如何使用Numpy.polyfit绘制趋势图

13z8s7eq 于 12个月前发布在其他

关注(0)|答案(1)|浏览(80)

感谢用户爱德华Ilyasov帮助我几天前
现在我得到了一些结果，但我几乎不理解这些
我试图计算从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 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

这些是结果：

(
(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 ]]]

我理解每个括号中的第二个值应该是趋势值的系数，但我不理解趋势的形状。每个[]中的第一个数字是什么意思，我应该用什么值来绘制趋势图？

numpy

来源：https://stackoverflow.com/questions/46627629/how-to-use-numpy-polyfit-to-plot-trend

1条答案

按热度按时间

4ngedf3f1#

如果进一步阅读numpy.polyfit()的文档，您将看到此函数的定义
解使平方误差最小
E = \sum_{j=0}^k| p（x_j）- y_j| ^2
在等式中：

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]

对于趋势是线性的情况，这意味着trend[y,x,0]是 * 趋势 * 的值（也称为 * 斜率 *），trend[y,x,1]是 * 截距 *。
为了说明这一点，请考虑以下示例：

import numpy as np
from matplotlib import pyplot as plt

N = 10

# create repeatable data
np.random.seed(2023)

# random x test points
xs = np.random.random(N)

# random y test points
ys = np.random.random(N)

# fit the model to a given degree, 1 in this case
trend = np.polyfit(xs, ys, 1)

# plot the scatter points
plt.plot(xs, ys, 'o')

# calculate the trendline
trendpoly = np.poly1d(trend) 

# plot the trend line
plt.plot(xs, trendpoly(xs))

赞(0）回复(0）举报 12个月前

我来回答

如何使用Numpy.polyfit绘制趋势图

1条答案

相关问题

热门标签

最新问答