Python 如何在散点图上分离数据集
我对python非常陌生,但我对学习一种新技术感兴趣,通过这种技术,我可以根据散点图中的不同数据点在散点图中的位置,用不同的标记识别散点图中的不同数据点 我的具体例子与此非常相关: 我有一个BPT图,想沿着分界线分割数据 我有一个以下格式的数据集:Python 如何在散点图上分离数据集,python,matplotlib,astronomy,Python,Matplotlib,Astronomy,我对python非常陌生,但我对学习一种新技术感兴趣,通过这种技术,我可以根据散点图中的不同数据点在散点图中的位置,用不同的标记识别散点图中的不同数据点 我的具体例子与此非常相关: 我有一个BPT图,想沿着分界线分割数据 我有一个以下格式的数据集: data = [[a,b,c], [a,b,c], [a,b,c] ] 我还有以下关于分界线的信息: NII = np.linspace(-3.0, 0.35) def log_OIII_Hb_NII(log_
data = [[a,b,c],
[a,b,c],
[a,b,c]
]
我还有以下关于分界线的信息:
NII = np.linspace(-3.0, 0.35)
def log_OIII_Hb_NII(log_NII_Ha, eps=0):
return 1.19 + eps + 0.61 / (log_NII_Ha - eps - 0.47)
任何帮助都会很好 我假设您的示例中的像素坐标为
a,b
。带有c
s的列则用于计算点是否属于这两个组中的一个
首先将数据设置为ndarray
:
import numpy as np
data = np.array(data)
现在,您可以通过检查数据的哪个部分属于哪个区域来创建两个数组:
dataselector = log_OIII_Hb_NII(data[:,2]) > 0
这将创建一个True和False向量,每当第三列(第2列)中的数据从函数中给出正值时,该向量都具有True。向量的长度等于数据中的行数
然后可以绘制两个数据集:
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
# the plotting part
ax.plot(data[dataselector,0], data[dataselector,1], 'ro')
ax.plot(data[-dataselector,0], data[-dataselector,1], 'bo')
即:
- 创建一个真/假值列表,告诉哪些
数据行属于哪个组
- 绘制两个组(
-dataselector
表示“在dataselector
中存在False的所有行”)
评论部分没有足够的空间。与@DrV所写内容没有太大不同,但可能更倾向于天文:
import random
import numpy as np
import matplotlib.pyplot as plt
def log_OIII_Hb_NII(log_NII_Ha, eps=0):
return 1.19 + eps + 0.61 / (log_NII_Ha - eps - 0.47)
# Make some fake measured NII_Ha data
iternum = 100
# Ranged -2.1 to 0.4:
Measured_NII_Ha = np.array([random.random()*2.5-2.1 for i in range(iternum)])
# Ranged -1.5 to 1.5:
Measured_OIII_Hb = np.array([random.random()*3-1.5 for i in range(iternum)])
# For our measured x-value, what is our cut-off value
Measured_Predicted_OIII_Hb = log_OIII_Hb_NII(Measured_NII_Ha)
# Now compare the cut-off line to the measured emission line fluxes
# by using numpy True/False arrays
#
# i.e., x = numpy.array([1,2,3,4])
# >> index = x >= 3
# >> print(index)
# >> numpy.array([False, False, True, True])
# >> print(x[index])
# >> numpy.array([3,4])
Above_Predicted_Red_Index = Measured_OIII_Hb > Measured_Predicted_OIII_Hb
Below_Predicted_Blue_Index = Measured_OIII_Hb < Measured_Predicted_OIII_Hb
# Alternatively, you can invert Above_Predicted_Red_Index
# Make the cut-off line for a range of values for plotting it as
# a continuous line
Predicted_NII_Ha = np.linspace(-3.0, 0.35)
Predicted_log_OIII_Hb_NII = log_OIII_Hb_NII(Predicted_NII_Ha)
fig = plt.figure(0)
ax = fig.add_subplot(111)
# Plot the modelled cut-off line
ax.plot(Predicted_NII_Ha, Predicted_log_OIII_Hb_NII, color="black", lw=2)
# Plot the data for a given colour
ax.errorbar(Measured_NII_Ha[Above_Predicted_Red_Index], Measured_OIII_Hb[Above_Predicted_Red_Index], fmt="o", color="red")
ax.errorbar(Measured_NII_Ha[Below_Predicted_Blue_Index], Measured_OIII_Hb[Below_Predicted_Blue_Index], fmt="o", color="blue")
# Make it aesthetically pleasing
ax.set_ylabel(r"$\rm \log([OIII]/H\beta)$")
ax.set_xlabel(r"$\rm \log([NII]/H\alpha)$")
plt.show()
随机导入
将numpy作为np导入
将matplotlib.pyplot作为plt导入
def log_OIII_Hb_NII(log_NII_Ha,eps=0):
回报率1.19+eps+0.61/(对数年收益率-eps-0.47)
#制作一些假的NII_Ha测量数据
iternum=100
#范围为-2.1至0.4:
测量值\u NII\u Ha=np.数组([random.random()*2.5-2.1表示范围内的i(iternum)])
#范围为-1.5至1.5:
测量的_OIII_Hb=np.数组([random.random()*3-1.5表示范围内的i(iternum)])
#对于我们测量的x值,我们的截止值是多少
测量值=预测值=对数值(测量值)
#现在将截止线与测量的排放线通量进行比较
#通过使用numpy真/假数组
#
#即x=numpy.数组([1,2,3,4])
#>>索引=x>=3
#>>打印(索引)
#>>numpy.array([False,False,True,True])
#>>打印(x[索引])
#>>numpy.array([3,4])
上述预测指数=测量值>测量值>预测值
低于预测值的蓝色指数=测量值的血红蛋白<测量值的血红蛋白
#或者,您可以反转以上的预测红色指数
#将一系列值的截止线绘制为
#连续线
预测的最小值=np.linspace(-3.0,0.35)
预测值=log\u OIII\u Hb\u NII=log\u OIII\u Hb\u NII(预测值)
图=plt.图(0)
ax=图添加_子批次(111)
#绘制模拟的截止线
ax.曲线图(预测值(Ha)、预测值(log)、预测值(Hb)、预测值(color=“black”、lw=2)
#绘制给定颜色的数据
最大误差条(测量值为[高于预测值的红色指数]、测量值为[高于预测值的红色指数]、fmt=“o”、color=“红色”)
最大误差条(测量值为[低于预测值的蓝色指数]、测量值为[低于预测值的蓝色指数]、fmt=“o”、color=“蓝色”)
#使其美观
ax.set\u ylabel(r“$\rm\log([OIII]/H\beta)$”)
ax.set\u xlabel(r“$\rm\log([NII]/H\alpha)$”)
plt.show()
您可以做的是根据数据列表在分界线定义的两个平面内的位置,将其拆分为两个列表。完成后,可以分别决定每组数据的颜色(和大小…)