建设银行的英语网站,长春服务好的网站建设,中国网站免费服务器,如何建立平台网站Python使用matplotlib进行可视化一直有2个问题#xff0c;一是代码繁琐#xff0c;二是默认模板比较丑。因此发展出seaborn等在matplotlib上二次开发#xff0c;以更少的代码进行画图的和美化的库#xff0c;但是这也带来了定制化不足的问题。在大模型时代#xff0c;这个…Python使用matplotlib进行可视化一直有2个问题一是代码繁琐二是默认模板比较丑。因此发展出seaborn等在matplotlib上二次开发以更少的代码进行画图的和美化的库但是这也带来了定制化不足的问题。在大模型时代这个问题有了另一种解法即使用大模型直接生成代码解决了代码繁琐代码虽长但不用手写的问题。
一、使用大模型生成代码进行可视化
使用大模型生成想要的代码需要精准的提示词描述否则大模型会根据自己的理解画图。为了让大模型能够精准的理解我们的意图我把画图的设置进行了整理。同时把大模型生成的代码中的最佳实践列出来便于大模型按照最佳的方法输出代码避免大模型自创错误的方法。 需要画图时更改要求并把代码作为案例一并提交大模型生成代码。下面的需求是给大模型的输入所以为了让大模型输出更精准所以把关键把代码和自然语言混编。 本文主要解决三个问题 1、给出一个各类图标的基础设置提示词模板保证大模型能一次性按需生成需要的模型避免反复与大模型多轮对话。 2、给出代码的最佳实践和指定易错的API避免大模型生成错误代码 3、各类图表的使用场景和样式。
画图一使用Python 绘制柱图
使用Python画柱图数据如下其中x轴是 y轴是 1、使用颜色 #1E9ED9表示平均RSRP。 2、设置字体为汉字宋体。图标题字体为24其他为18 3、全局设置mpl.rcParams[‘figure.dpi’] 1080 4、每个 bar 显示标签位置在bar的顶端而不是内部,label_type‘edge’ 5、bar无边框 6、纵轴标签为“平均RSRPdbm”从0开始 7、为了保障距离上边框的距离纵轴最大刻度是ax.margins(y0.2) 顶部留20%空间 8、横轴标签为方案一、方案二。 9、横轴缩短每个bar的宽度和缩短两个bar 间的距离。 10、横轴使用margin()函数让最右边的bar距离右边框和最左边的bar 距离左边框距离一致ax.margins(xmargin ) # 顶部留20%空间 核心布局参数系统 bar_width 0.28 # 柱体宽度 bar_spacing 0.12 # 柱间间距 margin 0.12 # 新增边界控制参数 (建议范围0-0.3) 11、图标题为主覆盖站点选择 12、整个图像要加粗线的外边框
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np# 全局参数配置
mpl.rcParams[figure.dpi] 1080 # 设置分辨率
plt.rcParams[font.sans-serif] [SimSun] # 设置宋体
plt.rcParams[axes.unicode_minus] False # 显示负号# 核心数据与参数
data [-89.68, -84.27]
labels [方案一, 方案二]
bar_color #1E9ED9# 布局控制系统
bar_width 0.12 # 柱体宽度
bar_spacing 0.28 # 柱间间距
margin 0.24 # 边界对称控制参数# 创建画布与坐标系
fig, ax plt.subplots(figsize(10, 7))# 横坐标定位引擎
x_base np.arange(len(labels)) # 基准定位点 [0, 1]
x_pos x_base * (bar_width bar_spacing) # 精确柱体定位# 绘制柱状图系统
bars ax.bar(x_pos, data,widthbar_width,colorbar_color,edgecolornone) # 无边框设置# 数据标签渲染器
ax.bar_label(bars,labels[f{v:.2f} for v in data],label_typeedge, # 将标签放置在柱子顶端padding5, # 调整标签与柱子顶端的距离fontsize18,colorblack)# 坐标轴配置系统
ax.set_xticks(x_pos)
ax.set_xticklabels(labels, fontsize18)
ax.set_ylabel(平均RSRP(dBm), fontsize18)
#ax.set_title(主覆盖站点选择, fontsize24)# 纵轴显示优化
ax.set_ylim(0, max(data) * 1.2) # 强制从0开始
ax.invert_yaxis() # 数值倒置显示
ax.margins(y0.2) # 顶部留20%空间# 边界对称控制系统
ax.margins(xmargin) # 左右对称留白# 边框强化模块
for spine in ax.spines.values():spine.set_linewidth(2.5) # 边框加粗# 生成最终图像
plt.show()画图二、使用Python 绘制直方图
使用Python 绘制频数分布直方图
1、图像布局 使用颜色 #1E9ED9表示平均RSRP。 设置字体为汉字宋体并解决负号显示问。 图标题字体为24其他为18 图标题为RSRP 全局设置mpl.rcParams[‘figure.dpi’] 1080 图例放在右下角legend去除外框。 在图像的右上角要加入plt.text 均值 标准差 为了保障距离上边框的距离顶部留20%空间是ax.margins(y0.2) 2、坐标轴 x轴标签为方案一、方案二。 y轴为“平均RSRPdbm” 从0开始0在最下面。 3、标签和网格线 将标签放在柱子顶端只显示非0标签。 相邻等高的柱子标签要错开可以去掉bar等高标签防止重叠 from adjustText import adjust_text 不显示网格线 4、其他元素 在均值的位置加一根红虚线
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.ticker import MaxNLocator
# 设置字体为宋体并解决负号显示问题
plt.rcParams[font.sans-serif] [SimSun] # 设置全局字体为宋体
plt.rcParams[axes.unicode_minus] False # 解决负号显示问题# 数据列表
data [-92.3, -92.6, -86.6, -84.9, -89.2, -86, -87.9, -90.9, -87.9, -84.4,-89.1, -84.3, -96.9, -86.5, -88.7, -89.9, -88.7, -95, -89.7, -87.9,-84.6, -90.6, -91.4, -90.5, -86.3, -88, -90.6, -87.5, -88.7, -86.1
]mean_value sum(data) / len(data)
std_value np.std(data)plt.figure(figsize(10, 6))
bins np.linspace(-100, -80, 15)
n, bins, patches plt.hist(data,binsbins,color#1E9ED9, # 使用颜色 #1E9ED9edgecolorblack,alpha0.8)# 在每个 bar 的顶端显示标签
for i, patch in enumerate(patches):height n[i]if height 0: # 只显示非零高度的标签plt.text(patch.get_x() patch.get_width() / 2, height 0.1, str(int(height)),hacenter, vabottom, fontsize10, fontnameSimSun)# 添加均值红虚线并设置图例标签
plt.axvline(xmean_value, colorred, linestyle--, labelf均值: {mean_value:.2f} dBm)# 设置标题和坐标轴标签
plt.title(RSRP数据分布直方图, fontsize20)
plt.xlabel(RSRP值 (dBm), fontsize16)
plt.ylabel(频数, fontsize16)# 设置纵轴最大刻度并留出顶部空间
ax plt.gca()
ax.margins(y0.2) # 纵轴顶部留 20% 空间
ax.yaxis.set_major_locator(MaxNLocator(integerTrue)) # 纵轴刻度设置为整数# 设置横轴范围
plt.xlim(-100, -80) # 横轴从 -100 到 -80# 添加图例
plt.legend(loclower right, fontsize10, frameonTrue, edgecolorblack) # 图例在右上角# 在图像右上角加入均值和标准差
plt.text(0.95, 0.95, f均值: {mean_value:.2f} dBm\n标准差: {std_value:.2f} dBm,transformax.transAxes, fontsize10, fontnameSimSun,verticalalignmenttop, horizontalalignmentright,bboxdict(boxstyleround, facecolorwhite, edgecolorblack))# 加粗所有边框
for spine in ax.spines.values():spine.set_linewidth(1.5)# 调整布局
plt.tight_layout()# 显示图像
plt.show()画图三、使用Python 绘制箱线图
1、使用颜色 #DB472A作图。 2、设置字体为汉字宋体。 3、箱线图纵向显示 4、异常值用红点显示不要红点无边框 5、箱线图箱体填充 6、清空Y轴刻度系统ax.set_yticks([]) 7、箱线图横放
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd# 全局参数设置
plt.rcParams[font.sans-serif] [Arial] # 替换为 Arial 字体
plt.rcParams[axes.unicode_minus] False# 数据集
data [13.15, 14.35, 14.15, 10.72, 16.35, 16.24, 15.42, 14.65, 10.87, 14.05,14.3, 12.83, 14.88, 16.69, 21.44, 15.96, 16.22, 15.16, 9.26, 15.32,15.59, 23.28, 14.78, 16.36, 15.29, 11.66, 19.06, 17.81, 17.93, 12.49
]# 创建画布
fig, ax plt.subplots()# 绘制横向箱线图
box ax.boxplot(data,vertFalse,patch_artistTrue,flierprops{marker: o, markerfacecolor: red,markeredgecolor: none},boxprops{color: #DB472A, facecolor: #DB472A},whiskerprops{color: #DB472A},capprops{color: #DB472A},medianprops{color: white})# 计算统计量
mean_val np.mean(data)
stats [np.min(data), np.percentile(data, 25), np.median(data), np.percentile(data, 75), np.max(data)]# 添加统计标注
ax.text(0.95, 0.95,f中位数{stats[2]:.2f}\n平均值{mean_val:.2f},transformax.transAxes,haright, vatop,fontsize12,colorblack,fontweightbold,linespacing1.5,bboxdict(facecolorwhite, alpha0.7, edgecolornone)) # 添加背景框
ax.set_yticks([]) # 清空Y轴刻度系统# 创建增强DataFrame
df pd.DataFrame({变量名称: [数据集 A],最小值: [stats[0]],Q1: [stats[1]],中位数: [stats[2]],Q3: [stats[3]],最大值: [stats[4]],平均值: [mean_val]
})# 显示图表及数据
plt.title(箱线图)
plt.xlabel(数值分布)
plt.tight_layout()
plt.subplots_adjust(right0.85) # 增加右侧边距
plt.show()# 打印 DataFrame
print(df)
画图四、使用Python 绘制二组数据的散点图
1、图像布局 使用颜色 #1E9ED9表示方案一、使用#DB472A表示方案二。方案一标记为圆形方案二为正方形。数据1为的标签为方案一和方案二。 设置字体为汉字宋体并解决负号显示问。 图标题字体为24其他为18 图标题为方案一和方案二对比散布图 全局设置mpl.rcParams[‘figure.dpi’] 1080 图例放在右下角legend去除外框。 在图像的右上角要加入plt.text 方案一均值 方案二 均值 为了保障距离上边框的距离顶部留20%空间是ax.margins(y0.2) 2、坐标轴 x轴标签为1到30 y轴为“平均RSRPdbm” 从-60 到-100 3、标签和网格线 不现实标签。2标签为方案一 均值xx 使用f字符串实现均值根据data计算 不显示网格线 4、其他元素 在给每组数据均值的位置加一根红虚线 案一的均值改为蓝色的虚线两条虚线的上方都写上均值xx 字体颜色与标记颜色相同 方案一标记为圆形方案二为正方形
import matplotlib.pyplot as plt
import numpy as np# 全局参数设置
plt.rcParams[font.sans-serif] SimSun
plt.rcParams[axes.unicode_minus] False
plt.rcParams[figure.dpi] 1080# 准备数据
data1 [-92.3,-92.6,-86.6,-84.9,-89.2,-86,-87.9,-90.9,-87.9,-84.4,-89.1,-84.3,-96.9,-86.5,-88.7,-89.9,-88.7,-95,-89.7,-87.9,-84.6,-90.6,-91.4,-90.5,-86.3,-88,-90.6,-87.5,-88.7,-86.1]
data2 [-86.8, -86.7, -86.4, -84.7, -82.1, -85.1, -82.6, -81.7, -86.2, -81.8,-83.4, -85.8, -86.8, -84.2, -84.2, -90.3, -85.8, -83, -84.2, -88, -87.1,-83, -85.2, -86, -83.1, -85, -86.3, -86.3, -85.7, -84.1
]
x np.arange(1, 31)# 创建画布
fig, ax plt.subplots(figsize(10, 6))# 计算均值
mean1 round(np.mean(data1), 1)
mean2 round(np.mean(data2), 1)# 绘制散点图
ax.scatter(x, data1, c#1E9ED9, markero, label方案一)
ax.scatter(x, data2, c#DB472A, markers, label方案二)# 添加均值虚线及标注
ax.axhline(mean1, colorblue, linestyle--, linewidth1)
ax.axhline(mean2, colorred, linestyle--, linewidth1)
ax.text(15.5, mean1-3, f均值{mean1}, colorblue, haright, fontsize12)
ax.text(15.5, mean23, f均值{mean2}, colorred, haright, fontsize12)# 坐标轴设置
ax.set_xticks(x)
ax.set_ylim(-110, -70)
ax.set_ylabel(平均RSRPdBm, fontsize18)
ax.yaxis.set_label_coords(-0.05, 0.5)# 图例设置
ax.legend(loclower right, frameonFalse, fontsize18)# 其他格式
ax.margins(y0.2)
plt.title(RSRP散布图, fontsize24)
ax.grid(False)
plt.tight_layout()
plt.show()画图五、使用Python 绘制山脊图
使用joypy库绘山脊图
import pandas as pd
import matplotlib.pyplot as plt
from joypy import joyplot# 用户提供的四组数据修正命名
data1 [13.9, 16.7, 18.5, 15.1, 12.1, 13.3, 12.4, 15.5, 15.9, 15, 14, 15.3, 14.6, 14.4, 16, 18.2, 16.8, 15.9, 14.4, 15.1, 16.2, 14.1, 14.2, 16, 13.1, 12.9, 15.8, 18.4, 16.5, 16.4]
data2 [17.1, 14.4, 15.6, 16.4, 14.3, 15.5, 19.3, 17.4, 16.2, 15.3, 17.8, 11.4, 13.8, 17.5, 16.5, 16.1, 16.8, 11.7, 17.8, 18.2, 17.1, 14.1, 17.3, 17.8, 16, 14.7, 16.1, 16.2, 15.3, 13.8]
data3 [16.5, 13.3, 15.5, 14.3, 13.4, 20.3, 16, 16, 12.5, 17.7, 15.5, 16, 15.3, 16.1, 17.1, 16.8, 20.8, 17.5, 17, 14, 16.5, 15.9, 15.9, 18.4, 14.4, 14.3, 17.4, 16.5, 15.4, 18.1]
data4 [17, 19.7, 16.5, 18, 18.5, 17.2, 20, 18.4, 16.7, 18.2, 18.2, 16.1, 16.3, 19.6, 17, 17.4, 21.2, 18.3, 18.2, 16.5, 17.9, 13.2, 14.4, 13.9, 18.9, 16.6, 17.7, 18.7, 15.9, 16]# 转换为长格式DataFrame
df pd.DataFrame({方案1: data1,方案2: data2,方案3: data3,方案4: data4
}).melt(var_nameCategory, value_nameValue)# 绘制山脊图
fig, axes joyplot(datadf,byCategory,columnValue,figsize(8, 6),overlap0.8, # 控制层叠高度colormapplt.cm.viridis, # 颜色映射titleSINR山脊图示例,linecolorwhite # 曲线颜色
)plt.show()使用Python 生成和预览数据
生成数据 、查看数据直方图 、查看箱线图、生成数据和其统计写入excel
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.ticker import MaxNLocator# 生成数据集
np.random.seed(2023)# 模拟生成 final_data 数据假设其为一个长度为30的数组
final_data np.random.normal(loc-89.1, scale2, size30) # 示例数据# 创建数据框架
df pd.DataFrame({测试批次: [f第{i}次测试 for i in range(1, 31)],平均RSRP: np.round(final_data, 1)
})# 打印统计指标
mean_value df[平均RSRP].mean()
std_value df[平均RSRP].std(ddof1)
print(f平均值: {mean_value:.2f} dBm)
print(f标准差: {std_value:.2f} dBm)# 绘制直方图
plt.figure(figsize(10, 6))
bins np.linspace(-100, -80, 15) # 设置横轴从 -100 到 -80 分桶
n, bins, patches plt.hist(df[平均RSRP],binsbins,color#1E9ED9, # 使用颜色 #1E9ED9edgecolorblack,alpha0.8)# 在每个 bar 的顶端显示标签
for i, patch in enumerate(patches):height n[i]if height 0: # 只显示非零高度的标签plt.text(patch.get_x() patch.get_width() / 2, height 0.1, str(int(height)),hacenter, vabottom, fontsize10, fontnameSimSun)# 添加均值红虚线
plt.axvline(xmean_value, colorred, linestyle--,labelf均值: {mean_value:.2f} dBm)# 设置字体为宋体
plt.rcParams[font.sans-serif] [SimSun] # 设置全局字体为宋体
plt.rcParams[axes.unicode_minus] False # 解决负号显示问题# 设置标题和坐标轴标签
plt.title(RSRP数据分布直方图, fontsize14, fontnameSimSun)
plt.xlabel(RSRP值 (dBm), fontsize12, fontnameSimSun)
plt.ylabel(频数, fontsize12, fontnameSimSun)# 设置纵轴最大刻度并留出顶部空间
ax plt.gca()
ax.margins(y0.2) # 纵轴顶部留 20% 空间
ax.yaxis.set_major_locator(MaxNLocator(integerTrue)) # 纵轴刻度设置为整数# 设置横轴范围
plt.xlim(-80, -100) # 横轴从 -80 到 -100-80 在最右边# 添加图例和外边框
plt.legend(loclower right, fontsize10,frameonTrue, edgecolorblack) # 图例在右上角
ax.spines[top].set_linewidth(1.5) # 加粗上边框
ax.spines[bottom].set_linewidth(1.5) # 加粗下边框
ax.spines[left].set_linewidth(1.5) # 加粗左边框
ax.spines[right].set_linewidth(1.5) # 加粗右边框# 在图像右上角加入均值和标准差
plt.text(0.95, 0.95, f均值: {mean_value:.2f} dBm\n标准差: {std_value:.2f} dBm,transformax.transAxes, fontsize10, fontnameSimSun,verticalalignmenttop, horizontalalignmentright,bboxdict(boxstyleround, facecolorwhite, edgecolorblack))# 调整布局
plt.tight_layout()# 显示直方图
plt.show()# 绘制箱线图
plt.figure(figsize(6, 8)) # 设置图像大小
boxprops dict(linewidth1.5, color#DB472A) # 箱体样式使用颜色 #DB472A
medianprops dict(linewidth1.5, colorblack) # 中位数线样式
whiskerprops dict(linewidth1.5, color#DB472A) # 触须样式
capprops dict(linewidth1.5, color#DB472A) # 端点样式
flierprops dict(markero, # 异常值样式markerfacecolor#DB472A,markersize5,linestylenone,markeredgecolornone # 新增边框颜色控制)plt.boxplot(df[平均RSRP], vertTrue, patch_artistFalse, # 纵向显示箱体不填充boxpropsboxprops, medianpropsmedianprops,whiskerpropswhiskerprops, cappropscapprops, flierpropsflierprops)# 设置标题和坐标轴标签
plt.title(RSRP数据分布箱线图, fontsize14, fontnameSimSun) # 设置标题字体为宋体
plt.ylabel(RSRP值 (dBm), fontsize12, fontnameSimSun) # 设置纵轴标签字体为宋体
plt.xticks([1], [平均RSRP], fontsize10, fontnameSimSun) # 设置横轴刻度字体为宋体# 设置纵轴范围
plt.ylim(-100, -80)# 添加外边框
ax plt.gca()
ax.spines[top].set_linewidth(1.5)
ax.spines[bottom].set_linewidth(1.5)
ax.spines[left].set_linewidth(1.5)
ax.spines[right].set_linewidth(1.5)# 调整布局
plt.tight_layout()# 显示箱线图
plt.show()# 写入 Excel 并添加统计指标
path rD:\工作\创新\QC\科创QC\方案细化\RSRP_测试报告.xlsx
with pd.ExcelWriter(path) as writer:df.to_excel(writer, indexFalse, sheet_name测量数据)stats pd.DataFrame({Max: [df[平均RSRP].max()],Min: [df[平均RSRP].min()],极差R: [df[平均RSRP].max() - df[平均RSRP].min()],平均值X: [df[平均RSRP].mean()],标准差S: [df[平均RSRP].std(ddof1)]}, index[统计值])stats.to_excel(writer, sheet_name测量数据,startrowlen(df) 2, startcol0, headerTrue) # 将统计值写在数据下方数据检验
T 检验
import numpy as np
from scipy import statsdata1 [-88.8, -93.1, -86.9, -89.5, -84.6, -88.4, -91.1, -89.5, -89.2, -91.1, -88.9, -89.6, -89.6, -89.3, -91, -88, -91.9, -87.7, -85.4, -88.4, -86, -90.3, -90.6, -85.9, -86.3, -90.1, -92.1, -88.6, -90, -92.3]
data2 [-82.1, -85.2, -82.1, -87.6, -82.5, -86.7, -84, -84.1, -84.7, -83.3, -86.6, -87.2, -79.7, -84.8, -85.2, -81.4, -83.6, -84.3, -85.7, -87.7, -86.3, -86.2, -87.7, -84.2, -86.9, -84.2, -85.4, -85.7, -87.1, -82.9]# 方差齐性检验
levene_test stats.levene(data1, data2)
print(Levene检验结果统计量%.4f, p值%.4f % (levene_test.statistic, levene_test.pvalue))# 根据方差齐性结果选择equal_var参数
if levene_test.pvalue 0.05:equal_var True
else:equal_var False# 进行独立样本T检验
t_stat, p_value stats.ttest_ind(data1, data2, equal_varequal_var)
print(\n独立样本T检验结果)
print(t统计量 , t_stat)
print(p值 , p_value)# 计算自由度如果是Welch检验
if not equal_var:n1 len(data1)n2 len(data2)var1 np.var(data1, ddof1)var2 np.var(data2, ddof1)df (var1/n1 var2/n2) **2 / ((var1/n1)** 2/(n1-1) (var2/n2)**2/(n2-1))print(自由度 , df)
else:df len(data1) len(data2) - 2print(自由度 , df)def cohen_d(data1, data2):n1, n2 len(data1), len(data2)var1 np.var(data1, ddof1) # 无偏估计var2 np.var(data2, ddof1)pooled_std np.sqrt( ((n1-1)*var1 (n2-1)*var2) / (n1n2-2) )return abs( (np.mean(data1)-np.mean(data2)) / pooled_std )# 使用数据计算
d cohen_d(data1, data2)
print(fCohens d {d:.2f}) # 输出Cohens d 2.15ANova 对四个数据做ANOVA 分为四步 正态性判断能不能用方差齐性判断用哪种、ANOVA看明显不明显、事后检验看哪两组最明显。 import numpy as np
from scipy import stats
from statsmodels.stats.multicomp import pairwise_tukeyhsd# 用户数据
data1 [17.1,14.4,15.6,16.4,14.3,15.5,19.3,17.4,16.2,15.3,17.8,11.4,13.8,17.5,16.5,16.1,16.8,11.7,17.8,18.2,17.1,14.1,17.3,17.8,16,14.7,16.1,16.2,15.3,13.8]
data2 [13.9,16.7,18.5,15.1,12.1,13.3,12.4,15.5,15.9,15,14,15.3,14.6,14.4,16,18.2,16.8,15.9,14.4,15.1,16.2,14.1,14.2,16,13.1,12.9,15.8,18.4,16.5,16.4]
data3 [13.4,17.9,19.2,15.1,16.3,16.1,13.7,17.3,14.9,13.1,14.8,15.8,14.8,11.7,16.2,13.2,17.5,16.6,17.2,14.8,15.9,15.7,16.5,15.2,16.8,13.5,15.1,14.4,13.3,14.3]
data4 Data4 [17, 19.7, 16.5, 18, 18.5, 17.2, 20, 18.4, 16.7, 18.2, 18.2, 16.1, 16.3, 19.6, 17, 17.4, 21.2, 18.3, 18.2, 16.5, 17.9, 13.2, 14.4, 13.9, 18.9, 16.6, 17.7, 18.7, 15.9, 16]# 正态性检验Shapiro-Wilk
for i, data in enumerate([data1, data2, data3, data4], 1):stat, p stats.shapiro(data)print(fData{i}正态性检验: W{stat:.3f}, p{p:.3f})# 方差齐性检验Levene
levene_stat, levene_p stats.levene(data1, data2, data3, data4)
print(f\nLevene方差齐性检验F{levene_stat:.2f}, p{levene_p:.4f})# 单因素ANOVA
f_stat, p_value stats.f_oneway(data1, data2, data3, data4)
print(f\n单因素ANOVA结果F({3},{116}){f_stat:.2f}, p{p_value:.4f})# 效应量计算Eta squared
total np.concatenate([data1, data2, data3, data4])
ss_total np.var(total, ddof1) * (len(total)-1)
eta_sq (f_stat * 3) / (f_stat * 3 116) # 公式η² (F * df_between) / (F * df_between df_within)
print(f效应量η² {eta_sq:.3f})# 事后检验Tukey HSD
tukey pairwise_tukeyhsd(endognp.concatenate([data1, data2, data3, data4]),groupsnp.array([Data1]*30 [Data2]*30 [Data3]*30 [Data4]*30),alpha0.05
)
print(\nTukey HSD事后检验结果)
print(tukey.summary())二、动态图表
使用有代码开源动态图表网站寻找合适的模板将图表和对应的代码输入大模型然后提出修改意见和生成代码。 按优先顺序推荐如下 1、apache echarts的示例 图表好看、类型齐全、提供代码 https://echarts.apache.org/examples/zh/index.html#chart-type-line 2、pyercharts的基础图表 图表一般、类型齐全、提供代码 https://05x-docs.pyecharts.org/#/zh-cn/charts_base 3、镝数图标 图表好看、类型齐全、不提供代码仅能参考 https://dycharts.com/appv2/#/pages/home/chart-template
三、画图的美化
给大模型提供美化库让他使用特定的美化库的美化模板进行绘图。
1、Matplotx
主要用在深色主题的绘图中特别是用在黑色或者蓝色的科技感演讲PPT中。 主题如下其中Dracula主题非常流行。
2、案例图形
1、阴影雷达图
3、其他工具
数据专列表
def convert_to_list(input_data):将一列数字转换为 Python 列表。参数:input_data (str): 包含一列数字的字符串每行一个数字。返回:list: 转换后的 Python 列表。# 按行分割输入数据lines input_data.strip().splitlines()# 将每一行的数字转换为浮点数或整数data_list []for line in lines:stripped_line line.strip()if . in stripped_line: # 判断是否为浮点数data_list.append(float(stripped_line))else:data_list.append(int(stripped_line))return data_list# 示例输入数据
input_data
17# 调用函数并打印结果
data_list convert_to_list(input_data)
print(data_list)字体设置
https://blog.csdn.net/qq_35240689/article/details/130924160
