python误差棒图函数,python 误差棒

python 折线图怎么添加误差线

物信息、统计、网页制作、计算等多个领域都体现出了强大的功能。python和其他脚本语言如java、R、Perl 一样，都可以直接在命令行里运行脚本程序。工具/原料

python；CMD命令行；windows操作系统

方法/步骤

1、首先下载安装python，建议安装2.7版本以上，3.0版本以下，由于3.0版本以上不向下兼容，体验较差。

2、打开文本编辑器，推荐editplus，notepad等，将文件保存成 .py格式，editplus和notepad支持识别python语法。

脚本第一行一定要写上 #!usr/bin/python

表示该脚本文件是可执行python脚本

如果python目录不在usr/bin目录下，则替换成当前python执行程序的目录。

3、编写完脚本之后注意调试、可以直接用editplus调试。调试方法可自行百度。脚本写完之后，打开CMD命令行，前提是python 已经被加入到环境变量中，如果没有加入到环境变量，请百度

4、在CMD命令行中，输入 “python” + “空格”，即 ”python “；将已经写好的脚本文件拖拽到当前光标位置，然后敲回车运行即可。

相关问答

Q1: Python数据分析在数学建模中的应用汇总（持续更新中！）

1、Numpy常用方法使用大全（超详细）

1、Series和DataFrame简单入门

2、Pandas操作CSV文件的读写

3、Pandas处理DataFrame，Series进行作图

1、Matplotlib绘图之属性设置

2、Matplotlib绘制误差条形图、饼图、等高线图、3D柱形图

1、层次分析法（AHP）——算数平均值法、几何平均值法、特征值法（Python实现，超详细注释）

2、Python实现TOPSIS分析法（优劣解距离法）

3、Python实现线性插值和三次样条插值

4、Python实现线性函数的拟合算法

5、Python实现统计描述以及计算皮尔逊相关系数

6、Python实现迪杰斯特拉算法和贝尔曼福特算法求解最短路径

Q2: Python最小二乘法拟合与作图

在函数拟合中，如果用p表示函数中需要确定的参数，那么目标就是找到一组p，使得下面函数S的值最小：

这种算法称为最小二乘法拟合。Python的Scipy数值计算库中的optimize模块提供了 leastsq() 函数，可以对数据进行最小二乘拟合计算。

此处利用该函数对一段弧线使用圆方程进行了拟合，并通过Matplotlib模块进行了作图，程序内容如下：

Python的使用中需要导入相应的模块，此处首先用 import 语句

分别导入了numpy, leastsq与pylab模块，其中numpy模块常用用与数组类型的建立，读入等过程。leastsq则为最小二乘法拟合函数。pylab是绘图模块。

接下来我们需要读入需要进行拟合的数据，这里使用了 numpy.loadtxt() 函数：

其参数有：

进行拟合时，首先我们需要定义一个目标函数。对于圆的方程，我们需要圆心坐标(a,b)以及半径r三个参数，方便起见用p来存储：

紧接着就可以进行拟合了， leastsq() 函数需要至少提供拟合的函数名与参数的初始值：

返回的结果为一数组，分别为拟合得到的参数与其误差值等，这里只取拟合参数值。

leastsq() 的参数具体有：

输出选项有：

最后我们可以将原数据与拟合结果一同做成线状图，可采用 pylab.plot() 函数：

pylab.plot() 函数需提供两列数组作为输入，其他参数可调控线条颜色，形状，粗细以及对应名称等性质。视需求而定，此处不做详解。

pylab.legend() 函数可以调控图像标签的位置，有无边框等性质。

pylab.annotate() 函数设置注释，需至少提供注释内容与放置位置坐标的参数。

pylab.show() 函数用于显示图像。

最终结果如下图所示：

用Python作科学计算

numpy.loadtxt

scipy.optimize.leastsq

Q3: Python数据可视化-误差棒图errorbar

实验中往往由于各种原因会存在一定的误差，针对这一波动范围我们称之为置信区间。在可视化数据时，Matplotlib中的误差棒图(errorbar， 官方项目地址 )可以很好的表现这种有一定置信区间的带误差数据。

matplotlib.pyplot.errorbar(x, y, yerr=None, xerr=None, fmt='', ecolor=None, elinewidth=None, capsize=None, capthick=None)

主要参数说明：

x,y: 数据点的位置坐标

xerr,yerr: 数据的误差范围

fmt: 数据点的标记样式以及相互之间连接线样式

ecolor: 误差棒的线条颜色

elinewidth: 误差棒的线条粗细

capsize: 误差棒边界横杠的大小

capthick: 误差棒边界横杠的厚度

ms: 数据点的大小

mfc: 数据点的颜色

mec: 数据点边缘的颜色

示例：

运行结果：

运行结果：

Q4: 用Python画图

今天开始琢磨用Python画图，没使用之前是一脸懵的，我使用的开发环境是Pycharm，这个输出的是一行行命令，这个图画在哪里呢？

搜索之后发现，它会弹出一个对话框，然后就开始画了，比如下图

第一个常用的库是Turtle，它是Python语言中一个很流行的绘制图像的函数库，这个词的意思就是乌龟，你可以想象下一个小乌龟在一个x和y轴的平面坐标系里，从原点开始根据指令控制，爬行出来就是绘制的图形了。

  它最常用的指令就是旋转和移动，比如画个圆，就是绕着圆心移动；再比如上图这个怎么画呢，其实主要就两个命令：

turtle.forward(200)

turtle.left(170)

第一个命令是移动200个单位并画出来轨迹

第二个命令是画笔顺时针转170度，注意此时并没有移动，只是转角度

然后呢？ 循环重复就画出来这个图了

好玩吧。

有需要仔细研究的可以看下这篇文章 ，这个牛人最后用这个库画个移动的钟表，太赞了。

Turtle虽好玩，但是我想要的是我给定数据，然后让它画图，这里就找到另一个常用的画图的库了。

Matplotlib是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地行制图。其中，matplotlib的pyplot模块一般是最常用的，可以方便用户快速绘制二维图表。

使用起来也挺简单，

首先import matplotlib.pyplot as plt 导入画图的图。

然后给定x和y，用这个命令plt.plot(x, y)就能画图了，接着用plt.show()就可以把图形展示出来。

接着就是各种完善，比如加标题，设定x轴和y轴标签，范围，颜色，网格等等，在 这篇文章里介绍的很详细。

现在互联网的好处就是你需要什么内容，基本上都能搜索出来，而且还是免费的。

我为什么要研究这个呢？当然是为了用，比如我把比特币的曲线自己画出来可好？

假设现在有个数据csv文件，一列是日期，另一列是比特币的价格，那用这个命令画下：

这两列数据读到pandas中，日期为df['time']列，比特币价格为df['ini']，那我只要使用如下命令

plt.plot(df['time'], df['ini'])

plt.show()

就能得到如下图：

自己画的是不是很香，哈哈！

然后呢，我在上篇文章 中介绍过求Ahr999指数，那可不可以也放到这张图中呢？不就是加一条命令嘛

plt.plot(df['time'], df['Ahr999'])

图形如下：

但是，Ahr999指数怎么就一条线不动啊， 原来两个Y轴不一致，显示出来太怪了，需要用多Y轴，问题来了。

继续谷歌一下，把第二个Y轴放右边就行了，不过呢得使用多图，重新绘制

fig = plt.figure() # 多图

ax1 = fig.add_subplot(111)

ax1.plot(df['time'], df['ini'], label="BTC price")  # 绘制第一个图比特币价格

ax1.set_ylabel('BTC price') # 加上标签

# 第二个直接对称就行了

ax2 = ax1.twinx()# 在右边增加一个Y轴

ax2.plot(df['time'], df['Ahr999'], 'r', label="ahr999")  # 绘制第二个图Ahr999指数，红色

ax2.set_ylim([0, 50])# 设定第二个Y轴范围

ax2.set_ylabel('ahr999')

plt.grid(color="k", linestyle=":")# 网格

fig.legend(loc="center")#图例

plt.show()

跑起来看看效果，虽然丑了点，但终于跑通了。

这样就可以把所有指数都绘制到一张图中，等等，三个甚至多个Y轴怎么加？这又是一个问题，留给爱思考爱学习的你。

有了自己的数据，建立自己的各个指数，然后再放到图形界面中，同时针对异常情况再自动进行提醒，比如要抄底了，要卖出了，用程序做出自己的晴雨表。

Q5: Python使用matplotlib做出的图，怎么输出高清的图像

Matplotlib

是一个由 John Hunter 等开发的，用以绘制二维图形的 Python 模块。它利用了 Python 下的数值计算模块 Numeric

及 Numarray，克隆了许多 Matlab 中的函数， 用以帮助用户轻松地获得高质量的二维图形。