11.16~11.19绘制图表,导入EXCEL中数据,进行拟合

这个错误通常是由于传递给curve_fit函数的数据类型不正确引起的。根据你提供的代码和错误信息,有几个可能的原因:

  1. 数据类型错误:请确保ce_datalg_dataproduct_data是NumPy数组或类似的可迭代对象,且其元素的数据类型为浮点数。你可以使用print(type(ce_data))等语句检查数据类型。

  2. 数据维度不匹配:curve_fit函数的第一个参数是要拟合的模型函数,其后的参数应该是要拟合的数据。根据你的代码,模型函数是reaction_model,而数据是(ce_data, lg_data)product_data。请确保数据的维度匹配,即ce_datalg_dataproduct_data具有相同的长度或形状。

  3. 数据元素过于复杂:错误信息中的"object too deep for desired array"提示可能是由于数据元素过于复杂而导致的。在使用curve_fit函数之前,确保数据不包含任何复杂对象或嵌套结构。如果数据中包含复杂对象,可以尝试将其转换为简单的数值或处理数据以满足函数的要求。

检查以上可能的原因,并根据需要调整代码和数据类型,以解决这个错误。

绘制图表

  • fig = plt.figure() 创建一个新的图形窗口。
  • ax = fig.add_subplot(111, projection='3d') 在图形窗口中添加一个三维子图(子图索引为111),并指定投影方式为3D。
  • ax.scatter(x1, x2, y, c='b', marker='o') 在三维子图中绘制散点图,其中x1x2表示两个自变量的值,y表示因变量的值。参数c设置散点的颜色为蓝色('b'),marker设置散点的形状为圆形('o')。

多项式回归

将excel导入进python

只有excel和py的主文件在同一目录下时才可以只写文件名,不然就必须写地址,即使在桌面上也不可以

data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')

还有就是地址可以用/,用\可能会出现转义字符 

import pandas as pd
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression# 读取Excel文件
data = pd.read_excel('data.xlsx')# 提取自变量和因变量数据
X = data['自变量列名'].values.reshape(-1, 1)  # 将自变量数据转换为二维数组
Y = data['因变量列名'].values.reshape(-1, 1)  # 将因变量数据转换为二维数组# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)# 拟合模型
model = LinearRegression()
model.fit(X_poly, Y)# 进行预测
Y_pred = model.predict(X_poly)# 打印拟合结果
print(Y_pred)# 可以继续进行可视化等操作...
# 生成一系列连续的自变量值,用于绘制曲线
X_plot = np.linspace(0, 1.2, 100).reshape(-1, 1)
X_plot_poly = poly_features.transform(X_plot)# 进行预测
Y_pred = model.predict(X_plot_poly)# 绘制原始数据点
plt.scatter(X, Y, color='blue', label='原始数据')# 绘制拟合曲线
plt.plot(X_plot, Y_pred, color='red', label='拟合曲线')# 设置图例和标签
plt.legend()
plt.xlabel('自变量')
plt.ylabel('因变量')
plt.title('多项式回归拟合')# 显示图形
plt.show()
import pandas as pd
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
# 读取Excel文件
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')# 提取自变量和因变量数据
X = data['DFA/CS'].values.reshape(-1, 1)  # 将自变量数据转换为二维数组
Y = data['Tar yield'].values.reshape(-1, 1)  # 将因变量数据转换为二维数组# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)# 拟合模型
model = LinearRegression()
model.fit(X_poly, Y)# 进行预测
Y_pred = model.predict(X_poly)# 打印拟合结果
print(Y_pred)# 可以继续进行可视化等操作...
# 生成一系列连续的自变量值,用于绘制曲线
X_plot = np.linspace(0, 1.2, 100).reshape(-1, 1)
X_plot_poly = poly_features.transform(X_plot)# 进行预测
Y_pred = model.predict(X_plot_poly)# 绘制原始数据点
plt.scatter(X, Y, color='blue', label='point')# 绘制拟合曲线
plt.plot(X_plot, Y_pred, color='red', label='curve')# 设置图例和标签
plt.legend()
plt.xlabel('DFA/CS')
plt.ylabel('Tar yelid')
plt.title('curve')# 显示图形
plt.show()

在从Excel提取自变量和因变量后,将它们转换为二维数组的原因是为了与某些库和函数的要求相匹配。

许多机器学习和数据分析库(如scikit-learn、NumPy等)通常期望输入数据是二维数组的形式,其中每个样本位于行中,每个特征位于列中。通过将自变量和因变量转换为二维数组,可以将数据结构化并满足库和函数的要求。

对于自变量,如果你只有一个自变量列,你可以使用NumPy的`reshape`函数将其转换为二维数组。假设自变量数组为`X`,你可以使用以下代码转换为二维数组:

```python
import numpy as np
X = np.array(X).reshape(-1, 1)
```

这将将`X`数组从一维数组转换为二维数组,其中样本位于行中,特征位于列中。`-1`参数表示自动推断行数,`1`表示列数为1。

对于因变量,如果你有多个因变量列,你可以将它们合并为一个二维数组。假设因变量数组为`Y1`、`Y2`、`Y3`,你可以使用以下代码将它们合并为一个二维数组:

```python
import numpy as np
Y = np.column_stack((Y1, Y2, Y3))
```

这将使用`column_stack`函数将`Y1`、`Y2`和`Y3`列堆叠在一起,形成一个二维数组,其中每个列对应一个因变量。

通过将自变量和因变量转换为二维数组,你可以更方便地使用各种库和函数进行数据分析、建模和拟合操作。

希望这能解答你的问题!如果还有其他问题,请随时提问。

import pandas as pd
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
# 读取Excel文件
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')# 提取自变量和因变量数据
X = data['DFA/CS'].values. Reshape(-1, 1)  # 将自变量数据转换为二维数组
Y1 = data['Tar yield'].values. Reshape(-1, 1)  # 将因变量数据转换为二维数组
Y2 = data['Water yield'].values. Reshape(-1, 1)
Y3 = data['Char yield'].values. Reshape(-1, 1)
Y4 = data['Syngas yield'].values.reshape(-1, 1)
# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)# 拟合模型
model = LinearRegression()
model.fit(X_poly, Y1)
model.fit(X_poly, Y2)
model.fit(X_poly, Y3)
model.fit(X_poly, Y4)
# 进行预测
Y_pred = model.predict(X_poly)# 打印拟合结果
print(Y_pred)# 可以继续进行可视化等操作...
# 生成一系列连续的自变量值,用于绘制曲线
X_plot = np.linspace(0, 1.2, 100).reshape(-1, 1)
X_plot_poly = poly_features.transform(X_plot)# 进行预测
Y_pred = model.predict(X_plot_poly)# 绘制原始数据点
plt.scatter(X, Y, color='blue', label='point')# 绘制拟合曲线
plt.plot(X_plot, Y_pred, color='red', label='curve')# 设置图例和标签
plt.legend()
plt.xlabel('DFA/CS')
plt.ylabel('Tar yelid')
plt.title('curve')# 显示图形
plt.show()
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit# 从Excel文件中读取数据
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')# 提取自变量数据列
x = data['DFA/CS'].values# 提取多个因变量数据列
y_columns = ['Tar yield', 'Water yield', 'Char yield','Syngas yield']  # 替换为实际的数据列名称# 自定义拟合函数
def func(x, a, b):return a * x + b# 创建图形窗口和子图
fig, axs = plt.subplots(len(y_columns), 1, figsize=(8, 6), sharex=True)# 遍历每个因变量数据列
for i, y_column in enumerate(y_columns):# 提取因变量数据列y = data[y_column].values# 执行拟合params, _ = curve_fit(func, x, y)# 生成拟合曲线fit = func(x, *params)# 绘制原始数据点和拟合曲线axs[i].scatter(x, y, label='Data')axs[i].plot(x, fit, label='Fit')# 添加图例axs[i].legend()# 设置整体图形的标题和横轴标签
fig.suptitle('Fitted Curves')
plt.xlabel('X')# 调整子图之间的间距
plt.tight_layout()# 显示图形
plt.show()

得到EXCEL中,

每个单元格在其所在行中的占比

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit# 从Excel文件中读取数据
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')# 提取自变量数据列
x = data['DFA/CS'].values# 提取多个因变量数据列
y_columns = ['Tar yield', 'Water yield', 'Char yield','Syngas yield']  # 替换为实际的数据列名称# 多项式拟合阶数
degree = 2# 创建图形窗口和子图
fig, axs = plt.subplots(len(y_columns), 1, figsize=(8, 6), sharex=True)# 遍历每个因变量数据列
for i, y_column in enumerate(y_columns):# 提取因变量数据列y = data[y_column].values# 执行拟合coeffs = np.polyfit(x, y, degree)poly = np.poly1d(coeffs)fit = poly(x)# 绘制原始数据点和拟合曲线axs[i].scatter(x, y, label='Data')axs[i].plot(x, fit, label='Fit')# 添加图例axs[i].legend()# 输出拟合函数的具体信息print(f"Fitted function for {y_column}:")print(poly)# 设置整体图形的标题和横轴标签
fig.suptitle('Fitted Curves')
plt.xlabel('X')# 调整子图之间的间距
plt.tight_layout()# 显示图形
plt.show()
import pandas as pd
import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt# 自定义指数函数
def exponential_func(x, a, b, c):return a * np.exp(b * x) + c# 从Excel文件中读取数据
df = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')
x_data = df['DFA/CS'].values
y_data = df[['Tar yield', 'Water yield', 'Char yield','Syngas yield']].values.Tprint(x_data,y_data)
# 创建子图
fig, axs = plt.subplots(2, 2, figsize=(10, 8))# 针对每个因变量进行拟合和绘图
for i, ax in enumerate(axs.flat):y = y_data[i]  # 当前因变量的数据# 进行拟合popt, pcov = curve_fit(exponential_func, x_data, y, maxfev=10000)  # 增加maxfev的值# 绘制拟合曲线x_fit = np.linspace(min(x_data), max(x_data), 100)y_fit = exponential_func(x_fit, *popt)ax.plot(x_fit, y_fit, label='Fit Curve')# 绘制原始数据点ax.scatter(x_data, y, label='Data')# 显示方程信息equation_info = f'y = {popt[0]:.2f} * exp({popt[1]:.2f} * x) + {popt[2]:.2f}'ax. Text(2, max(y) / 2, equation_info)ax.set_xlabel('x')ax.set_ylabel('y')ax.set_title(f'Fit Curve for Variable {i+1}')ax.legend()# 调整子图布局
plt.tight_layout()# 显示图表
plt.show()
return a * np.exp(-(x - b)**2 / (2 * c**2)) + d
# 非线性最小二乘拟合
popt, pcov = curve_fit(exponential_func, x_data, y_data, maxfev=100000,p0=(1, -1, 1))

拟合时初始值很重要

curve_fit就是最小二乘拟合

对于单调减的初始值设为-1,开始时增加的,设为1

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fitx_data = np.array([0., 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.])
y_data = np.array([19.46, 17.25, 15.43, 14.14, 13.89, 13.21, 12.84, 12.57, 12.13])def exponential_func(x, a, b, c, d):return a * np.exp(b * x + d) + cpopt, pcov = curve_fit(exponential_func, x_data, y_data, p0=(1, -1, 1, 0))a_fit, b_fit, c_fit, d_fit = popt
expression = f"{a_fit:.4f} * exp({b_fit:.4f} * x + {d_fit:.4f}) + {c_fit:.4f}"
print("expression:", expression)x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = exponential_func(x_fit, *popt)plt.plot(x_fit, y_fit, label='Predicted value')
plt.scatter(x_data, y_data, label='Actual')
plt.xlabel('Mixing ratio of DFA/CS')
plt.ylabel('Tar yield')
plt.title('Kinetic model')
plt.legend()
plt.show()y_pred = exponential_func(x_data, *popt)
comparison_table = np.column_stack((x_data, y_data, y_pred))
print("\nA table comparing predicted values to actual values:")
print("r     Actual      Predicted value")
print("-------------------------")
for row in comparison_table:print(f"{row[0]:.1f}    {row[1]:.2f}    {row[2]:.2f}")

多元线性回归拟合以及摘要 

import pandas as pd
import numpy as np
import statsmodels.api as sm
# 指定 Excel 文件路径
excel_file = 'C:/Users/26861/Desktop/Annex II-Pyrolysis Gas Yields of Three Pyrolysis Combinations.xlsx'
# 提取 X 列的数据作为自变量
df = pd.read_excel(excel_file)X = df[['H2CE', 'H2LG']]
y = df['H2CS']# 添加常数列
X = sm.add_constant(X)# 拟合多元线性回归模型
model = sm.OLS(y, X)
results = model.fit()# 打印回归结果摘要
print(results.summary())
equation = 'y = {:.4f} + {:.4f}*X1 + {:.4f}*X2 '.format(results.params['const'], results.params['H2CE'], results.params['H2LG'])
print(equation)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/151770.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

mybatisPlus的简单使用

封装实体类 编写Mapper service层 controller层

[python]python筛选excel表格信息并保存到另一个excel

目录 关键词平台说明背景所需库1.安装相关库2.代码实现sourcetarget1 关键词 python、excel、DBC、openpyxl 平台说明 项目Valuepython版本3.6 背景 从一个excel表中遍历删选信息并保存到另一个excel表 所需库 1.openpyxl :是一个用于读写 Excel 文件的 Pyt…

汽车级低压差稳压器LDO LM317BD2TR4G原理、参数及应用

LM317BD2TR4G主要功能特性分析 : LM317BD2TR4G 低漏 (LDO) 线性电压稳压器是一款可调 3 端子正向 LDO 电压器,能够在 1.2 V 至 37 V 的输出电压范围内提供 1.5 A 以上的电流。此电压稳压器使用非常简便,仅需两个外部电阻即可设置输出电压。另…

基于RK3588全高端智能终端机器人主板

一、小尺寸板型设计 该款主板为小型板,尺寸仅为125*85mm,更小更紧凑,可完美适应各类高端智能自助终端; 二、八核高端处理器 采用RK3588S八核64位处理器,8nm LP制程,主频最高达2.4GHz,搭载Andr…

一个前端非侵入式骨架屏自动生成方案

目录 背景 现有方案调研 侵入业务式手写代码 非侵入业务式手写代码 非侵入式骨架屏代码自动生成 技术方案 设计原则 架构图 骨架屏生成 骨架屏注入 优化点 部分技术细节解析 puppeteer 文本块处理 图片块处理 a 标签处理 自定义属性处理 首屏HTML处理 首屏样…

[模版总结] - 树的基本算法3 - 结构转化

二叉树结构转化 通常将二叉树根据某些要求进行结构重构,比如线性结构转化(链表,数组),序列化等。 常见题型 注:这类题目最基本的解题思路是利用递归分治 (也可以使用迭代方法),在构建树结构的时候,我们通…

春秋云境靶场CVE-2022-28512漏洞复现(sql手工注入)

文章目录 前言一、CVE-2022-28512靶场简述二、找注入点三、CVE-2022-28512漏洞复现1、判断注入点2、爆显位个数3、爆显位位置4 、爆数据库名5、爆数据库表名6、爆数据库列名7、爆数据库数据 总结 前言 此文章只用于学习和反思巩固sql注入知识,禁止用于做非法攻击。…

前置语音群呼与语音机器人群呼哪个更好

最近通过观察自己接到的营销电话,通过语音机器人外呼的量应该有所下降。同时和客户交流获取到的信息,也是和这个情况类似,很多AI机器人群呼的量转向了OKCC前置语音群呼。询问原因,说是前置语音群呼转化更快,AI机器人群…

通过汇编理解cortex-m3:第0章

第0章:准备工作 基本想法:利用汇编和gdb调试,来学习cortex-m3汇编指令,以及一些寄存器的功能。 软件和硬件: 硬件:韦东山瑞士军刀中的最小核心板(STM32F103C8T6) STLINK-V2&#…

力扣刷题-二叉树-二叉树最小深度

给定一个二叉树,找出其最小深度。 最小深度是从根节点到最近叶子节点的最短路径上的节点数量。 说明:叶子节点是指没有子节点的节点。(注意题意) 示例 1: 输入:root [3,9,20,null,null,15,7] 输出&#x…

【数据结构(二)】队列(2)

文章目录 1. 队列的应用场景和介绍1.1. 队列的一个使用场景1.2. 队列介绍 2. 数组模拟队列2.1. 思路分析2.2. 代码实现 3. 数组模拟环形队列3.1. 思路分析3.2. 代码实现 1. 队列的应用场景和介绍 1.1. 队列的一个使用场景 银行排队的案例: 1.2. 队列介绍 队列是一…

基于STC12C5A60S2系列1T 8051单片的IIC总线器件数模芯片PCF8591实现数模转换应用

基于STC12C5A60S2系列1T 8051单片的IIC总线器件数模芯片PCF8591实现数模转换应用 STC12C5A60S2系列1T 8051单片机管脚图STC12C5A60S2系列1T 8051单片机I/O口各种不同工作模式及配置STC12C5A60S2系列1T 8051单片机I/O口各种不同工作模式介绍IIC总线器件数模芯片PCF8591介绍通过按…

前缀和(c++,超详细,含二维)

前缀和与差分 当给定一段整数序列a1,a2,a3,a4,a5…an; 每次让我们求一段区间的和,正常做法是for循环遍历区间起始点到结束点,进行求和计算,但是当询问次数很多并且区间很长的时候 比如,10^5 个询问和10^6区间长度,相…

基于机器学习的居民消费影响因子分析预测

项目视频讲解: 基于机器学习的居民消费影响因子分析预测_哔哩哔哩_bilibili 主要工作内容: 完整代码: import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns import missingno as msno import warnings warnings.filterwarnin…

emq Neuron工业协议采集使用

emq Neuron工业协议采集使用 Neuron 简介 EMQ X Neuron 是运行在各类物联网边缘网关硬件上的工业协议商业化网关软件,支持一站式接入和解析数十种工业协议,并转换成 MQTT 协议接入工业物联网平台。用户可以通过基于 Web 的管理控制台可以实现在线的网关…

IDEA调用接口超时,但Postman可成功调用接口

📢专注于分享软件测试干货内容,欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正!📢交流讨论:欢迎加入我们一起学习!📢资源分享:耗时200小时精选的「软件测试」资…

消息中间的应用场景

1、异步处理 比如用户在电商网站下单,下单完成后会给用户推送短信或邮件,发短信和邮件的过程就可以异步完成。因为下单付款是核心业务,发邮件和短信并不属于核心功能,并且可能耗时较长,所以针对这种业务场景可以选择先…

OpenCV快速入门:直方图、掩膜、模板匹配和霍夫检测

文章目录 前言一、直方图基础1.1 直方图的概念和作用1.2 使用OpenCV生成直方图1.3 直方图归一化1.3.1 直方图归一化原理1.3.2 直方图归一化公式1.3.3 直方图归一化代码示例1.3.4 OpenCV内置方法:normalize()1.3.4.1 normalize()方法介绍1.3.4.2 normalize()方法参数…

JUnit 单元自动化

一、Junit 是什么? Junit 是 Java 中用于单元测试的框架。使用 Junit 能让我们快速高效的完成单元测试。 自动化测试:JUnit提供了自动化测试的能力,开发人员可以编写一次测试用例,然后通过简单的命令或集成到持续集成工具中进行…

TDengine Restful Authorization 自定义Token

Restful 接口是 TDengine 最常用的接口,仅次于 JDBC。TDengine 支持 HTTP 和 HTTPS,但通常情况下,大家不想搞证书,又在内网环境中,采用 HTTP 方式比较多。但 HTTP 是明文传输,只要抓个包就知道账号密码了。…