پایتون - نحوه افزودن خط روند به نمودار / نمودار خط

در این طرح ، شما در مورد نحوه اضافه کردن خط روند به نمودار / نمودار خط خط با استفاده از Python Matplotlib خواهید آموخت. به عنوان یک دانشمند داده ، ثابت می کند که برای یادگیری مفاهیم و کد مربوط به پایتون که می تواند برای ترسیم یا اضافه کردن خط روند به نمودارهای خط استفاده شود ، کمک می کند زیرا به درک روند و تصمیم گیری کمک می کند.

در این پست ، نمونه ای از میانگین نمرات ضرب و شتم IPL از Virat Kohli ، Chris Gayl E ، MS Dhoni و Rohit Sharma را از 10 سال گذشته در نظر خواهیم گرفت و روند مربوط به عملکرد کلی آنها را با استفاده از خطوط روند ارزیابی می کنیم. بیایید این دلیل اصلی را بگوییم که چرا می خواهیم خط روند را درک کنیم؟هدف اصلی این است که ارزیابی کنید که چه کسی می توان پول بزرگتر را برای دستیابی به وی برای تیم بدست آورد؟این خفاش که بزرگترین خط روند رو به بالا را با بالاترین شیب دارد ، همان چیزی است که می خواهم پول خود را در آن قرار دهم. با گفتن این موضوع ، نمرات ضرب و شتم میانگین و واریانس / انحراف استاندارد نیز در تصمیم گیری نهایی در مورد اینکه چه کسی پول بیشتری را برای شما قرار می دهد ، تصویر می شود. شکل 1. کریس گیل - روهیت شارما - دونی - ویرات کوهلی

در اینجا میانگین امتیازات آنها در فصول IPL در 10 سال گذشته از 2010 - 2019 است

شکل 2. نمودار خط نمرات متوسط ضربات در فصول مختلف IPL

ممکن است توجه داشته باشید که پیدا کردن در مورد عملکرد Batsman در فصول مختلف دشوار می شود. بنابراین ، اگر کسی بخواهد تصمیم بگیرد که چه کسی پول بیشتری را برای به دست آوردن فصل بعد ، IPL 2020 (در حال حاضر در حال انجام است) می گذارد ، فقط دشوار خواهد شد.

این جایی است که اضافه کردن خط روند به همه نمودارهای خط تفاوت ایجاد می کند.

چگونه می توان خط روند را برای نمودار / نمودار خط با استفاده از پایتون ترسیم کرد؟

اول و مهمتر از همه ، اجازه می دهیم داده های نمرات میانگین ضربان IPL در فصول مختلف از 2010-2019 نشان داده شده در جدول 1 به شکل آرایه Numpy باشد.

وارد کردن numpy به عنوان np # # chris gayle # chris_gayle = np. array ([32. 44 ، 67. 55 ، 61. 08 ، 59. 00 ، 21. 77 ، 40. 91 ، 22. 70 ، 22. 22 ، 40. 88 ، 40. 83]) # # Rohit # Sharma # Rohit_Sharma = NP. ARSHARRAY (28)، 33. 81 ، 30. 92 ، 38. 42 ، 30. 00 ، 34. 42 ، 44. 45 ، 23. 78 ، 23. 83 ، 28. 92]) # ms dhoni # ms_dhoni = np. array ([31. 88 ، 43. 55 ، 29. 83 ، 41. 83 ، 41. 90 ، 74. 3 ، 31. 3 ، 3183. 20]) # # virat kohli # virat_kohli = np. array ([27. 90 ، 46. 41 ، 28. 00 ، 45. 28 ، 27. 61 ، 45. 90 ، 81. 08 ، 30. 80 ، 48. 18 ، 33. 14])

در اینجا کد پایتون است که برای ترسیم خطوط روند برای نمودارهای خط / نمودارهای خط به منظور ارزیابی عملکرد کلی این خفاش در 10 سال گذشته از نظر افزایش یا کاهش روند امتیاز دهی استفاده می شود.

وارد کردن matplotlib. pyplot به عنوان plt واردات numpy به عنوان np # # تعداد سالهای ارائه شده به عنوان numpy # x = np. array ([2010 ، 2011 ، 2012 ، 2013 ، 2014 ، 2015 ، 2016 ، 2017 ، 2018 ، 2019]) شکل ،ax = plt. subplots (2 ، 2 ، figsize = (9 ، 7) ، sharex = true ، sharey = true) # # chris gayle # # z = np. polyfit (x ، chris_gayle ، 1) p = np. poly1d (z) AX [1 ، 0] . plot (x ، p (x) ، "r--") AX [1 ، 0] . plot (x ، chris_gayle) Ax [1 ، 0] . set_title ('کریس گیل' ،fontsize = 14) # # rohit sharma # z = np. polyfit (x ، rohit_sharma ، 1) p = np. poly1d (z) ax [0 ، 0] . plot (x ، p (x) ، "r--") AX [0 ، 0] . plot (x ، rohit_sharma) AX [0 ، 0] . Set_Title ('Rohit Sharma' ، FontSize = 14) # MS Dhoni # Z = np. polyfit (x ، ms_dhoni ، 1) p= np. poly1d (z) Ax [1 ، 1] . plot (x ، p (x) ، "r--") تبر [1 ، 1] . plot (x ، ms_dhoni) Ax [1 ، 1] . set_title('ms dhoni' ، fontsize = 14) # # virat kohli # z = np. polyfit (x ، virat_kohli ، 1) p = np. poly1d (z) تبر [0 ، 1] . plot (x ، p (x)، "r--") AX [0 ، 1] . Plot (x ، virat_kohli) AX [0 ، 1] . set_title ('virat kohli' ، fontsize = 14) # # نقشه # fig. text (0. 5 ،0. 04 ، 'سال' ، ha = 'center' ، fontsize = 18) شکل. text (0. 04 ، 0. 5 ، "میانگین نمرات در فصول IPL" ، VA = 'Center' ، چرخش = 'عمودی' ، Fontsize = 18)

در اینجا آمده است که چگونه طرح خط روند برای همه بازیکنان ذکر شده در این پست به نظر می رسد. شکل 2. خط روند اضافه شده به نمودار / نمودار خط خط

• دو قطعه ایجاد شده است - یکی نمودار خط / طرح خط / خط خط ، و دیگری خط روند است.
• کدهای ترسیم که نمودار خط را نشان می دهد AX [0 ، 1] . Plot (x ، virat_kohli)
• کدهای ترسیم که نمایانگر خط روند است. از روش Numpy Ployfit برای متناسب با خط روند استفاده می شود که سپس ضرایب را برمی گرداند.

z = np. polyfit (x ، virat_kohli ، 1) // مناسب چند جمله ای p = np. poly1d (z) Ax [0 ، 1] . plot (x ، p (x) ، "r--")

در اینجا کد کامل پایتون برای اضافه کردن خط روند به نمودار خط آورده شده است.

virat_kohli = np. array ([[27. 90 ، 46. 41 ، 28. 00 ، 45. 28 ، 27. 61 ، 45. 90 ، 81. 08 ، 30. 80 ، 48. 18 ، 33. 14]) z = np. polyfit (x ، virat_kohli ، 1) / 1) // putnomial fit p = putnomial p = putnomial p = pulymial p = npolyZ) AX [0 ، 1] . plot (x ، p (x) ، "r--") AX [0 ، 1] . plot (x ، virat_kohli) Ax [0 ، 1] . set_title ('virat kohli'، FontSize = 14)

نمودار خط و تجزیه و تحلیل خط روند

با توجه به خط روند در شکل 2 ، می توان نتیجه گرفت که میانگین های ضرب و شتم خانم Dhoni در حال افزایش است زیرا خط روند رو به بالا دارد. گفته می شود ، میانگین ضرب و شتم ویرات کوهلی نیز دارای خط روند رو به بالا است اما شیب کمتر از خانم Dhoni است. بنابراین ، اگر تصمیم بگیرید که چه کسی پول بیشتری را برای آن قرار دهد ، من به خانم Dhoni شرط می بندم.

نتیجه گیری

• از Matplotlib می توان برای ترسیم نمودار خط و خط روند استفاده کرد
• عملکرد نقشه Matplotlib برای ترسیم نمودار خط و خط روند استفاده می شود
• از روش Numpy Ployfit برای متناسب با چند جمله ای استفاده می شود که ضرایب را که بعداً برای ترسیم خط روند استفاده می شود ، باز می گرداند.

بیا دنبالم

من اخیراً در زمینه تجزیه و تحلیل داده ها از جمله علم داده و یادگیری ماشین / یادگیری عمیق کار کرده ام. من همچنین به فن آوری های مختلف از جمله زبانهای برنامه نویسی مانند Java/Jee ، JavaScript ، Python ، R ، Julia و غیره علاقه مند هستم و فناوری هایی مانند blockchain ، محاسبات موبایل ، فناوری های بومی ، امنیت کاربرد ، سیستم عامل های محاسباتی ابری ، داده های بزرگ ، داده های بزرگ ، داده های بزرگبرای آخرین به روزرسانی ها و وبلاگ ها ، ما را در توییتر دنبال کنید. من دوست دارم در LinkedIn با شما ارتباط برقرار کنم.

بیا دنبالم آخرین پست های Ajitesh Kumar (همه را ببینید)

• دستگاه بردار پشتیبانی (SVM) مثال پایتون - 27 مارس 2023
• ثابت در مقابل تصادفی در مقابل مدل های اثرات مختلط - مثال - 26 مارس 2023
• معماری اساسی CNN برای طبقه بندی و تقسیم بندی - 26 مارس 2023

آجیتش کومار

من اخیراً در زمینه تجزیه و تحلیل داده ها از جمله علم داده و یادگیری ماشین / یادگیری عمیق کار کرده ام. من همچنین به فن آوری های مختلف از جمله زبانهای برنامه نویسی مانند Java/Jee ، JavaScript ، Python ، R ، Julia و غیره علاقه مند هستم و فناوری هایی مانند blockchain ، محاسبات موبایل ، فناوری های بومی ، امنیت کاربرد ، سیستم عامل های محاسباتی ابری ، داده های بزرگ ، داده های بزرگ ، داده های بزرگبرای آخرین به روزرسانی ها و وبلاگ ها ، ما را در توییتر دنبال کنید. من دوست دارم در LinkedIn با شما ارتباط برقرار کنم. آخرین کتاب من را با عنوان اولین اصول تفکر: ساخت محصولات برنده با استفاده از اصول اول فکر کنید