wordpress建站图片效果,体育用品电子商务网站建设方案,中国网络营销网站,引流推广效果好的app从今日开始#xff0c;为大家开辟一个新的系列科研绘图。同一个竞赛下#xff0c;大家都近乎相同的解题思路下。之所以能出现一等二等三等奖的区别很大部分都在于结果的可视化#xff0c;为了能更好地帮助大家进行可视化#xff0c;今后将专门推出一个可视化板块#xff0…从今日开始为大家开辟一个新的系列科研绘图。同一个竞赛下大家都近乎相同的解题思路下。之所以能出现一等二等三等奖的区别很大部分都在于结果的可视化为了能更好地帮助大家进行可视化今后将专门推出一个可视化板块推出各种好看实用的可视化图形。第一次给大家推荐的是山脊图用以描述多个数据的分布方式。数模论文汇中可以用作初始数据的可视化表达即用这样图来解释题目给出了什么样的数据。下面是详细内容
山脊图Ridge Plot也称为Joy Plot。它是一种数据可视化的方法用于展示一个或多个组的数据分布。在山脊图中每个组的数据分布通过平滑的密度曲线表示这些曲线沿垂直轴堆叠排列从而产生类似山脊的视觉效果。这种图表尤其适用于比较不同组的数据分布情况。
山脊图的制作基于核密度估计Kernel Density Estimation, KDE这是一种估计概率密度函数的非参数方式。与传统的条形图或直方图相比山脊图提供了一种更平滑、更直观的方式来展示数据的分布情况。它特别适合于展示大量组的数据分布可以帮助观察者理解不同组之间的差异和相似之处。
山脊图Ridge Plot是一种数据可视化工具主要用于比较多个分布。以下是山脊图的一些优点和缺点
优点
1. 比较能力非常适合比较多个分布的形状和大小。它能清晰地展示不同组之间的变化和趋势。
2. 空间效率通过在单个图中堆叠山脊图可以有效地利用空间显示多组数据避免了创建多个单独的密度图。
3. 美观性山脊图在视觉上吸引人可以用不同的颜色和样式来区分不同的组使得数据更加生动和直观。
4. 趋势识别可以轻松识别多个群体数据中的共同模式和异常值。
5. 数据量适用于展示大量数据集而不会显得拥挤或不清晰。 缺点
1. 过度拥挤如果组的数量过多山脊图可能会显得拥挤使得个别分布难以辨认。
2. 精确度由于重叠难以精确读取特定点的值尤其是在分布之间的重叠区域。
3. 数值比较虽然能够展示分布趋势但不适合精确比较不同组之间的数值。
4. 边缘效应在堆叠的密度图中可能会产生误导例如边缘的分布可能看起来比实际更少。
本次更新主要以matlab为主python实现代码也放于文末展示
首先是绘制最初始的最简单的山脊图如下所示 % 清空环境变量和窗口
clear; close all;% 生成模拟数据
data [];
groups 6;
for i 1:groups
data [data; normrnd(i, 0.5, [200, 1])];
end% 为每组数据创建一个标签
group repelem(1:groups, 200);% 创建一个图形窗口
figure;% 对每组数据进行绘制
for i 1:groups
% 选择当前组的数据
subset data(group i);
% 计算核密度估计
[f, xi] ksdensity(subset);
% 绘制密度曲线并上移相应的高度以创建堆叠效果
plot(xi, f i, LineWidth, 2);
hold on;
end% 添加图例和坐标轴标签
legend(Group 1, Group 2, Group 3, Group 4, Group 5, Group 6);
xlabel(Value);
ylabel(Density);
title(Ridge Plot Example);% 显示图形
hold off;
为了进一步美化图形添加一些元素和调整一些参数来增强其视觉效果。
% 清空环境变量和窗口
clear; close all;% 生成模拟数据
data [];
groups 6;
colors jet(groups); % 使用彩虹色系
for i 1:groups
data [data; normrnd(i, 0.5, [200, 1])];
end% 为每组数据创建一个标签
group repelem(1:groups, 200);% 创建一个图形窗口
figure;% 对每组数据进行绘制
for i 1:groups
% 选择当前组的数据
subset data(group i);
% 计算核密度估计
[f, xi] ksdensity(subset);
% 绘制密度曲线并上移相应的高度以创建堆叠效果
plot(xi, f i, LineWidth, 2, Color, colors(i, :));
hold on;
end% 添加图例和坐标轴标签
legend(Group 1, Group 2, Group 3, Group 4, Group 5, Group 6, ...
Location, northeastoutside);
xlabel(Value);
ylabel(Density);
title(Enhanced Ridge Plot Example);% 设置坐标轴界限和网格
xlim([min(data), max(data)]);
ylim([1, groups 1]);
grid on;% 设置字体大小
set(gca, FontSize, 10);% 显示图形
hold off;
下面两个是matalb美化后的版本 下面进行python展示
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde# 如果您想尝试使用默认样式可以注释掉下面这行代码
# plt.style.use(seaborn)# 生成模拟数据
groups 6
data pd.DataFrame({fGroup_{i}: np.random.normal(loci, scale0.5, size200) for i in range(1, groups 1)})# 转换为“长格式”
data_long pd.melt(data, var_nameGroup, value_nameValue)# 初始化图形
fig, ax plt.subplots(figsize(10, 6))# 对每组数据进行绘制
for i, group in enumerate(data.columns):# 选择当前组的数据subset data[group]# 计算核密度估计density gaussian_kde(subset)xs np.linspace(subset.min(), subset.max(), 200)ys density(xs)# 绘制密度曲线并上移相应的高度以创建堆叠效果ax.plot(xs, ys i, lw2)# 添加图例和坐标轴标签
ax.legend([fGroup {i 1} for i in range(groups)])
ax.set_xlabel(Value)
ax.set_ylabel(Density)
ax.set_title(Ridge Plot Example)# 显示图形
plt.show()
