allbet gmaing代理:行使Python科学盘算处置物理问题(和物理告个体)

2020-05-22 43 views 0

扫一扫用手机浏览

靠山:

  1. 2019年头由于尚未学习量子力学相关知识,以是处于自学阶段。浅易的学习了曾谨言的量子力学一卷「〖〖和〗〗」格里菲斯编写的量子力学课本。注重将量子力学的一些基本概念领会并明了。同时先生向我们推荐了Quantum Computation and Quantum Information 这本课本,领会了量子信息相关知识。
  2. 2019年暑假最先量子力学课程的学习, 在[导师的推荐下,从APS(美国物理学会)「〖〖和〗〗」AIP(美国物理联合会)下载了与量子纠缠(Quantum Discord)相关的著名的文献「〖〖和〗〗」集会讲述,领会了量子信息的生长历程「〖〖和〗〗」一些卓越的理论。其中Unified View of Quantum and Classical Correlations 「〖〖和〗〗」Quantum Discord :A Measure of Quantumness of Correlations两篇文章影响最为深刻。对量子信息领域有了开端熟悉。
  3. 我也加入了相关的量子相关的讲述,譬如1218日陆向阳教授的量子光学与量子盘算靠山「〖〖和〗〗」历程先容,2019109日郭光灿院士的《量子之问》,这些讲座都激发了我对量子盘算、量子通讯的兴趣。
  4. 我也行使空闲时间自学了python,掌握了实验编程所需要的基本技能,强化了自己 在[编程方面的知识,也学会部门LATEX举行论文编写。
  5. 在[加入项目历程中,虽然对投身于人类探索未知及其信服,但终究自知穷极一生也极难 在[物理基础领域做出卓越贡献,就此转向盘算机,愿尽绵薄之力,用手艺为社会做一些有价(值)有意义之事。


《科学盘算》,行使python举行相关图像整理。学会了基本的3d图像,numpy,matpolib绘图工具。忠实说一些底层的原理并不清晰,但照样可以总结一些经验教训的。

1. 绘制圆柱体,<行使小技巧>q/q,看似是1,实际上是天生了1的一个数组。

 

 “如上图”,我们希望将这样的二维图像纵向拉伸酿成类似于圆柱体一样的三维图像,与另外的图像举行对比,但没有找到相关方『法』,由于这是二维图像,想要实现三维立体图就需要有两个变量作为基底,而pAB『是一个单变量函数』,想要加入一个变量却不改变它最终的函数(值)似乎是不可能实现的。

我尝试用1「去直接作为第二个变量」,但执行无『法』通过,那时没有想明了。(后面会说明)

灵机一动,我尝试用q2的详细函数(值)去取代q2取遍0-1之间所有常数,直接乘个q2{试试}?然后就有了下图。但不行啊,想要q2取遍0-1所有(值),又要q2 在[函数中显示,欠好搞。

 

 

 

 

那,要不再除个q2{试试}???然后就卧槽了,乐成了。???。那时就很疑惑,这个「〖〖和〗〗」直接乘1有什么区别? *q2/q2,不就是*1吗?然后剖析发现,发现通过*q2/q2操作,实际上是天生了一个全是1(的数组),这样就达到了形成二维基底的基本要求,从而画出了三维图像。

import numpy  as np
from matplotlib import pyplot  as plt
from mpl_toolkits.mplot3d import Axes3D
q1 = np.arange(0.01, 1, 0.01)
q2 = np.arange(0.01, 1 , 0.01)  //天生一位基底
q1, q2 = np.meshgrid(q1, q2)    // 混合成二维数组,形成二维基底

pCDa = (1-q1)
pCDb = (np.sqrt((1-q1)**2+q1**2)-q1)
alpha = (pCDa + pCDb) / (pCDa + 4 * pCDb)
beta = pCDb / (pCDa + 4 * pCDb)
pCDp00 = ( q1* pCDa ** 2 ) / ( pCDa*pCDa +pCDb*pCDb)
pCDp10 = ( q1* pCDb ** 2 ) / ( pCDa*pCDa +pCDb*pCDb)
pCDp01 = ( (1-q1) / 2 ) * ( pCDa + pCDb ) ** 2 / ( pCDa*pCDa +pCDb*pCDb)
pCDp11 = ( (1-q1) / 2 ) * ( pCDa - pCDb ) ** 2 / ( pCDa*pCDa +pCDb*pCDb)
s_x_pCD= -pCDp00 * np.log2(pCDp00) - pCDp01 * np.log2(pCDp01) - pCDp10 * np.log2(pCDp10) - pCDp11 * np.log2(pCDp11)
s_pCD = -q1* np.log2(q1) - (1-q1) * np.log2(1-q1)
Q_MID1 = (s_x_pCD - s_pCD) *q2 /q2        #AB〖或〗CD的关联(值)



fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(q1,q2,Q_MID1)     
ax.set_xlabel('value of q2')
ax.set_ylabel('value of q1')
ax.set_zlabel('the value of Q_MID1(pCD)')
plt.show()


2. 寻找图像交点,「并没有使用」到庞大的方式,而是简朴的使用了精度为0.01周围四个点函数(值)相加取平均(值)。《但数(值)剖析内里一定说》过相关的方式。

下面简朴先容下数(值)剖析基本内容。

 

 

1、误差剖析
  《模子误差》(理论到模子,“忽略次要因素一定带来误”差)
  观察误差
  截断误差(无限到有限)
  舍入误差(无理数到有理数)
2、求非线性方程组 f(x)=0的解
  x = g(x) 的迭代『法』(fixed point)
  牛顿-拉夫森『法』(Newton-Raphson)「〖〖和〗〗」割线『法』(Secant Methods)
  
3、求线性方程组 AX=B 的数(值)解『法』
  高斯消元『法』(LU剖析)
  迭代『法』
    雅各比行列式
    高斯赛德尔
4、插(值)「〖〖和〗〗」多项式迫近
  拉格朗日迫近
  牛顿多项式
  切比雪夫多项式
  帕德迫近
5、曲线拟合
  最小二乘『法』拟合曲线
  样条函数插(值)
  贝赛尔曲线
6、数(值)积分
  组合梯形公式「〖〖和〗〗」辛普森公式
  递归公式「〖〖和〗〗」龙贝格积分
  高斯勒让德积分
7、“微分方程求解”
  欧拉方式
  休恩方式

sunbet  第1张

 

 我们希望求这个交点,算是求解非线性方程 f(x) = 0。

{尝}试用牛顿拉普森方式求解。(实 在[就是将试位『法』斜率用 f ' (x) 取代)

sunbet  第2张

sunbet  第3张

 

 

sunbet  第4张

 

 {看起来还不错},我们试着放到项目上

 

割线『法』

sunbet  第5张

 

 

 


 


3. 一些细节处置,好比将图像内置边框,图像标注等

plt.text(0,1,r'$max\ is\ 1.34$')  // 在[0,1处标注最大(值)是1.34

plt.ylabel('value of Q_MID ')
plt.xlabel('value of q1')               //对x,y轴举行说明

plt.title('Q_MID when q1=q2')     //题目名称

# 「设置」xtick「〖〖和〗〗」ytick的偏向:in、out
plt.rcParams['xtick.direction'] = 'in'
plt.rcParams['ytick.direction'] = 'in'

#「设置」横纵坐标的名称以及对应字体花样
font2 = 
{'family' : 'Times New Roman',
'weight' : 'normal',
'size'   : 14,
}
plt.ylabel('MID ', font2)

 


4. 然后附上一些好的资源,官网「〖〖和〗〗」查找历程中找到的优质资源。

https://matplotlib.org/gallery/index.html //matplotlib官网文档, 有着大量实例可以参考[

sunbet  第6张

 

 

然后附上搜来的许多Matplotlib图的汇总

https://mp.weixin.qq.com/s?__biz=MzU4NjIxODMyOQ==&mid=2247488568&idx=6&sn=f80d6f5c540058aa6c0d5de97e3a8f1d&chksm=fdfffa0eca887318bc426ef057707f7271624fb39a44595db8a042503a82ff638d707760ce02&mpshare=1&scene=23&srcid=&sharer_sharetime=1588477717826&sharer_shareid=aa22f4d6a3d78a43601dd5a37b40202c#rd
1. 散点图
Scatteplot是用于研究两个变量之间关系的经典「〖〖和〗〗」基本图。(若是数据中有多个组),则可能需要以差别颜色可视化每个组。 在[Matplotlib,你可以方便地使用。

# Import dataset
midwest = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv")

# Prepare Data
# Create as many colors as there are unique midwest['category']
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]

# Draw Plot for Each Category
plt.figure(figsize=(16, 10), dpi= 80, facecolor='w', edgecolor='k')

for i, category in enumerate(categories):
    plt.scatter('area', 'poptotal',
                data=midwest.loc[midwest.category==category, :],
                s=20, c=colors[i], label=str(category))

# Decorations
plt.gca().set(xlim=(0.0, 0.1), ylim=(0, 90000),
              xlabel='Area', ylabel='Population')

plt.xticks(fontsize=12); plt.yticks(fontsize=12)
plt.title("Scatterplot of Midwest Area vs Population", fontsize=22)
plt.legend(fontsize=12)
plt.show()

sunbet  第7张

 

 

2.  带界限的气泡图[
有时,您希望 在[界限内显示一组点以强调其重要性。 在[此示例中,您将从应该被围绕的数据帧中获取纪录,并将其传递给下面的代码中形貌的纪录。encircle()

from matplotlib import patches
from scipy.spatial import ConvexHull
import warnings; warnings.simplefilter('ignore')
sns.set_style("white")

# Step 1: Prepare Data
midwest = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv")

# As many colors as there are unique midwest['category']
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]

# Step 2: Draw Scatterplot with unique color for each category
fig = plt.figure(figsize=(16, 10), dpi= 80, facecolor='w', edgecolor='k')

for i, category in enumerate(categories):
    plt.scatter('area', 'poptotal', data=midwest.loc[midwest.category==category, :], s='dot_size', c=colors[i], label=str(category), edgecolors='black', linewidths=.5)

# Step 3: Encircling
# https://stackoverflow.com/questions/44575681/how-do-i-encircle-different-data-sets-in-scatter-plot
def encircle(x,y, ax=None, **kw):
    if not ax: ax=plt.gca()
    p = np.c_[x,y]
    hull = ConvexHull(p)
    poly = plt.Polygon(p[hull.vertices,:], **kw)
    ax.add_patch(poly)

# Select data to be encircled
midwest_encircle_data = midwest.loc[midwest.state=='IN', :]

# Draw polygon surrounding vertices
encircle(midwest_encircle_data.area, midwest_encircle_data.poptotal, ec="k", fc="gold", alpha=0.1)
encircle(midwest_encircle_data.area, midwest_encircle_data.poptotal, ec="firebrick", fc="none", linewidth=1.5)

# Step 4: Decorations
plt.gca().set(xlim=(0.0, 0.1), ylim=(0, 90000),
              xlabel='Area', ylabel='Population')

plt.xticks(fontsize=12); plt.yticks(fontsize=12)
plt.title("Bubble Plot with Encircling", fontsize=22)
plt.legend(fontsize=12)
plt.show()

sunbet  第8张

 

 

3. 带线性回归最佳拟合线的散点图
若是你想领会两个变量若何相互改变,那么最合适的线就是要走的路。下图显示了数据中各组之间最佳拟合线的差异。《要》禁用分组并仅为整个数据集绘制一条最佳拟合线,请从下面的挪用中删除该参数。

# Import Data
df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")
df_select = df.loc[df.cyl.isin([4,8]), :]

# Plot
sns.set_style("white")
gridobj = sns.lmplot(x="displ", y="hwy", hue="cyl", data=df_select,
                     height=7, aspect=1.6, robust=True, palette='tab10',
                     scatter_kws=dict(s=60, linewidths=.7, edgecolors='black'))

# Decorations
gridobj.set(xlim=(0.5, 7.5), ylim=(0, 50))
plt.title("Scatterplot with line of best fit grouped by number of cylinders",

sunbet  第9张

 

 

每个回归线都 在[自己的列中
【〖或〗者】,您可以 在[其自己的列中显示每个组的最佳拟合线。你可以通过 在[内里「设置」参数来实现这一点。

# Import Data
df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")
df_select = df.loc[df.cyl.isin([4,8]), :]

# Each line in its own column
sns.set_style("white")
gridobj = sns.lmplot(x="displ", y="hwy",
                     data=df_select,
                     height=7,
                     robust=True,
                     palette='Set1',
                     col="cyl",
                     scatter_kws=dict(s=60, linewidths=.7, edgecolors='black'))

# Decorations
gridobj.set(xlim=(0.5, 7.5), ylim=(0, 50))
plt.show()

sunbet  第10张

 

 

4. 发抖图
通常,多个数据点具有完全相同的X「〖〖和〗〗」Y(值)。【效果】,多个点相互绘制并隐藏。为制止这种情形,请稍微发抖点,以便您可以直观地看到它们。这很方便使用

# Import Data
df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")

# Draw Stripplot
fig, ax = plt.subplots(figsize=(16,10), dpi= 80)
sns.stripplot(df.cty, df.hwy, jitter=0.25, size=8, ax=ax, linewidth=.5)

# Decorations
plt.title('Use jittered plots to avoid overlapping of points', fontsize=22)
plt.show()

sunbet  第11张

 

 

5. 计数图
制止点重叠问题的另一个选择是增加点的巨细,这取决于该点中有多少点。因此,“点的巨细越大”,周围的点的集中度就越大。

# Import Data
df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")
df_counts = df.groupby(['hwy', 'cty']).size().reset_index(name='counts')

# Draw Stripplot
fig, ax = plt.subplots(figsize=(16,10), dpi= 80)
sns.stripplot(df_counts.cty, df_counts.hwy, size=df_counts.counts*2, ax=ax)

# Decorations
plt.title('Counts Plot - Size of circle is bigger as more points overlap', fontsize=22)
plt.show()

sunbet  第12张

 

 

6. 边缘直方图
边缘直方图具有沿X「〖〖和〗〗」Y轴变量的直方图。这用于可视化X「〖〖和〗〗」Y【之间的关系以及单独的】X「〖〖和〗〗」Y的单变量漫衍。该图若是经常用于探索性数据剖析(EDA)。

# Import Data
df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")

# Create Fig and gridspec
fig = plt.figure(figsize=(16, 10), dpi= 80)
grid = plt.GridSpec(4, 4, hspace=0.5, wspace=0.2)

# Define the axes
ax_main = fig.add_subplot(grid[:-1, :-1])
ax_right = fig.add_subplot(grid[:-1, -1], xticklabels=[], yticklabels=[])
ax_bottom = fig.add_subplot(grid[-1, 0:-1], xticklabels=[], yticklabels=[])

# Scatterplot on main ax
ax_main.scatter('displ', 'hwy', s=df.cty*4, c=df.manufacturer.astype('category').cat.codes, alpha=.9, data=df, cmap="tab10", edgecolors='gray', linewidths=.5)

# histogram on the right
ax_bottom.hist(df.displ, 40, histtype='stepfilled', orientation='vertical', color='deeppink')
ax_bottom.invert_yaxis()

# histogram in the bottom
ax_right.hist(df.hwy, 40, histtype='stepfilled', orientation='horizontal', color='deeppink')

# Decorations
ax_main.set(title='Scatterplot with Histograms  displ vs hwy', xlabel='displ', ylabel='hwy')
ax_main.title.set_fontsize(20)
for item in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):
    item.set_fontsize(14)

xlabels = ax_main.get_xticks().tolist()
ax_main.set_xticklabels(xlabels)
plt.show()

sunbet  第13张

 

 

相关图
Correlogram用于直观地查看给定数据帧(〖或〗2D数组)中所有可能的数(值)变量对之间的相关器量。

# Import Dataset
df = pd.read_csv("https://github.com/selva86/datasets/raw/master/mtcars.csv")

# Plot
plt.figure(figsize=(12,10), dpi= 80)
sns.heatmap(df.corr(), xticklabels=df.corr().columns, yticklabels=df.corr().columns, cmap='RdYlGn', center=0, annot=True)

# Decorations
plt.title('Correlogram of mtcars', fontsize=22)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.show()

sunbet  第14张

 

 

9. 矩阵图
成对图是探索性剖析中的最爱,以明了所有可能的数字变量对之间的关系。它是双变量剖析的必备工具。

# Load Dataset
df = sns.load_dataset('iris')

# Plot
plt.figure(figsize=(10,8), dpi= 80)
sns.pairplot(df, kind="scatter", hue="species", plot_kws=dict(s=80, edgecolor="white", linewidth=2.5))
plt.show()

sunbet  第15张

 

 

# Prepare Data
df = pd.read_csv("https://github.com/selva86/datasets/raw/master/mtcars.csv")
x = df.loc[:, ['mpg']]
df['mpg_z'] = (x - x.mean())/x.std()
df['colors'] = ['red' if x < 0 else 'green' for x in df['mpg_z']]
df.sort_values('mpg_z', inplace=True)
df.reset_index(inplace=True)

# Draw plot
plt.figure(figsize=(14,10), dpi= 80)
plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z, color=df.colors, alpha=0.4, linewidth=5)

# Decorations
plt.gca().set(ylabel='$Model$', xlabel='$Mileage$')
plt.yticks(df.index, df.cars, fontsize=12)
plt.title('Diverging Bars of Car Mileage', fontdict={'size':20})
plt.grid(linestyle='--', alpha=0.5)
plt.show()

sunbet  第16张

 

 

发散型文本

涣散的文本类似于发散条,若是你想以一种漂亮「〖〖和〗〗」可出现的方式显示图表中每个项目的价(值),(它更喜欢)。


# Prepare Data
df = pd.read_csv("https://github.com/selva86/datasets/raw/master/mtcars.csv")
x = df.loc[:, ['mpg']]
df['mpg_z'] = (x - x.mean())/x.std()
df['colors'] = ['red' if x < 0 else 'green' for x in df['mpg_z']]
df.sort_values('mpg_z', inplace=True)
df.reset_index(inplace=True)

# Draw plot
plt.figure(figsize=(14,14), dpi= 80)
plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z)
for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z):
    t = plt.text(x, y, round(tex, 2), horizontalalignment='right' if x < 0 else 'left',
                 verticalalignment='center', fontdict={'color':'red' if x < 0 else 'green', 'size':14})

# Decorations
plt.yticks(df.index, df.cars, fontsize=12)
plt.title('Diverging Text Bars of Car Mileage', fontdict={'size':20})
plt.grid(linestyle='--', alpha=0.5)
plt.xlim(-2.5, 2.5)
plt.show()

sunbet  第17张

 

 

面积图

通过对轴「〖〖和〗〗」线之间的区域举行着色,区域图不仅强调峰(值)「〖〖和〗〗」低谷,而且还强调高点「〖〖和〗〗」低点的持续时间。高点持续时间越长,「线下面积越大」。

import numpy as np
import pandas as pd

# Prepare Data
df = pd.read_csv("https://github.com/selva86/datasets/raw/master/economics.csv", parse_dates=['date']).head(100)
x = np.arange(df.shape[0])
y_returns = (df.psavert.diff().fillna(0)/df.psavert.shift(1)).fillna(0) * 100

# Plot
plt.figure(figsize=(16,10), dpi= 80)
plt.fill_between(x[1:], y_returns[1:], 0, where=y_returns[1:] >= 0, facecolor='green', interpolate=True, alpha=0.7)
plt.fill_between(x[1:], y_returns[1:], 0, where=y_returns[1:] <= 0, facecolor='red', interpolate=True, alpha=0.7)

# Annotate
plt.annotate('Peak 1975', xy=(94.0, 21.0), xytext=(88.0, 28),
             bbox=dict(boxstyle='square', fc='firebrick'),
             arrowprops=dict(facecolor='steelblue', shrink=0.05), fontsize=15, color='white')


# Decorations
xtickvals = [str(m)[:3].upper()+"-"+str(y) for y,m in zip(df.date.dt.year, df.date.dt.month_name())]
plt.gca().set_xticks(x[::6])
plt.gca().set_xticklabels(xtickvals[::6], rotation=90, fontdict={'horizontalalignment': 'center', 'verticalalignment': 'center_baseline'})
plt.ylim(-35,35)
plt.xlim(1,100)
plt.title("Month Economics Return %", fontsize=22)
plt.ylabel('Monthly returns %')
plt.grid(alpha=0.5)
plt.show()

sunbet  第18张

 

 

有序条形图

有序条形图有效地转达了项目的排名顺序。然则, 在[图表上方添加器量尺度的(值),用户可以从图表自己获取正确信息。

# Prepare Data
df_raw = pd.read_csv("https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")
df = df_raw[['cty', 'manufacturer']].groupby('manufacturer').apply(lambda x: x.mean())
df.sort_values('cty', inplace=True)
df.reset_index(inplace=True)

# Draw plot
import matplotlib.patches as patches

fig, ax = plt.subplots(figsize=(16,10), facecolor='white', dpi= 80)
ax.vlines(x=df.index, ymin=0, ymax=df.cty, color='firebrick', alpha=0.7, linewidth=20)

# Annotate Text
for i, cty in enumerate(df.cty):
    ax.text(i, cty+0.5, round(cty, 1), horizontalalignment='center')


# Title, Label, Ticks and Ylim
ax.set_title('Bar Chart for Highway Mileage', fontdict={'size':22})
ax.set(ylabel='Miles Per Gallon', ylim=(0, 30))
plt.xticks(df.index, df.manufacturer.str.upper(), rotation=60, horizontalalignment='right', fontsize=12)

# Add patches to color the X axis labels
p1 = patches.Rectangle((.57, -0.005), width=.33, height=.13, alpha=.1, facecolor='green', transform=fig.transFigure)
p2 = patches.Rectangle((.124, -0.005), width=.446, height=.13, alpha=.1, facecolor='red', transform=fig.transFigure)
fig.add_artist(p1)
fig.add_artist(p2)
plt.show()

sunbet  第19张

 

 

密度图

密度图是一种常用工具,“可视化连续变量的漫衍”。通过“响应”变量对它们举行分组,您可以检查X「〖〖和〗〗」Y之间的关系。以下情形,若是出于代表性目的来形貌都会里程的漫衍若何随着汽缸数的转变而转变。

# Import Data
df = pd.read_csv("https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")

# Draw Plot
plt.figure(figsize=(16,10), dpi= 80)
sns.kdeplot(df.loc[df['cyl'] == 4, "cty"], shade=True, color="g", label="Cyl=4", alpha=.7)
sns.kdeplot(df.loc[df['cyl'] == 5, "cty"], shade=True, color="deeppink", label="Cyl=5", alpha=.7)
sns.kdeplot(df.loc[df['cyl'] == 6, "cty"], shade=True, color="dodgerblue", label="Cyl=6", alpha=.7)
sns.kdeplot(df.loc[df['cyl'] == 8, "cty"], shade=True, color="orange", label="Cyl=8", alpha=.7)

# Decoration
plt.title('Density Plot of City Mileage by n_Cylinders', fontsize=22)
plt.legend()

sunbet  第20张

 

 

直方密度线图

带有直方图的密度曲线将两个图表转达的团体信息搜集 在[一起,这样您就可以将它们放 在[一个图形而不是两个图形中。

# Import Data
df = pd.read_csv("https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")

# Draw Plot
plt.figure(figsize=(13,10), dpi= 80)
sns.distplot(df.loc[df['class'] == 'compact', "cty"], color="dodgerblue", label="Compact", hist_kws={'alpha':.7}, kde_kws={'linewidth':3})
sns.distplot(df.loc[df['class'] == 'suv', "cty"], color="orange", label="SUV", hist_kws={'alpha':.7}, kde_kws={'linewidth':3})
sns.distplot(df.loc[df['class'] == 'minivan', "cty"], color="g", label="minivan", hist_kws={'alpha':.7}, kde_kws={'linewidth':3})
plt.ylim(0, 0.35)

# Decoration
plt.title('Density Plot of City Mileage by Vehicle Type', fontsize=22)
plt.legend()
plt.show()

sunbet  第21张

 

,

欧博网址开户

www.dongfangculture.com“欢迎进入欧博网址”(Allbet Gaming),欧博网址开放会员注册、代理开户、「电脑」客户端下载、苹果安卓下载等业务。

|

Sunbet内容转载自互联网,如有侵权,联系Sunbet删除。

本文链接地址:http://www.18hao-soso.com/post/1329.html

相关文章