本文目录一览：
- 1、请问用python处理excel数据绘制曲线图能不能做成一个类似的小软件？
- 2、如何使用Python绘制光滑实验数据曲线
- 3、怎样用python画对数图
- 4、Python如何画函数的曲线
- 5、python 怎么画与其他方法进行比较的ROC曲线？
- 6、怎么用python绘图
请问用python处理excel数据绘制曲线图能不能做成一个类似的小软件？
可以啊，先确定好需要操作excel的哪些动作，用到哪些函数，然后通过python调用excel接口，实现对excel的操作；还有一种是只是读取excel里面的数据，然后通过matplotlib等第三方库，绘制数据曲线图。
如何使用Python绘制光滑实验数据曲线
楼主的问题是否是“怎样描绘出没有数据点的位置的曲线”，或者是“x在某个位置时，即使没有数据，我也想知道他的y值是多少，好绘制曲线”。这就是个预测未知数据的问题。
传统的方法就是回归，python的scipy可以做。流行一点的就是机器学习，python的scikit-learn可以做。
但问题在于，仅由光强能预测出开路电压吗（当然，有可能可以预测。）？就是你的图1和图2的曲线都不能说是不可能发生的情况吧，所以想预测开路电压值还需引入其他影响因子。这样你才能知道平滑曲线到底应该像图1还是图2还是其他样子。
如果是单因子的话，从散点图观察，有点像 y = Alnx + B，用线性回归模型确定A,B的值就可以通过x预测y的值，从而绘制平滑的曲线了。
怎样用python画对数图
1、用python画出log1.5(x),log(2x),log(3x)
[python] view plain copy
import numpy as np
import math
import matplotlib.pyplot as plt
x=np.arange(0.05,3,0.05)
y1=[math.log(a,1.5)for a in x]
y2=[math.log(a,2)for a in x]
y3=[math.log(a,3)for a in x]
plot1=plt.plot(x,y1,'-g',label="log1.5(x)")
plot2=plt.plot(x,y2,'-r',label="log2(x)")
plot3=plt.plot(x,y3,'-b',label="log3(x)")
plt.legend(loc='lower right')
plt.show()
2、输出结果
Python如何画函数的曲线
输入以下代码导入我们用到的函数库。
import numpy as np
import matplotlib.pyplot as plt
x=np.arange(0,5,0.1);
y=np.sin(x);
plt.plot(x,y)
采用刚才代码后有可能无法显示下图，然后在输入以下代码就可以了：
plt.show()
python 怎么画与其他方法进行比较的ROC曲线？
使用sklearn的一系列方法后可以很方便的绘制处ROC曲线，这里简单实现以下。
主要是利用混淆矩阵中的知识作为绘制的数据（如果不是很懂可以先看看这里的基础）：
tpr(Ture Positive Rate)：真阳率 图像的纵坐标
fpr(False Positive Rate)：阳率（伪阳率） 图像的横坐标
mean_tpr：累计真阳率求平均值
mean_fpr：累计阳率求平均值
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.metrics import roc_curve, auc
from sklearn.model_selection import StratifiedKFold
iris = datasets.load_iris()
X = iris.data
y = iris.target
X, y = X[y != 2], y[y != 2] # 去掉了label为2，label只能二分，才可以。
n_samples, n_features = X.shape
# 增加噪声特征
random_state = np.random.RandomState(0)
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]
cv = StratifiedKFold(n_splits=6) #导入该模型，后面将数据划分6份
classifier = svm.SVC(kernel='linear', probability=True,random_state=random_state) # SVC模型 可以换作AdaBoost模型试试
# 画平均ROC曲线的两个参数
mean_tpr = 0.0 # 用来记录画平均ROC曲线的信息
mean_fpr = np.linspace(0, 1, 100)
cnt = 0
for i, (train, test) in enumerate(cv.split(X,y)): #利用模型划分数据集和目标变量 为一一对应的下标
cnt +=1
probas_ = classifier.fit(X[train], y[train]).predict_proba(X[test]) # 训练模型后预测每条样本得到两种结果的概率
fpr, tpr, thresholds = roc_curve(y[test], probas_[:, 1]) # 该函数得到伪正例、真正例、阈值，这里只使用前两个
mean_tpr += np.interp(mean_fpr, fpr, tpr) # 插值函数 interp(x坐标,每次x增加距离,y坐标) 累计每次循环的总值后面求平均值
mean_tpr[0] = 0.0 # 将第一个真正例=0 以0为起点
roc_auc = auc(fpr, tpr) # 求auc面积
plt.plot(fpr, tpr, lw=1, label='ROC fold {0:.2f} (area = {1:.2f})'.format(i, roc_auc)) # 画出当前分割数据的ROC曲线
plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck') # 画对角线
mean_tpr /= cnt # 求数组的平均值
mean_tpr[-1] = 1.0 # 坐标最后一个点为（1,1） 以1为终点
mean_auc = auc(mean_fpr, mean_tpr)
plt.plot(mean_fpr, mean_tpr, 'k--',label='Mean ROC (area = {0:.2f})'.format(mean_auc), lw=2)
plt.xlim([-0.05, 1.05]) # 设置x、y轴的上下限，设置宽一点，以免和边缘重合，可以更好的观察图像的整体
plt.ylim([-0.05, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate') # 可以使用中文，但需要导入一些库即字体
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()
怎么用python绘图
你可以使用numpy和matplotlab这两个库来实现的你功能。
你的图可以参考：
import matplotlib
from numpy.random import randn
import matplotlib.pyplot as plt
from matplotlib.ticker import FuncFormatter
def to_percent(y, position):
# Ignore the passed in position. This has the effect of scaling the default
# tick locations.
s = str(100 * y)
# The percent symbol needs escaping in latex
if matplotlib.rcParams['text.usetex'] == True:
return s + r'$\%$'
else:
return s + '%'
x = randn(5000)
# Make a normed histogram. It'll be multiplied by 100 later.
plt.hist(x, bins=50, normed=True)
# Create the formatter using the function to_percent. This multiplies all the
# default labels by 100, making them all percentages
formatter = FuncFormatter(to_percent)
# Set the formatter
plt.gca().yaxis.set_major_formatter(formatter)
plt.show()
最主要的就是x轴和y轴的处理，我按照对数算了一下你提供的数据，好像和这个图效果不一样。
如果解决了您的问题请采纳！
如果未解决请继续追问
