实例

文章目录

  • 函数积分图
  • 散点条形图
  • 球员能力值

函数积分图

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.pyplot import Polygon
def func(x):return -(x-2)*(x-8)+40
x=np.linspace(0,10)
y=func(x)
ax=plt.subplot()
plt.plot(x,y,'r',linewidth=2)a=2
b=9
ax.set_xticks([a,b])
ax.set_yticks([])
ax.set_xticklabels([r'$a$',r'$b$'])
ix=np.linspace(a,b)
iy=func(ix)
#阴影
ixy=zip(ix,iy)
verts=[(a,0)]+list(ixy)+[(b,0)]
poly=Polygon(verts,facecolor='0.5',edgecolor='0.1')
ax.add_patch(poly)plt.figtext(0.9,0.05,'$x$')
plt.figtext(0.1,0.9,'$y$')
x_match=(a+b)*0.5*0.7
y_match=35
#公式
plt.text(x_match,y_match,r'$\int_a^b(-(x-2)*(x-8)+40dx$',fontsize=15,horizontalalignment='center')
plt.show()

在这里插入图片描述

散点条形图

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np
plt.style.use('ggplot')
x=np.random.randn(200)
y=x+np.random.randn(200)*0.5
#构图
margin_border=0.1
width=0.6
margin_between=0.02
height=0.2left_s=margin_border
bottom_s=margin_border
height_s=width
width_s=widthleft_x=margin_border
bottom_x=margin_border+width+margin_between
height_x=height
width_x=widthleft_y=margin_border+width+margin_between
bottom_y=margin_border
height_y=width
width_y=heightplt.figure(1,figsize=(8,8))#散点图,制出基本构造
rect_s=[left_s,bottom_s,width_s,height_s]
rect_x=[left_x,bottom_x,width_x,height_x]
rect_y=[left_y,bottom_y,width_y,height_y]axScatter=plt.axes(rect_s)
axHisX=plt.axes(rect_x)
axHisY=plt.axes(rect_y)
#去坐标轴
axHisX.set_xticks([])
axHisY.set_yticks([])
#绘图
axScatter.scatter(x,y)
bin_width=0.25
xymax=np.max([np.max(np.fabs(x)),np.max(np.fabs(y))])
lim=int(xymax/bin_width+1)*bin_widthaxScatter.set_xlim(-lim,lim)
axScatter.set_ylim(-lim,lim)bins=np.arange(-lim,lim+bin_width)axHisX.hist(x,bins=bins)
axHisY.hist(y,bins=bins,orientation='horizontal')axHisX.set_xlim(axScatter.get_xlim())
axHisY.set_xlim(axScatter.get_ylim())plt.show()

在这里插入图片描述

球员能力值

import matplotlib.pyplot as plt
import numpy as np
from  matplotlib.font_manager import FontPropertiesfont = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=12)
plt.style.use('ggplot')
ax1=plt.subplot(111,projection='polar')
ability_size=6
ability_label=[u'进攻',u'防守',u'盘带',u'速度',u'体力',u'射术',]player={'M':np.random.randint(size=ability_size,low=80,high=99)}#使其闭环
theta=np.linspace(0,2*np.pi,6,endpoint=False)
theta=np.append(theta,theta[0])player['M']=np.append(player['M'],player['M'][0])
ax1.plot(theta,player['M'],'r')
ax1.fill(theta,player['M'],'r',alpha=0.3)
ax1.set_xticks(theta)
ax1.set_xticklabels(ability_label,y=0.01,fontproperties=font)
ax1.set_title(u'梅西',fontproperties=font,color='r',size=20)
plt.show()

在这里插入图片描述

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/467791.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

闲来无事,拆个示波器玩玩。

首先要解释一下何为混合域示波器,既然说到这个话题就不得不说一下示波器进化史了,接下来大概讲一下示波器进化简史。第一代示波器——模拟示波器(ART-analog real time oscilloscope )纯模拟机器,使用示波管显示X-Y扫描成像显示波形&#xff…

r roc函数_R绘制ROC曲线 | Public Library of Bioinformatics

ROC曲线,受试者工作特征曲线 (receiver operating characteristic curve,简称ROC曲线),又称为感受性曲线(sensitivity curve)。ROC曲线是根据一系列不同的二分类方式(分界值或决定阈),以真阳性率(灵敏度)为纵坐标,假阳…

机器算法1)

SKLEARN Scikit-learn与特征工程 “数据决定了机器学习的上限,而算法只是尽可能逼近这个上限”,这句话很好的阐述了数据在机器学习中的重要性。大部分直接拿过来的数据都是特征不明显的、没有经过处理的或者说是存在很多无用的数据,那么需要…

老罗直播——只要给你一个机会,你就伸双手去接!

昨天,4月1日,罗永浩在抖音上直播卖货。一时间舆论纷纷,有吐槽老罗状况频出的,也有感叹老罗为了挣钱能屈能伸的。总之,有人讨论,有人关注,这个事件已经成功了一大半。老罗与抖音签约费是6000万&a…

segmenter.go

//Go中文分词package segoimport ("bufio""fmt""log""math""os""strconv""strings""unicode""unicode/utf8")const (minTokenFrequency 2 // 仅从字典文件中读取大于等于此频率的…

我在MTK平台下调试音频ALSA

#前言前言我就随便写了,因为是项目的需要,我需要在我们的MTK8167S平台上面调试音频。包括录音和播放。#硬件原理图因为是我们公司的项目,我就不能把完整的原理图给出来。因为两个MIC不涉及机密,跟MTK的公版是一样的。可以给出来大…

java 左边补0_java 数字左补齐0

NumberFormat nf NumberFormat.getInstance();//设置是否使用分组nf.setGroupingUsed(false);//设置最大整数位数nf.setMaximumIntegerDigits(2);nf.setMinimumIntegerDigits(2);//可以左补齐两位数的数字//以下是查询当前天数的所有日期String nowDaygetNowYMD();String curD…

一切不怕从零开始

不知道大家有没有看过吴京题为<<一切不怕从零开始>>的演讲。我曾经刷微博的时候看到过,印象和触动最深的是他的那句"我走过很多的路,换过很多的方向,不敢说有什么成就,到今天我觉得唯一能够让我拿出来炫耀的可能就是,我不害怕从头开始"。这样的话,对年龄…

60、二叉搜索树的第k个结点

一、题目 给定一颗二叉搜索树&#xff0c;请找出其中的第k大的结点。例如&#xff0c; 5 / \ 3 7 /\ /\ 2 4 6 8 中&#xff0c;按结点数值大小顺序第三个结点的值为4。 二、解法 1 package algorithm7;2 3 public class KthNode62 {4 public static void main(String[] ar…

机器学习算法3

文章目录转换器与估计器分类算法-K近邻算法一个例子弄懂k-近邻计算距离公式sklearn.neighborsMethodk近邻实例k-近邻算法案例分析对Iris数据集进行分割对特征数据进行标准化朴素贝叶斯概率论基础联合概率与条件概率联合概率条件概率如果每个事件相互独立拉普拉斯平滑sklearn朴素…

嵌入式杂谈之文件系统

文件系统可以说是嵌入式中的一大块&#xff0c;也是绕不过的一部分。之前我对文件系统认知一直停留在在U盘格式的理解上&#xff0c;直到接触了嵌入式Linux才发现这里面大有文章&#xff0c;以Linux启动挂载根文件系统为例&#xff0c;这个文件系统可以是真正的存储设备上的文件…

qtscrcpy自定义按键_按键映射说明.md

# 自定义按键映射说明按键映射文件为json格式&#xff0c;新增自己的按键映射文件需要放在keymap目录中才可以被QtScrcpy识别。按键映射文件的具体编写格式下面会介绍&#xff0c;也可以参考自带的按键映射文件。## 按键映射脚本格式说明### 通用说明- 按键映射中的坐标位置都是…

docker发布spring cloud应用

原文地址&#xff1a;http://www.cnblogs.com/skyblog/p/5163691.html 本文涉及到的项目&#xff1a; cloud-simple-docker&#xff1a;一个简单的spring boot应用 Docker是一种虚拟机技术&#xff0c;准确的说是在linux虚拟机技术LXC基础上又封装了一层&#xff0c;可以看成是…

Linux块设备IO子系统

块设备是Linux三大设备之一&#xff0c;其驱动模型主要针对磁盘&#xff0c;Flash等存储类设备&#xff0c;块设备&#xff08;blockdevice&#xff09;是一种具有一定结构的随机存取设备&#xff0c;对这种设备的读写是按块(所以叫块设备)进行的&#xff0c;他使用缓冲区来存放…

机器学习算法4

文章目录精确率和召回率分类器性能评估混淆矩阵分类模型sklearn.metrics.classification_report决策树认识决策树优缺点信息的度量和作用信息熵决策树划分依据之信息增益api实战method决策树优缺点分析实例随机森林集成方法&#xff08;分类&#xff09;之随机森林学习算法skle…

unity怎么制作云飘动_Unity 如何制作星空粒子效果?

本经验介绍在Unity游戏引擎中使用Particle System&#xff0c;如何使用自带资源&#xff0c;快速制作星空的粒子特效。工具/原料Unity方法/步骤1:首先&#xff0c;新建一个场景&#xff0c;如果有自己的天空盒资源的话&#xff0c;在Window->Lighting下设置下天空(默认天空盒…

[芦半山]Android native分析工具ASAN和HWASAN原理解析

ASAN和HWASAN原理解析由于虚拟机的存在&#xff0c;Android应用开发者们通常不用考虑内存访问相关的错误。而一旦我们深入到Native世界中&#xff0c;原本面容和善的内存便开始凶恶起来。这时&#xff0c;由于程序员写法不规范、逻辑疏漏而导致的内存错误会统统跳到我们面前&am…

线性回归,岭回归

文章目录线性回归回归算法回归算法之线性回归优缺点损失函数梯度下降算法LinearRegression属性加入交叉验证线性回归案例分析波士顿房价预测5.性能评测案例欠拟合与过拟合解决过拟合的方法回归算法之岭回归sklearn.linear_model.Ridge方法属性案例分析线性回归 回归算法 回归…

resnet152训练_Resnet-152的图像预处理

152层的 Resnet的图片输入尺寸为224*224&#xff0c;那对于大多数情况&#xff0c;图片的分辨率都是大于这个数值&#xff0c;那么该如何把图片的尺寸裁剪到这样一个尺寸&#xff0c;又如何进行数据增强呢&#xff1f;第一&#xff0c;调整尺寸(Rescaling)先将图片较短的那条边…

重处理报表的坑

1.创建报表时&#xff0c;会记录符合条件的FileID 2.重处理报表时&#xff0c;不会根据条件去找符合条件的数据&#xff1b;而是根据原先的FileID去生成&#xff1b; 意味着新增了数据&#xff0c;原先的报表重处理也增加不了数据...必须要重新生成报表 转载于:https://www.cnb…