x = np.linspace(df.min().min(), df.max().max(), 100) plt.plot(x, norm.pdf(x, mean['Tt1'], std['Tt1']), color='#6699cc', label='Tt1') plt.plot(x, norm.pdf(x, mean['Tt2'], std['Tt2']), color='#99ccff', label='Tt2') plt.plot(x, norm.pdf(x, mean['Tt3'], std['Tt3']), color='#ffcccc', label='Tt3') df.plot.kde()怎么修改颜色

你可以在每个 plot 函数中添加一个参数 color 来指定曲线的颜色。例如，要将 Tt1 的曲线颜色改为红色，可以将代码修改为：

x = np.linspace(df.min().min(), df.max().max(), 100) 
plt.plot(x, norm.pdf(x, mean['Tt1'], std['Tt1']), color='red', label='Tt1') 
plt.plot(x, norm.pdf(x, mean['Tt2'], std['Tt2']), color='#99ccff', label='Tt2') 
plt.plot(x, norm.pdf(x, mean['Tt3'], std['Tt3']), color='#ffcccc', label='Tt3') 
df.plot.kde()

这样就可以将 Tt1 的曲线颜色改为红色了。同理，你可以通过修改 color 参数来改变其他曲线的颜色。

相关问题

import pandas as pd import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D features = df[["Bridge length (m)","Pier type","Foundation type","Hole","Span (m)", "Bearing type","Plane linear"]] target = data['Vulnerability grade'] # 生成测试数据网格 x = np.linspace(features['feature1'].min(), features['feature1'].max(), 100) y = np.linspace(features['feature2'].min(), features['feature2'].max(), 100) z = np.linspace(features['feature3'].min(), features['feature3'].max(), 100) X_test = np.meshgrid(x, y, z) X_test = np.vstack((X_test[0].flatten(), X_test[1].flatten(), X_test[2].flatten())).T # 绘制预测结果的空间曲面 fig = plt.figure() ax = fig.add_subplot(111, projection='3d') ax.scatter(features['feature1'], features['feature2'], features['feature3'], c=target, cmap='coolwarm', label='Training Data') ax.scatter(X_test[:, 0], X_test[:, 1], X_test[:, 2], c=test_predicted, cmap='coolwarm', label='Predicted Data') ax.set_xlabel('Feature 1') ax.set_ylabel('Feature 2') ax.set_zlabel('Feature 3') ax.legend() plt.show()

在您提供的代码中，有一些问题需要修正。首先，您将特征列存储在`features`变量中，但在生成测试数据网格时，您使用了`features['feature1']`等特征名，这可能是导致KeyError的原因。另外，您没有给出训练模型和进行预测的代码。以下是修正后的示例代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor
from mpl_toolkits.mplot3d import Axes3D

# 读取数据
data = pd.read_excel('your_data.xlsx')  # 替换为您的Excel文件路径

# 提取特征和目标变量
features = data[["Bridge length (m)", "Pier type", "Foundation type", "Hole", "Span (m)", "Bearing type", "Plane linear"]]
target = data['Vulnerability grade']

# 训练随机森林回归模型
rf = RandomForestRegressor(n_estimators=100, random_state=0)
rf.fit(features, target)

# 生成测试数据网格
x = np.linspace(features['Bridge length (m)'].min(), features['Bridge length (m)'].max(), 100)
y = np.linspace(features['Pier type'].min(), features['Pier type'].max(), 100)
z = np.linspace(features['Foundation type'].min(), features['Foundation type'].max(), 100)
X_test = np.meshgrid(x, y, z)
X_test = np.vstack((X_test[0].flatten(), X_test[1].flatten(), X_test[2].flatten())).T

# 使用随机森林模型进行预测
test_predicted = rf.predict(X_test)

# 绘制预测结果的空间曲面
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(features['Bridge length (m)'], features['Pier type'], features['Foundation type'], c=target, cmap='coolwarm', label='Training Data')
ax.scatter(X_test[:, 0], X_test[:, 1], X_test[:, 2], c=test_predicted, cmap='coolwarm', label='Predicted Data')
ax.set_xlabel('Bridge length (m)')
ax.set_ylabel('Pier type')
ax.set_zlabel('Foundation type')
ax.legend()
plt.show()

请注意，根据您的数据和需求，您可能需要调整代码中的特征列名、文件路径以及其他绘图参数。确保特征列和目标变量与您的数据一致，并且选择合适的特征列用于绘制空间曲面。

import numpy as np import matplotlib.pyplot as plt import pandas as pd import seaborn as sns from seaborn.external.kde import gaussian_kde sns.set() from scipy import stats from typing import * df = pd.read_excel("D:\\pythonProject\\data\\冬天.xls") power = df["功率"] #获取一列，用一维数据 power = np.array(power) print(power) import numpy as np from sklearn.neighbors import KernelDensity # 将 DataFrame 转换为 numpy 数组 data = df.to_numpy() # 从DataFrame类型中提取所需的列并将其转换为numpy数组类型 data = np.array(df['功率']) # 使用gaussian_kde函数进行核密度估计 density = gaussian_kde(data) # 生成横坐标 x = np.linspace(min(data), max(data),60) plt.plot(x, density(x)) import numpy as np from scipy import interpolate # 准备数据 x = data y = density(x) # 进行B样条曲线拟合 tck = interpolate.splrep(x, y, k=3, s=0) # 计算拟合曲线的值 x_new = np.linspace(x.min(), x.max(), 500) y_new = interpolate.splev(x_new, tck, der=0) # 保存系数矩阵 np.savez('tck.npz', tck)

这这段这段代码这段代码是这段代码是在这段代码是在Python这段代码是在Python中这段代码是在Python中使用这段代码是在Python中使用numpy这段代码是在Python中使用numpy、这段代码是在Python中使用numpy、matplotlib这段代码是在Python中使用numpy、matplotlib、这段代码是在Python中使用numpy、matplotlib、p这段代码是在Python中使用numpy、matplotlib、pandas这段代码是在Python中使用numpy、matplotlib、pandas、这段代码是在Python中使用numpy、matplotlib、pandas、se这段代码是在Python中使用numpy、matplotlib、pandas、seab这段代码是在Python中使用numpy、matplotlib、pandas、seaborn这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、sc这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包括这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包括了这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包括了功这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包括了功率这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包括了功率这这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包括了功率这一这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包括了功率这一列这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包括了功率这一列的这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包括了功率这一列的数据这段代码是在Python中使用numpy、matplotlib、pandas、seaborn、scipy等库导入一些需要使用的函数和工具，以及读取名为“冬天.xls”的Excel文件中的数据，其中包括了功率这一列的数据。