Wie überstreichen Sie eine Linie in einem Streudiagramm in Python?

Question

Ich habe zwei Vektoren von Daten und ich habe sie in matplotlib.scatter() setzen. Jetzt möchte ich eine lineare Anpassung dieser Daten überzeichnen. Wie würde ich das tun? Ich habe versucht, scikitlearn und np.scatter zu verwenden.

Answer 1

import numpy as np 
import matplotlib.pyplot as plt 

# sample data 
x = np.arange(10) 
y = 5*x + 10 

# fit with np.polyfit 
m, b = np.polyfit(x, y, 1) 

plt.plot(x, y, '.') 
plt.plot(x, m*x + b, '-') 

Answer 2

Ich bin zu scikits.statsmodels Teil. Hier ein Beispiel:

import statsmodels.api as sm 
import numpy as np 
import matplotlib.pyplot as plt 

X = np.random.rand(100) 
Y = X + np.random.rand(100)*0.1 

results = sm.OLS(Y,sm.add_constant(X)).fit() 

print results.summary() 

plt.scatter(X,Y) 

X_plot = np.linspace(0,1,100) 
plt.plot(X_plot, X_plot*results.params[0] + results.params[1]) 

plt.show() 

Der einzige schwierige Teil ist sm.add_constant(X) die ein Spalten von Einsen zu X, um einen konstanten Term zu erhalten hinzufügt.

 Summary of Regression Results 
======================================= 
| Dependent Variable:   ['y']| 
| Model:       OLS| 
| Method:    Least Squares| 
| Date:    Sat, 28 Sep 2013| 
| Time:      09:22:59| 
| # obs:       100.0| 
| Df residuals:     98.0| 
| Df model:      1.0| 
============================================================================== 
|     coefficient  std. error t-statistic   prob. | 
------------------------------------------------------------------------------ 
| x1      1.007  0.008466  118.9032   0.0000 | 
| const     0.05165  0.005138  10.0515   0.0000 | 
============================================================================== 
|       Models stats      Residual stats | 
------------------------------------------------------------------------------ 
| R-squared:      0.9931 Durbin-Watson:    1.484 | 
| Adjusted R-squared:   0.9930 Omnibus:     12.16 | 
| F-statistic:    1.414e+04 Prob(Omnibus):   0.002294 | 
| Prob (F-statistic):  9.137e-108 JB:      0.6818 | 
| Log likelihood:     223.8 Prob(JB):     0.7111 | 
| AIC criterion:     -443.7 Skew:      -0.2064 | 
| BIC criterion:     -438.5 Kurtosis:     2.048 | 
------------------------------------------------------------------------------ 

Answer 3

Eine andere Möglichkeit, es zu tun, mit axes.get_xlim():

import matplotlib.pyplot as plt 
import numpy as np 

def scatter_plot_with_correlation_line(x, y, graph_filepath): 
    ''' 
    http://stackoverflow.com/a/34571821/395857 
    x does not have to be ordered. 
    ''' 
    # Scatter plot 
    plt.scatter(x, y) 

    # Add correlation line 
    axes = plt.gca() 
    m, b = np.polyfit(x, y, 1) 
    X_plot = np.linspace(axes.get_xlim()[0],axes.get_xlim()[1],100) 
    plt.plot(X_plot, m*X_plot + b, '-') 

    # Save figure 
    plt.savefig(graph_filepath, dpi=300, format='png', bbox_inches='tight') 

def main(): 
    # Data 
    x = np.random.rand(100) 
    y = x + np.random.rand(100)*0.1 

    # Plot 
    scatter_plot_with_correlation_line(x, y, 'scatter_plot.png') 

if __name__ == "__main__": 
    main() 
    #cProfile.run('main()') # if you want to do some profiling 

Answer 4

Eine einzeilige Version von this excellent answer die Linie der besten Anpassung zu zeichnen ist:

plt.plot(np.unique(x), np.poly1d(np.polyfit(x, y, 1))(np.unique(x))) 

Mit np.unique(x) anstelle von x wird der Fall behandelt, in dem x nicht sortiert ist oder doppelte Werte hat.

Der Anruf an poly1d ist eine Alternative zum Schreiben m*x + b wie in this other excellent answer.

Answer 5

plt.plot(X_plot, X_plot*results.params[0] + results.params[1]) 

gegen

plt.plot(X_plot, X_plot*results.params[1] + results.params[0]) 

Answer 6

Ich mag Seaborn des regplot oder lmplot hierfür: