion_matrix(test_data[target], pred) classification_rep = classification_report(test_data[target], pred) print('Accuracy:', accuracy) print('Confusion matrix:') print(confusion_mat) print('Classification report:') print(classification_rep) # 输出混淆矩阵图片 sns.heatmap(confusion_mat, annot=True, cmap="Blues") plt.show() # 读取新数据文件并预测结果 new_data = pd.read_excel('E:/桌面/预测脆弱性/20230523/预测样本/预测结果/交通风险预测096.xlsx') new_pred = rf.predict(new_data[features]) new_data['交通风险预测结果'] = new_pred new_data.to_excel('E:/桌面/预测脆弱性/20230523/预测样本/预测结果/交通风险预测096结果.xlsx', index=False)修改代码使得显示决策树模型以及多分类的roc曲线和auc值

最新推荐

recommend-type

Python matplotlib绘制饼状图功能示例

在Python的数据可视化领域,`matplotlib`库是一个常用且功能强大的工具,它提供了丰富的图形绘制功能,包括但不限于线图、散点图、柱状图以及我们这里讨论的饼状图。饼状图是一种展示各部分占总体比例的有效方式,...
recommend-type

Python实现在tkinter中使用matplotlib绘制图形的方法示例

创建一个`FigureCanvasTkAgg`对象,它是`matplotlib`图形与`tkinter`之间的桥梁。将图形显示到`tkinter`窗口,并调整其布局。 6. 添加导航工具栏: ```python toolbar = NavigationToolbar2TkAgg(canvas, root) ...
recommend-type

python使用Matplotlib绘制分段函数

本篇将详细探讨如何使用Matplotlib来绘制分段函数,这对于理解和展示复杂的数据模式非常有帮助。分段函数是一种定义在不同区间上具有不同表达形式的函数,通过将这些区间合并,可以形成一个整体的函数图像。 首先,...
recommend-type

matplotlib绘制符合论文要求的图片实例(必看篇)

**matplotlib绘制符合论文要求的图片实例详解** 在科学研究和学术论文中,清晰、美观的图表是展示实验结果和数据趋势的重要工具。`matplotlib`是Python中最常用的绘图库,能够帮助我们创建各种复杂的图形,包括线图...
recommend-type

Python通过matplotlib绘制动画简单实例

这个简单的例子展示了如何绘制随时间变化的正弦波。实际上,你可以根据需要修改`animate()`函数,使其适应任何动态数据的可视化需求。例如,你可以模拟物理运动、显示时间序列数据的变化或者演示复杂系统的演变过程...
recommend-type

C++标准程序库:权威指南

"《C++标准程式库》是一本关于C++标准程式库的经典书籍,由Nicolai M. Josuttis撰写,并由侯捷和孟岩翻译。这本书是C++程序员的自学教材和参考工具,详细介绍了C++ Standard Library的各种组件和功能。" 在C++编程中,标准程式库(C++ Standard Library)是一个至关重要的部分,它提供了一系列预先定义的类和函数,使开发者能够高效地编写代码。C++标准程式库包含了大量模板类和函数,如容器(containers)、迭代器(iterators)、算法(algorithms)和函数对象(function objects),以及I/O流(I/O streams)和异常处理等。 1. 容器(Containers): - 标准模板库中的容器包括向量(vector)、列表(list)、映射(map)、集合(set)、无序映射(unordered_map)和无序集合(unordered_set)等。这些容器提供了动态存储数据的能力,并且提供了多种操作,如插入、删除、查找和遍历元素。 2. 迭代器(Iterators): - 迭代器是访问容器内元素的一种抽象接口,类似于指针,但具有更丰富的操作。它们可以用来遍历容器的元素,进行读写操作,或者调用算法。 3. 算法(Algorithms): - C++标准程式库提供了一组强大的算法,如排序(sort)、查找(find)、复制(copy)、合并(merge)等,可以应用于各种容器,极大地提高了代码的可重用性和效率。 4. 函数对象(Function Objects): - 又称为仿函数(functors),它们是具有operator()方法的对象,可以用作函数调用。函数对象常用于算法中,例如比较操作或转换操作。 5. I/O流(I/O Streams): - 标准程式库提供了输入/输出流的类,如iostream,允许程序与标准输入/输出设备(如键盘和显示器)以及其他文件进行交互。例如,cin和cout分别用于从标准输入读取和向标准输出写入。 6. 异常处理(Exception Handling): - C++支持异常处理机制,通过throw和catch关键字,可以在遇到错误时抛出异常,然后在适当的地方捕获并处理异常,保证了程序的健壮性。 7. 其他组件: - 还包括智能指针(smart pointers)、内存管理(memory management)、数值计算(numerical computations)和本地化(localization)等功能。 《C++标准程式库》这本书详细讲解了这些内容,并提供了丰富的实例和注解,帮助读者深入理解并熟练使用C++标准程式库。无论是初学者还是经验丰富的开发者,都能从中受益匪浅,提升对C++编程的掌握程度。
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

Parallelization Techniques for Matlab Autocorrelation Function: Enhancing Efficiency in Big Data Analysis

# 1. Introduction to Matlab Autocorrelation Function The autocorrelation function is a vital analytical tool in time-domain signal processing, capable of measuring the similarity of a signal with itself at varying time lags. In Matlab, the autocorrelation function can be calculated using the `xcorr
recommend-type

怎样使scanf函数和printf在同一行表示

在C语言中,`scanf` 和 `printf` 通常是分开使用的,因为它们的功能不同,一个负责从标准输入读取数据,另一个负责向标准输出显示信息。然而,如果你想要在一行代码中完成读取和打印,可以创建一个临时变量存储 `scanf` 的结果,并立即传递给 `printf`。但这种做法并不常见,因为它违反了代码的清晰性和可读性原则。 下面是一个简单的示例,展示了如何在一个表达式中使用 `scanf` 和 `printf`,但这并不是推荐的做法: ```c #include <stdio.h> int main() { int num; printf("请输入一个整数: ");
recommend-type

Java解惑:奇数判断误区与改进方法

Java是一种广泛使用的高级编程语言,以其面向对象的设计理念和平台无关性著称。在本文档中,主要关注的是Java中的基础知识和解惑,特别是关于Java编程语言的一些核心概念和陷阱。 首先,文档提到的“表达式谜题”涉及到Java中的取余运算符(%)。在Java中,取余运算符用于计算两个数相除的余数。例如,`i % 2` 表达式用于检查一个整数`i`是否为奇数。然而,这里的误导在于,Java对`%`操作符的处理方式并不像常规数学那样,对于负数的奇偶性判断存在问题。由于Java的`%`操作符返回的是与左操作数符号相同的余数,当`i`为负奇数时,`i % 2`会得到-1而非1,导致`isOdd`方法错误地返回`false`。 为解决这个问题,文档建议修改`isOdd`方法,使其正确处理负数情况,如这样: ```java public static boolean isOdd(int i) { return i % 2 != 0; // 将1替换为0,改变比较条件 } ``` 或者使用位操作符AND(&)来实现,因为`i & 1`在二进制表示中,如果`i`的最后一位是1,则结果为非零,表明`i`是奇数: ```java public static boolean isOdd(int i) { return (i & 1) != 0; // 使用位操作符更简洁 } ``` 这些例子强调了在编写Java代码时,尤其是在处理数学运算和边界条件时,理解运算符的底层行为至关重要,尤其是在性能关键场景下,选择正确的算法和操作符能避免潜在的问题。 此外,文档还提到了另一个谜题,暗示了开发者在遇到类似问题时需要进行细致的测试,确保代码在各种输入情况下都能正确工作,包括负数、零和正数。这不仅有助于发现潜在的bug,也能提高代码的健壮性和可靠性。 这个文档旨在帮助Java学习者和开发者理解Java语言的一些基本特性,特别是关于取余运算符的行为和如何处理边缘情况,以及在性能敏感的场景下优化算法选择。通过解决这些问题,读者可以更好地掌握Java编程,并避免常见误区。