Python 如何使用Numpy.polyfit绘制趋势图
感谢用户Eduard Ilyasov几天前帮助我 现在我得到了一些结果,但我几乎不理解这些 我试图计算1979年到2016年的气温趋势Python 如何使用Numpy.polyfit绘制趋势图,python,numpy,temperature,data-processing,trend,Python,Numpy,Temperature,Data Processing,Trend,感谢用户Eduard Ilyasov几天前帮助我 现在我得到了一些结果,但我几乎不理解这些 我试图计算1979年到2016年的气温趋势 #calculate trend ####numpy.ployfit nmon = nyr * 12 tdum = MA.arange(0,nmon) ntimes, ny, nx = tempF.shape #ntimes is time, ny is latitude, nx is longitude print
#calculate trend
####numpy.ployfit
nmon = nyr * 12
tdum = MA.arange(0,nmon)
ntimes, ny, nx = tempF.shape
#ntimes is time, ny is latitude, nx is longitude
print tempF.shape
trend = MA.zeros((ny,nx), dtype='2f')
#trend = MA.zeros((ny,nx),dtype=float)
print trend.shape
for y in range (0,ny):
for x in range (0,nx):
trend[y,x]= numpy.polyfit(tdum, tempF[:,y,x],1)
print trend.shape
print trend
结果如下:
(
(456, 241, 480)
(241, 480, 2)
(241, 480, 2)
[[[ 0.00854342 -1.94362879]
[ 0.00854342 -1.94362879]
[ 0.00854342 -1.94362879]
...,
[ 0.00854342 -1.94362879]
[ 0.00854342 -1.94362879]
[ 0.00854342 -1.94362879]]
[[ 0.00824162 -1.87496781]
[ 0.00824792 -1.87640166]
[ 0.00825524 -1.87806702]
...,
[ 0.00822667 -1.87156749]
[ 0.00823172 -1.87271607]
[ 0.0082366 -1.87382615]]
[[ 0.00767854 -1.7468679 ]
[ 0.00769076 -1.74964726]
[ 0.00770384 -1.75262356]
...,
[ 0.00764879 -1.74010038]
[ 0.00765911 -1.74244869]
[ 0.00766829 -1.74453557]]
...,
[[-0.0025295 0.57546186]
[-0.00252633 0.57474071]
[-0.00252274 0.57392275]
...,
[-0.00253488 0.57668549]
[-0.00253269 0.57618785]
[-0.00253125 0.57585901]]
[[-0.00315533 0.71783835]
[-0.00315261 0.71721852]
[-0.00314936 0.71648043]
...,
[-0.00315671 0.71815109]
[-0.00315621 0.71803892]
[-0.00315584 0.71795386]]
[[-0.00309109 0.7032221 ]
[-0.00309109 0.7032221 ]
[-0.00309109 0.7032221 ]
...,
[-0.00309109 0.7032221 ]
[-0.00309109 0.7032221 ]
[-0.00309109 0.7032221 ]]]
我的理解是,每个括号中的第二个值应该是表示趋势值的系数,但我不理解趋势的形状。每个[]中第一个数字的含义是什么?我应该使用什么值来绘制趋势图
非常感谢,如果您能帮助我如果您阅读
numpy.polyfit()
的文档,您将进一步了解此函数的定义
该解决方案使平方误差最小化
E=\sum{j=0}^k|p(x|j)-y|j^2
在方程式中:
x[0]**n * p[0] + ... + x[0] * p[n-1] + p[n] = y[0]
x[1]**n * p[0] + ... + x[1] * p[n-1] + p[n] = y[1]
...
x[k]**n * p[0] + ... + x[k] * p[n-1] + p[n] = y[k]
对于趋势为线性的情况,这意味着trend[y,x,0]
是趋势值(也称为斜率),而trend[y,x,1]
是截距
作为一个例子,考虑下面的例子:
将numpy导入为np
从matplotlib导入pyplot作为plt
N=10
xs=np.random.random(N)
ys=np.随机。随机(N)
趋势=np.多边形拟合(xs,ys,1)
plt.绘图(xs,ys,'o')
趋势多边形=np.poly1d(趋势)
plt.绘图(xs,趋势图(xs))
如果您进一步阅读
numpy.polyfit()
的文档,您将看到此函数的定义
该解决方案使平方误差最小化
E=\sum{j=0}^k|p(x|j)-y|j^2
在方程式中:
x[0]**n * p[0] + ... + x[0] * p[n-1] + p[n] = y[0]
x[1]**n * p[0] + ... + x[1] * p[n-1] + p[n] = y[1]
...
x[k]**n * p[0] + ... + x[k] * p[n-1] + p[n] = y[k]
对于趋势为线性的情况,这意味着trend[y,x,0]
是趋势值(也称为斜率),而trend[y,x,1]
是截距
作为一个例子,考虑下面的例子:
将numpy导入为np
从matplotlib导入pyplot作为plt
N=10
xs=np.random.random(N)
ys=np.随机。随机(N)
趋势=np.多边形拟合(xs,ys,1)
plt.绘图(xs,ys,'o')
趋势多边形=np.poly1d(趋势)
plt.绘图(xs,趋势图(xs))
答案有助于理解正在发生的事情,但是对于更高的多项式,我想补充一点,如果你在polyfit手册中进一步阅读,就会发现,提到
np.poly1d
来绘制多项式,如:trendpoly=np.poly1d(趋势)
然后plt.plot(xs,trendpoly(xs))
@matthiasaras这是一条很好的评论。要点答案有助于理解发生了什么,但对于更高的多项式,我想补充一点,如果你进一步阅读polyfit手册,你会发现np.poly1d
是用来绘制多项式的,就像这样:trendpoly=np.poly1d(trend)
然后plt.plot(xs,trendpoly(xs))
@matthiasaras这是一条很好的评论。要点