Comment utiliser la ligne de tendance Matplotlib

Une ligne de tendance est une ligne créée à ou juste en dessous des pics charnières ou des points bas pour illustrer la direction de l'évaluation actuelle. Pour les analystes techniques, une ligne de tendance est un composant efficace. Les analystes peuvent identifier les représentations de lignes de tendance pour déterminer la direction des tendances et les tendances de rebond ultérieures. Pendant l'intervalle de temps considéré, les analystes choisissent deux points sur un graphique et les connectent pour former un graphique linéaire.

Lorsque nous acceptons un point plus petit dans une tendance, il fonctionne comme une ligne de support. Et lorsque nous sélectionnons des points plus élevés, il sert de ligne de résistance. En conséquence, il sera utilisé pour déterminer ces deux taches sur un graphique. Discutons de la méthode d'ajout d'une ligne de tendance au graphique par l'utilisation de Matplotlib dans Python.

Utilisez Matplotlib pour créer une ligne de tendance dans un graphique de dispersion:

Nous utiliserons les fonctions polyfit () et poly1d () pour acquérir les valeurs de ligne de tendance dans Matplotlib pour construire une ligne de tendance dans un graphique de dispersion. Le code suivant est un croquis de l'insertion d'une ligne de tendance dans un graphique de dispersion avec des groupes:

Importer Matplotlib.pypllot comme plt
Importer Numpy comme NP
PLT.rcparams ["Figure.figsize "] = [8.50, 2.50]
PLT.rcparams ["Figure.autolayout "] = true
a = np.aléatoire.Rand (200)
b = np.aléatoire.Rand (200)
Fig, ax = plt.sous-intrigues ()
_ = hache.dispersion (a, b, c = a, cmap = 'arc-en-ciel')
d = np.polyfit (a, b, 1)
p = np.poly1d (d)
PLT.Plot (A, P (A), "M: *")
PLT.montrer()

Ici, nous incluons le Numpy et le Matplotlib.bibliothèques pypllot. Matplotlib.Pyplot est un package graphique utilisé pour dessiner des visualisations dans Python. Nous pouvons l'utiliser sur les applications et différentes interfaces utilisateur graphiques. La bibliothèque Numpy fournit un grand nombre de types de données numériques que nous pouvons utiliser pour déclarer des tableaux.

Dans la ligne suivante, nous ajustez la taille de la figure en appelant la fonction plt.rcParams (). La figure.FigSize est passé comme un paramètre à cette fonction. Nous définissons la valeur «True» pour ajuster l'espacement entre les sous-intrigues. Maintenant, nous prenons deux variables. Et puis, nous faisons des ensembles de données de l'axe X et de l'axe Y. Les points de données de l'axe X sont stockés dans la variable «A», et les points de données de l'axe y sont stockés dans la variable «B». Cela peut être complété par l'utilisation de la bibliothèque Numpy. Nous faisons un nouvel objet de la figure. Et l'intrigue est créée en appliquant le PLT.Fonction sous-tracés ().

De plus, la fonction Scatter () est appliquée. Cette fonction comprend quatre paramètres. Le schéma de couleurs du graphique est également spécifié en fournissant «CMAP» comme argument pour cette fonction. Maintenant, nous traçons les ensembles de données de l'axe X et de l'axe Y. Ici, nous ajustons la ligne de tendance des ensembles de données à l'aide de fonctions polyfit () et poly1d (). Nous utilisons la fonction Plot () pour tracer la ligne de tendance.

Ici, nous définissons le style de ligne, la couleur de la ligne et le marqueur de la ligne de tendance. En fin de compte, nous afficherons le graphique suivant à l'aide du PLT.Fonction show ():

Ajouter des connecteurs graphiques:

Chaque fois que nous observons un graphique de dispersion, nous voulons peut-être identifier la direction globale que l'ensemble de données se dirige dans certaines situations. Bien que si nous obtenons une représentation claire des sous-groupes, la direction globale des informations disponibles ne sera pas évidente. Nous insérons une ligne de tendance au résultat de ce scénario. Dans cette étape, nous observons comment nous ajoutons des connecteurs au graphique.

Importer Matplotlib.pypllot comme plt
Importer Numpy comme NP
importer pylab en tant que plb
a1 = 25 * np.aléatoire.Rand (60)
a2 = 25 * np.aléatoire.rand (60) + 25
a3 = 20 * np.aléatoire.Rand (20)
x = np.concatenate ((A1, A2, A3))
b1 = 25 * np.aléatoire.Rand (50)
b2 = 25 * np.aléatoire.rand (60) + 25
b3 = 20 * np.aléatoire.Rand (20)
y = np.concatenate ((A1, B2, B3))
PLT.disperser (x, y, s = [200], marker = 'o')
z = np.polyfit (x, y, 2)
p = np.poly1d (z)
PLB.tracé (x, p (x), 'r-.')
PLT.montrer()

Au début du programme, nous importons trois bibliothèques. Ceux-ci incluent Numpy, Matplotlib.pypllot et matplotlib.pylab. Matplotlib est une bibliothèque Python qui permet aux utilisateurs de créer des représentations graphiques dynamiques et innovantes. Matplotlib génère des graphiques de haute qualité avec la capacité de modifier les éléments visuels et le style.

Le package Pylab intègre le Pypllot et les bibliothèques Numpy dans un domaine source particulier. Maintenant, nous prenons trois variables pour créer les ensembles de données de l'axe X, qui est accompli en utilisant la fonction aléatoire () de la bibliothèque Numpy.

Tout d'abord, nous avons stocké les points de données dans la variable «A1». Et puis, les données sont stockées dans les variables «A2» et «A3», respectivement. Maintenant, nous créons une nouvelle variable qui stocke tous les ensembles de données de l'axe X. Il utilise la fonction concatenate () de la bibliothèque Numpy.

De même, nous stockons des ensembles de données de l'axe y dans les trois autres variables. Nous créons les ensembles de données de l'axe y en utilisant la méthode aléatoire (). De plus, nous concatenons tous ces ensembles de données dans une nouvelle variable. Ici, nous dessinerons un graphique de dispersion, nous utilisons donc le PLT.Méthode Scatter (). Cette fonction contient quatre paramètres différents. Nous passons des ensembles de données de l'axe X et de l'axe Y dans cette fonction. Et nous spécifions également le symbole du marqueur que nous voulons être dessiné dans un graphique de dispersion en utilisant le paramètre "marqueur".

Nous fournissons les données à la méthode Numpy Polyfit (), qui fournit un tableau de paramètres, «P». Ici, il optimise l'erreur de différence finie. Par conséquent, une ligne de tendance pourrait être créée. L'analyse de régression est une technique statistique pour déterminer une ligne qui est incluse dans la plage de la variable instructive x. Et il représente la corrélation entre deux variables, dans le cas de l'axe X et de l'axe y. L'intensité de la congruence polynomiale est indiquée par le troisième argument polyfit ().

Polyfit () renvoie un tableau, transmis à la fonction poly1d (), et il détermine les ensembles de données d'origine de l'axe Y. Nous dessinons une ligne de tendance sur le graphique de dispersion en utilisant la fonction de tracé (). Nous pouvons ajuster le style et la couleur de la ligne de tendance. Enfin, nous utilisons le PLT.Méthode afficher () pour représenter le graphique.

Conclusion:

Dans cet article, nous avons parlé des lignes de tendance Matplotlib avec divers exemples. Nous avons également discuté de la façon de créer une ligne de tendance dans un graphique de dispersion par l'utilisation des fonctions polyfit () et poly1d (). En fin de compte, nous illustrons des corrélations dans les groupes de données. Nous espérons que vous avez trouvé cet article utile. Consultez les autres articles sur les conseils pour plus de conseils et de tutoriels.