df.plot subplot

时间: 2023-06-16 07:05:26 浏览: 61
`df.plot`是Pandas中的一个函数,用于绘制DataFrame或Series的图形。`subplot`是Matplotlib中的一个函数,用于在同一个图像中绘制多个子图。这两个函数可以结合使用,以在同一个图像中绘制多个DataFrame或Series的图形。 下面是一个示例代码,使用`df.plot`和`subplot`绘制一个包含两个子图的图像: ```python import pandas as pd import matplotlib.pyplot as plt # 创建两个DataFrame df1 = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [2, 4, 6, 8, 10]}) df2 = pd.DataFrame({'C': [5, 4, 3, 2, 1], 'D': [10, 8, 6, 4, 2]}) # 创建一个包含两个子图的图像 fig, axes = plt.subplots(nrows=1, ncols=2) # 在第一个子图中绘制df1 df1.plot(ax=axes[0]) axes[0].set_title('DataFrame 1') # 在第二个子图中绘制df2 df2.plot(ax=axes[1]) axes[1].set_title('DataFrame 2') # 显示图像 plt.show() ``` 运行以上代码,将会绘制一个包含两个子图的图像,其中第一个子图显示`df1`的数据,第二个子图显示`df2`的数据。每个子图都有一个标题,可以使用`set_title`方法设置。

相关推荐

import numpy as np import pandas as pd import matplotlib.pyplot as plt df=pd.read_csv('C:\\Users\ASUS\Desktop\AI\实训\汽车销量数据new.csv',sep=',',header=0) plt.rcParams['font.sans-serif'] = ['SimHei'] plt.figure(figsize=(10,4)) ax1=plt.subplot(121) ax1.scatter(df['price'],df['quantity'],c='b') df=(df-df.min())/(df.max()-df.min()) df.to_csv('quantity.txt',sep='\t',index=False) train_data=df.sample(frac=0.8,replace=False) test_data=df.drop(train_data.index) x_train=train_data['price'].values.reshape(-1, 1) y_train=train_data['quantity'].values x_test=test_data['price'].values.reshape(-1, 1) y_test=test_data['quantity'].values from sklearn.linear_model import LinearRegression import joblib #model=SGDRegressor(max_iter=500,learning_rate='constant',eta0=0.01) model = LinearRegression() #训练模型 model.fit(x_train,y_train) #输出训练结果 pre_score=model.score(x_train,y_train) print('训练集准确性得分=',pre_score) print('coef=',model.coef_,'intercept=',model.intercept_) #保存训练后的模型 joblib.dump(model,'LinearRegression.model') ax2=plt.subplot(122) ax2.scatter(x_train,y_train,label='测试集') ax2.plot(x_train,model.predict(x_train),color='blue') ax2.set_xlabel('工龄') ax2.set_ylabel('工资') plt.legend(loc='upper left') model=joblib.load('LinearRegression.model') y_pred=model.predict(x_test)#得到预测值 print('测试集准确性得分=%.5f'%model.score(x_test,y_test)) #计算测试集的损失(用均方差) MSE=np.mean((y_test - y_pred)**2) print('损失MSE={:.5f}'.format(MSE)) plt.rcParams['font.sans-serif'] = ['SimHei'] plt.figure(figsize=(10,4)) ax1=plt.subplot(121) plt.scatter(x_test,y_test,label='测试集') plt.plot(x_test,y_pred,'r',label='预测回归线') ax1.set_xlabel('工龄') ax1.set_ylabel('工资') plt.legend(loc='upper left') ax2=plt.subplot(122) x=range(0,len(y_test)) plt.plot(x,y_test,'g',label='真实值') plt.plot(x,y_pred,'r',label='预测值') ax2.set_xlabel('样本序号') ax2.set_ylabel('工资') plt.legend(loc='upper right') plt.show()怎么预测价格为15万时的销量

import matplotlib.pyplot as plt import pandas as pd from math import pi # 设置数据 df = pd.DataFrame({ 'group': ['yun', 'ding', 'shu', 'mo'], 'var1': [38, 1.5, 30, 4], 'var2': [29, 10, 9, 34], 'var3': [8, 39, 23, 24], 'var4': [7, 31, 33, 14], 'var5': [28, 15, 32, 14] }) # 目标数量 categories = list(df)[1:] N = len(categories) # 角度 angles = [n / float(N) * 2 * pi for n in range(N)] angles += angles[:1] # 初始化 ax = plt.subplot(111, polar=True) # 设置第一个 ax.set_theta_offset(pi / 2) ax.set_theta_direction(-1) # 添加背景信息 plt.xticks(angles[:-1], categories) ax.set_rlabel_position(0) plt.yticks([10, 20, 30], ["10", "20", "30"], color="grey", size=7) plt.ylim(0, 40) # 添加数据图 # 第一个 values = df.loc[0].drop('group').values.flatten().tolist() values += values[:1] ax.plot(angles, values, linewidth=1, linestyle='solid', label="yun") ax.fill(angles, values, 'b', alpha=0.1) # 第二个 values = df.loc[1].drop('group').values.flatten().tolist() values += values[:1] ax.plot(angles, values, linewidth=1, linestyle='solid', label="ding") ax.fill(angles, values, 'r', alpha=0.1) # 第三个 values = df.loc[2].drop('group').values.flatten().tolist() values += values[:1] ax.plot(angles, values, linewidth=1, linestyle='solid', label="shu") ax.fill(angles, values, 'r', alpha=0.1) # 第四个 values = df.loc[3].drop('group').values.flatten().tolist() values += values[:1] ax.plot(angles, values, linewidth=1, linestyle='solid', label="mo") ax.fill(angles, values, 'r', alpha=0.1) # 添加图例 plt.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1)) # 显示 plt.show()解释这段代码

sales = list(np.diff(data["#Passengers"])) data2 = { "Month":data1.index[1:], #1月1日是空值,从1月2号开始取 "#Passengers":sales } df = pd.DataFrame(data2) df['Month'] = pd.to_datetime(df['Month']) #df[''date]数据类型为“object”,通过pd.to_datetime将该列数据转换为时间类型,即datetime。 data_diff = df.set_index(['Month'], drop=True) #将日期设置为索引 data_diff.head() print(data_diff) fig = plt.figure(figsize=(12,8)) ax1=fig.add_subplot(211) fig = sm.graphics.tsa.plot_acf(data_diff,lags=20,ax=ax1) ax2 = fig.add_subplot(212) fig = sm.graphics.tsa.plot_pacf(data_diff,lags=20,ax=ax2) plt.show() # 为了控制计算量,我们限制AR最大阶不超过6,MA最大阶不超过4。 sm.tsa.arma_order_select_ic(data_diff,max_ar=100,max_ma=4,ic='aic')['aic_min_order'] # AIC ''' #对模型进行定阶 pmax = int(len(df) / 10) #一般阶数不超过 length /10 qmax = int(len(df) / 10) bic_matrix = [] for p in range(pmax +1): temp= [] for q in range(qmax+1): try: temp.append(ARIMA(data, (p, 1, q)).fit().bic) except: temp.append(None) bic_matrix.append(temp) bic_matrix = pd.DataFrame(bic_matrix) #将其转换成Dataframe 数据结构 p,q = bic_matrix.stack().idxmin() #先使用stack 展平, 然后使用 idxmin 找出最小值的位置 print(u'BIC 最小的p值 和 q 值:%s,%s' %(p,q)) # BIC 最小的p值 和 q 值:0,1 #所以可以建立ARIMA 模型,ARIMA(0,1,1) ''' model = ARIMA(data, (0,1,1)).fit() #model.summary2() predictions_ARIMA_diff = pd.Series(model.fittedvalues, copy=True) print("========") print(predictions_ARIMA_diff.head()) exit() plt.figure(figsize=(10, 6)) plt.plot(predictions_ARIMA_diff,label="forecast_diff") plt.plot(data_diff,label="diff") plt.xlabel('日期',fontsize=12,verticalalignment='top') plt.ylabel('销量差分',fontsize=14,horizontalalignment='center') plt.legend() plt.show()

def pic(df, name): import matplotlib.pyplot as plt plt.figure(figsize=(36, 12)) plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False grid = plt.GridSpec(4, 1, wspace=0, hspace=0) df['wnacwindspeed'].dropna() df['wgengenactivepw'].dropna() df.rename(columns={'temp_act': '检测风机', 'temp_avg': '平均风机', 'wnacwindspeed': '平均风速', 'wgengenactivepw': '有功功率'}, inplace=True) if not df.empty: fig = plt.figure(figsize=(19.2, 10.8), dpi=100) # 温度预警图 plt.subplot(211) plt.scatter(df['datatime'], df['检测风机'], color='r', label='检测风机值',s=1) plt.scatter(df['datatime'], df['平均风机'], color='g', label='健康参考值',s=1) plt.legend(fontsize=10, loc='best') plt.title(name, size=28) plt.grid() # 风速-功率曲线图 ax1 = fig.add_subplot(212) lns1 = ax1.plot(df['datatime'], df['平均风速'], color='#6495ED', label='风速',lw=1) ax2 = ax1.twinx() lns2 = ax2.plot(df['datatime'], df['有功功率'], color='#DAA520', label='功率',lw=1) lns = lns1 + lns2 labs = [l.get_label() for l in lns] ax1.legend(lns, labs, loc=0) ax1.grid() ax1.set_xlabel('datatime') ax1.set_ylabel('Wind Speed (m/s)', color='#6495ED', size=20) ax2.set_ylabel('Power (kW)', color='#DAA520', size=20) now = datetime.datetime.now() time_str = now.strftime("%Y-%m-%d") path = 'D:/LYTCO/result/' + time_str if not os.path.exists(path): os.makedirs(path) name = name.replace('/', '-') name = path + '/' + name + '.png' fig.tight_layout() plt.savefig(name, bbox_inches='tight') plt.close()

最新推荐

recommend-type

麦肯锡-年月―中国xx集团战略咨询项目建议书.ppt

麦肯锡-年月―中国xx集团战略咨询项目建议书.ppt
recommend-type

廖倩5.14运营款.xlsx

廖倩5.14运营款.xlsx
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
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

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

2. 通过python绘制y=e-xsin(2πx)图像

可以使用matplotlib库来绘制这个函数的图像。以下是一段示例代码: ```python import numpy as np import matplotlib.pyplot as plt def func(x): return np.exp(-x) * np.sin(2 * np.pi * x) x = np.linspace(0, 5, 500) y = func(x) plt.plot(x, y) plt.xlabel('x') plt.ylabel('y') plt.title('y = e^{-x} sin(2πx)') plt.show() ``` 运行这段
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

实现实时监控告警系统:Kafka与Grafana整合

![实现实时监控告警系统:Kafka与Grafana整合](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9BVldpY3ladXVDbEZpY1pLWmw2bUVaWXFUcEdLT1VDdkxRSmQxZXB5R1lxaWNlUjA2c0hFek5Qc3FyRktudFF1VDMxQVl3QTRXV2lhSWFRMEFRc0I1cW1ZOGcvNjQw?x-oss-process=image/format,png) # 1.1 Kafka集群架构 Kafka集群由多个称为代理的服务器组成,这
recommend-type

导入numpy库,创建两个包含9个随机数的3*3的矩阵,将两个矩阵分别打印出来,计算两个数组的点积并打印出来。(random.randn()、dot()函数)

可以的,以下是代码实现: ```python import numpy as np # 创建两个包含9个随机数的3*3的矩阵 matrix1 = np.random.randn(3, 3) matrix2 = np.random.randn(3, 3) # 打印两个矩阵 print("Matrix 1:\n", matrix1) print("Matrix 2:\n", matrix2) # 计算两个数组的点积并打印出来 dot_product = np.dot(matrix1, matrix2) print("Dot product:\n", dot_product) ``` 希望