d = np.array([1,2,4,10,20,95,130]) sig = np.array([250,185,137,86,95,33,25])画一个散点图
时间: 2023-09-29 08:08:23 浏览: 9
好的,我们可以使用 Matplotlib 库来绘制散点图。首先,需要安装 Matplotlib 库(如果还没有安装的话),可以使用以下命令安装:
```python
!pip install matplotlib
```
然后,可以使用以下代码来绘制散点图:
```python
import numpy as np
import matplotlib.pyplot as plt
d = np.array([1,2,4,10,20,95,130])
sig = np.array([250,185,137,86,95,33,25])
plt.scatter(d, sig)
plt.xlabel("d")
plt.ylabel("sig")
plt.show()
```
运行以上代码后,就可以得到散点图了。
相关问题
请解释 beta3_1 = np.mat(1 / sig[0:n]).T * sig[n:np.array(sig).shape[0]]
这段代码是将sig数组的前n个元素取倒数,然后将其转化为一个列向量(即n行1列的矩阵),再将sig数组的第n个元素到最后一个元素取出,组成一个行向量(即1行m-n列的矩阵),最后将它们相乘。这个过程中,使用了numpy库中的mat函数将序列转化为矩阵,使用了T函数将行向量转化为列向量,使用了乘法运算符*将两个矩阵相乘。其实质是计算两个向量的点积,得到一个标量作为结果。因此,beta3_1的值是一个标量,代表着这两个向量之间的相关性或相似程度。
f = open('G:\jiont\比赛数据2022\charging_data79.csv', encoding='utf-8') data = pd.DataFrame(pd.read_csv(f, encoding='utf-8-sig', low_memory=False)) soc = np.array(data['standard_soc']) # 放电深度DoD current = np.array(data['total_current']) current = [ float(x)/10 for x in current ] all_vol = np.array(data['cell_volt_list']) mileage = np.array(data['mileage']) mileage = [ float(x)/10 for x in mileage ] all_sig_data = cycle_sig(all_vol) all_sig_data = clean_data(all_sig_data) def split_chargedata(chargr_data): a_data = [] all_data = [] for index, m in enumerate(mileage): if index + 1 < len(mileage): if m == mileage[index + 1]: a_data.append(chargr_data[index]) else: a_data.append(chargr_data[index]) all_data.append(a_data) a_data = [] else: all_data.append(a_data) return all_data all_charge_data = split_chargedata(all_sig_data) all_charge_current = split_chargedata(current) all_charge_soc = split_chargedata(soc) dod1 = [] for t in all_charge_soc: dod1.append(t[-1]-t[0]) ind = [] for ind1, t in enumerate(dod1): if t<10: ind.append(ind1) all_charge_data = np.delete(all_charge_data, ind, axis=0) all_charge_current = np.delete(all_charge_current, ind, axis=0) all_charge_soc = np.delete(all_charge_soc, ind, axis=0) ind9 = [5, 13, 25, 35, 47, 55, 81, 84, 86, 88, 89, 92, 94, 101, 111, 115, 116, 126, 157, 162, 167, 174, 180, 198, 200, 216, 237, 245, 261] all_charge_data = np.delete(all_charge_data, ind9, axis=0) all_charge_current = np.delete(all_charge_current, ind9, axis=0) all_charge_soc = np.delete(all_charge_soc, ind9, axis=0)
这段代码主要进行了一些数据处理的操作,包括:
1. 读取CSV文件中的数据,将SOC、电流、电压等数据存储到NumPy数组中。
2. 对电压数据进行了一些处理,使用了`cycle_sig`和`clean_data`函数。
3. 定义了`split_chargedata`函数,用于将数据按照里程数进行拆分,生成二维列表,其中每个子列表代表一次充电过程中的数据。
4. 使用`split_chargedata`函数对SOC、电流和电压数据进行拆分。
5. 计算了每个充电过程的DoD,并将DoD小于10%的充电过程的索引记录在`ind`列表中。
6. 使用`np.delete`函数删除`ind`列表中的充电过程对应的SOC、电流和电压数据。
7. 还对一些其他的充电过程进行了删除操作,对应的索引记录在`ind9`列表中。
总体来说,这段代码的作用是对充电数据进行了一些清洗和处理,去除了一些异常数据和不需要的充电过程。