python可否將折線變成波形曲線

python利用插值法對(duì)折線進(jìn)行平滑曲線處理 09-19 主要為大家詳細(xì)介紹了python利用插值法對(duì)折線進(jìn)行平滑曲線處理,具有一定的參考價(jià)值。

創(chuàng)新互聯(lián)公司長(zhǎng)期為千余家客戶提供的網(wǎng)站建設(shè)服務(wù)，團(tuán)隊(duì)從業(yè)經(jīng)驗(yàn)10年，關(guān)注不同地域、不同群體，并針對(duì)不同對(duì)象提供差異化的產(chǎn)品和服務(wù)；打造開(kāi)放共贏平臺(tái)，與合作伙伴共同營(yíng)造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為桂東企業(yè)提供專業(yè)的成都網(wǎng)站制作、成都做網(wǎng)站，桂東網(wǎng)站改版等技術(shù)服務(wù)。擁有10多年豐富建站經(jīng)驗(yàn)和眾多成功案例,為您定制開(kāi)發(fā)。

Python 中的函數(shù)擬合

很多業(yè)務(wù)場(chǎng)景中，我們希望通過(guò)一個(gè)特定的函數(shù)來(lái)擬合業(yè)務(wù)數(shù)據(jù)，以此來(lái)預(yù)測(cè)未來(lái)數(shù)據(jù)的變化趨勢(shì)。(比如用戶的留存變化、付費(fèi)變化等)

本文主要介紹在 Python 中常用的兩種曲線擬合方法：多項(xiàng)式擬合 和 自定義函數(shù)擬合。

通過(guò)多項(xiàng)式擬合，我們只需要指定想要擬合的多項(xiàng)式的最高項(xiàng)次是多少即可。

運(yùn)行結(jié)果：

對(duì)于自定義函數(shù)擬合，不僅可以用于直線、二次曲線、三次曲線的擬合，它可以適用于任意形式的曲線的擬合，只要定義好合適的曲線方程即可。

運(yùn)行結(jié)果：

python之KS曲線

# 自定義繪制ks曲線的函數(shù)

def plot_ks(y_test, y_score, positive_flag):

# 對(duì)y_test,y_score重新設(shè)置索引

y_test.index = np.arange(len(y_test))

#y_score.index = np.arange(len(y_score))

# 構(gòu)建目標(biāo)數(shù)據(jù)集

target_data = pd.DataFrame({'y_test':y_test, 'y_score':y_score})

# 按y_score降序排列

target_data.sort_values(by = 'y_score', ascending = False, inplace = True)

# 自定義分位點(diǎn)

cuts = np.arange(0.1,1,0.1)

# 計(jì)算各分位點(diǎn)對(duì)應(yīng)的Score值

index = len(target_data.y_score)*cuts

scores = target_data.y_score.iloc[index.astype('int')]

# 根據(jù)不同的Score值，計(jì)算Sensitivity和Specificity

Sensitivity = []

Specificity = []

for score in scores:

? ? # 正例覆蓋樣本數(shù)量與實(shí)際正例樣本量

? ? positive_recall = target_data.loc[(target_data.y_test == positive_flag) (target_data.y_scorescore),:].shape[0]

? ? positive = sum(target_data.y_test == positive_flag)

? ? # 負(fù)例覆蓋樣本數(shù)量與實(shí)際負(fù)例樣本量

? ? negative_recall = target_data.loc[(target_data.y_test != positive_flag) (target_data.y_score=score),:].shape[0]

? ? negative = sum(target_data.y_test != positive_flag)

? ? Sensitivity.append(positive_recall/positive)

? ? Specificity.append(negative_recall/negative)

# 構(gòu)建繪圖數(shù)據(jù)

plot_data = pd.DataFrame({'cuts':cuts,'y1':1-np.array(Specificity),'y2':np.array(Sensitivity),

? ? ? ? ? ? ? ? ? ? ? ? ? 'ks':np.array(Sensitivity)-(1-np.array(Specificity))})

# 尋找Sensitivity和1-Specificity之差的最大值索引

max_ks_index = np.argmax(plot_data.ks)

plt.plot([0]+cuts.tolist()+[1], [0]+plot_data.y1.tolist()+[1], label = '1-Specificity')

plt.plot([0]+cuts.tolist()+[1], [0]+plot_data.y2.tolist()+[1], label = 'Sensitivity')

# 添加參考線

plt.vlines(plot_data.cuts[max_ks_index], ymin = plot_data.y1[max_ks_index],

? ? ? ? ? ymax = plot_data.y2[max_ks_index], linestyles = '--')

# 添加文本信息

plt.text(x = plot_data.cuts[max_ks_index]+0.01,

? ? ? ? y = plot_data.y1[max_ks_index]+plot_data.ks[max_ks_index]/2,

? ? ? ? s = 'KS= %.2f' %plot_data.ks[max_ks_index])

# 顯示圖例

plt.legend()

# 顯示圖形

plt.show()

# 調(diào)用自定義函數(shù)，繪制K-S曲線

plot_ks(y_test = y_test, y_score = y_score, positive_flag = 1)

2021-02-08 Python OpenCV GaussianBlur()函數(shù)

borderType= None)函數(shù)

此函數(shù)利用高斯濾波器平滑一張圖像。該函數(shù)將源圖像與指定的高斯核進(jìn)行卷積。

src:輸入圖像

ksize:(核的寬度,核的高度)，輸入高斯核的尺寸，核的寬高都必須是正奇數(shù)。否則，將會(huì)從參數(shù)sigma中計(jì)算得到。

dst:輸出圖像，尺寸與輸入圖像一致。

sigmaX:高斯核在X方向上的標(biāo)準(zhǔn)差。

sigmaY:高斯核在Y方向上的標(biāo)準(zhǔn)差。默認(rèn)為None，如果sigmaY=0，則它將被設(shè)置為與sigmaX相等的值。如果這兩者都為0,則它們的值會(huì)從ksize中計(jì)算得到。計(jì)算公式為：

borderType:像素外推法，默認(rèn)為None（參考官方文檔 BorderTypes

)

在圖像處理中，高斯濾波主要有兩種方式：

1.窗口滑動(dòng)卷積

2.傅里葉變換

在此主要利用窗口滑動(dòng)卷積。其中二維高斯函數(shù)公式為：

根據(jù)上述公式，生成一個(gè)3x3的高斯核，其中最重要的參數(shù)就是標(biāo)準(zhǔn)差 ，標(biāo)準(zhǔn)差 越大，核中心的值與周?chē)闹挡罹嘣叫?，曲線越平滑。標(biāo)準(zhǔn)差 越小，核中心的值與周?chē)闹挡罹嘣酱?，曲線越陡峭。

從圖像的角度來(lái)說(shuō)，高斯核的標(biāo)準(zhǔn)差 越大，平滑效果越不明顯。高斯核的標(biāo)準(zhǔn)差 越小，平滑效果越明顯。

可見(jiàn)，標(biāo)準(zhǔn)差 越大，圖像平滑程度越大

參考博客1:關(guān)于GaussianBlur函數(shù)

參考博客2:關(guān)于高斯核運(yùn)算