如何作出优美的曲线

endNone

已于 2023-03-03 21:35:03 修改

阅读量1.1k

点赞数 6

文章标签： python matplotlib numpy pycharm 傅立叶分析 Powered by 金山文档

于 2023-03-03 21:30:00 首次发布

本文链接：https://blog.csdn.net/zwhszdx/article/details/129307515

版权

0.引言

在一些理工科实验中，我们常需要根据实验数据作出相应的一些曲线，而我们在实验过程中难免会存在失误偏差，再加上很多人并不手巧，纸面上画曲线更是难上加难，因此用计算机作图便成了变成了一种较为科学便捷的方法，本文将分别用三种程序（python、matlab、R）介绍一些简单的曲线作图保姆级教程。

（笔者建议：如果读者对编程操作不感兴趣，可直接跳转至2.1进行阅读）

本文使用的数据如下：（氨基酸的酸碱滴定实验）

1.Python

1.1安装库

如果您python开发环境是pycharm，那么装库操作较为简单，详细操作见如下链接：

PyCharm安装教程和第三方库安装方法_pycharm安装第三方库_python机器学习建模的博客-CSDN博客

如果您python为其他开放环境，那么装库操作较为复杂，尤其是对于一些第一次装库的朋友很不友好，详细操作见如下链接：

Python安装库的常用方法_python库怎么安装_沉默的松花的博客-CSDN博客

当然也可以通过调用一些库pip，os来回避终端的操作，如果你是对终端操作不熟的初学者，也可以采用以下方法：

Python3，选择Python自动安装第三方库，从此跟pip说拜拜！！_Carl_奕然的博客-CSDN博客

本文需要用到的库：numpy（配合matplotlib存储数据），matplotlib（绘图），scipy（样条插样的计算）

1.2报错处理（pycharm）

使用pycharm的朋友在调用matplotlib可能会出现类似如下报错

在Settings中Tools的Python Scientific中取消show plots in tool window勾选，应用即可。

1.3方法选择

作平滑曲线的方法有很多种，常见有插值法和拟合法，两者区别是：

插值法会要求曲线经过所有的数据点；拟合法只要求近似曲线尽可能接近数据点，保证曲线的平滑性和一致性。

插值法适用于数据点较少且分布均匀的情况，而拟合法适用于数据点较多且分布不均匀的情况。

插值法可以保证函数在数据点处的精确性，而拟合法可能会损失一些细节信息。

本实验的pH值是用pH试纸测得，数据点数据并不精确，实验目的也是为了探求氨基酸的酸碱滴定曲线的一个趋势，因此采用拟合法更加合适，但为了让大家更加直观地感受两种方法的区别，在这里将用python将两种方法皆以实现，在后续部分将不在赘述。

1.4插值法实现

第一步输入数据

x = np.linspace(1, 15, 15)#创建一个包含15个元素的数组，从1到15均匀分布
y = np.array([1,2,2,2,3,4,5,7,8,9,9,9,9,10,11])

第二步使用样条插值法对数据点进行拟合

tck = splrep(x, y)
xnew = np.linspace(1, 15, 200)#插入200个点使曲线更加平滑
ynew = splev(xnew, tck)

第三步绘制原始数据点和平滑曲线

plt.scatter(x, y, c='red', label='data point')#绘制数据点
plt.plot(xnew, ynew, linestyle='-', linewidth=2, label='smooth curve')#绘制曲线
plt.legend()#设置图例
plt.xlabel('serial number')#设置x轴标签
plt.ylabel('pH')#设置y轴标签
plt.title('Acid-Base titration curve of amino acids')#设置标题
plt.show()

完整代码如下：

import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import splrep, splev

x = np.linspace(1, 15, 15)#创建一个包含15个元素的数组，从1到15均匀分布
y = np.array([1,2,2,2,3,4,5,7,8,9,9,9,9,10,11])

tck = splrep(x, y)
xnew = np.linspace(1, 15, 200)#插入200个点使曲线更加平滑
ynew = splev(xnew, tck)

plt.scatter(x, y, c='red', label='data point')#绘制数据点
plt.plot(xnew, ynew, linestyle='-', linewidth=2, label='smooth curve')#绘制曲线
plt.legend()#设置图例
plt.xlabel('serial number')#设置x轴标签
plt.ylabel('pH')#设置y轴标签
plt.title('Acid-Base titration curve of amino acids')#设置标题
plt.show()

效果如下图：

图像稍有些突兀

1.5拟合法实现

拟合法有多种实现方法，如果通过理论分析得知了函数关系，或者图像有某些经典函数的数学特征（例如上述数据笔者认为可以分为多段Sigmoid函数曲线拟合），则可以使用scipy.optimize.curve_fit()函数进行曲线拟合，得到最优参数值，这种方法可以有效减轻一些数据点存在偏差带来的影响。

当然如果不知道该曲线对应的具体函数形式也不要紧，可以直接使用多项式拟合使用numpy.polyfit()函数，它可以对给定的数据集进行多项式回归,通过调整多项式的阶数，我们可以得到较为满意的图像，本文以第二种方法为例。

coeffs = np.polyfit(x, y, 8)#将多项式系数设置为8
poly = np.poly1d(coeffs)#根据系数创建一个多项式函数

完整代码如下：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(1, 15, 15)#创建一个包含15个元素的数组，从1到15均匀分布
y = np.array([1,2,2,2,3,4,5,7,8,9,9,9,9,10,11])

coeffs = np.polyfit(x, y, 8)#将多项式系数设置为8
poly = np.poly1d(coeffs)#根据系数创建一个多项式函数

plt.scatter(x, y, c='red', label='data point')#绘制数据点
plt.plot(x, poly(x), linestyle='-', linewidth=2, label='smooth curve')#绘制曲线
plt.legend()#设置图例
plt.xlabel('serial number')#设置x轴标签
plt.ylabel('pH')#设置y轴标签
plt.title('Acid-Base titration curve of amino acids')#设置标题
plt.show()

效果如下图

相较于插值法更加圆润

2.Matlab

笔者这里使用的matlab版本为2022b

2.1使用曲线拟合器（Curve Fitting Toolbox）

第一步在环境中输入数据集，运行

x=[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15];
y=[1,2,2,2,3,4,5,7,8,9,9,9,9,10,11];

当我们看到工作区有如下显示时即可进行曲线拟合操作了

第二步在App中打开曲线拟合器

点击选择数据

将X数据选择为我们创建的表格x，Y数据选择为我们创建的表格y

第三步在拟合类型中选择合适的方法，如果不太熟悉这些方法，可以逐个去尝试。

第四步在右侧拟合选项调整参数直到自己满意为止（注：参数并不是越大越好，过大会出现过拟合现象，一些情况下如果数据量不够可能会报错）

还可以在右上角选择残差图来查看拟合效果

效果如下：

多项式拟合

傅里叶拟合

2.2细微调整

上述方法虽然简单快捷，但为了做出较为完美的图形，我们往往还是需要用代码进行细微调整，甚至可以把图形做得更美观。

在导出界面选择生成代码，我们则可以在源码上直接进行微调，同时我们也不要忘记在代码中加入参数的输入。

笔者自己对生成的代码进行了微调，完整代码如下，给各位提供一个参考：

function [fitresult, gof] = createFit(x, y)

x = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15];
y = [1,2,2,2,3,4,5,7,8,9,9,9,9,10,11];
[xData, yData] = prepareCurveData(x, y);%将数据转化为适合拟合的形式


ft = fittype('fourier4');%定义拟合类型为四阶傅里叶级数模型
opts = fitoptions('Method', 'NonlinearLeastSquares');%设置拟合选项
opts.Display = 'Off';%设置拟合选项
opts.StartPoint = [0 0 0 0 0 0 0 0 0 0.149599650170943];%设置拟合选项


[fitresult, gof] = fit(xData, yData, ft, opts);%进行拟合，fitresult为拟合结果，gof为优度
figure('Name', 'Fitting curve');%设置图形
scatter(x,y,25,"black",'filled');% 绘制散点
hold on


h = plot(fitresult);% 绘制拟合曲线和图例
set(h, 'Color', 'b', 'LineStyle', '-','LineWidth',1); % 设置拟合曲线颜色和线型
axis([1 15 0 12]); % 设置坐标轴在指定的区间
legend('Data', 'Fitting curve', 'Location', 'northwest');% 添加图例
title('Acid-Base titration curve of amino acids');% 添加标题
xlabel('serial number');% 添加坐标轴标签
ylabel('pH');% 添加坐标轴标签
grid on

最后效果图如下

3.R

3.1安装包

相较于python安装库，R语言安装包更为便捷只要运行如下程序：

install.packages("ggplot2")
install.packages("ggalt")

对于初学者而言有一个很常见的错误，就是要注意，在使用install.packages()函数时包名要加双引号，而使用library()函数时，加载包不需要加双引号。本文使用的ggplot2和ggalt包都是用于R中的高级绘图操作。

3.2代码实现

#输入数据
x <- c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 ,15)
y <- c(1, 2, 2, 2, 3, 4, 5, 7, 8, 9, 9, 9, 9, 10, 11)

#绘图
library(ggplot2)
library(ggalt)
ggplot(data.frame(x = x,y = y), aes(x = x,y = y)) +#创建映射关系
  geom_point(size = 2.5,aes(color = "datapoint")) +#显示数据点并添加图例
  geom_xspline(spline_shape = 1,aes(color = "Fitting curve"))+#绘制曲线并添加图例
  theme_bw() + #设置白色背景
  labs(title = "Acid-base titration curve of amino acids", x = "serial number", y = "pH") + # 设置标题和标签
  scale_x_continuous(breaks=seq(1,15,by=3)) + # 设置x轴刻度范围和间隔
  scale_y_continuous(limits=c(1,11)) + # 设置y轴刻度范围
  scale_color_manual(values=c("red","blue"),labels=c("datapoint","Fitting curve"))+ # 设置图例的颜色和名称
  theme(axis.title.x=element_text(size=16), axis.title.y=element_text(size=16))#改变x轴y轴字体大小#改变x轴y轴字体大小

这里要注意一下geom_xspline()函数，当spline_shape>0时曲线趋于拟合数据点；当spline_shape=0 时，曲线直接连接数据点；当 spline_shape<0 时，样条曲线趋于平滑数据点(类似1.4插值法)，同样spline_shape值不能设的过大，否则会出现过拟合现象。

效果如下图