Линейная регрессия с помощью matplotlib / numpy

Question

Я пытаюсь сгенерировать линейную регрессию на сгенерированном графике рассеяния, однако мои данные представлены в виде списка, и все примеры, которые я могу найти для использования polyfit, требуют использования arange.arange не принимает списки.Я искал все выше и ниже о том, как преобразовать список в массив, и ничего не кажется ясным.Я что-то упустил?

Далее, как лучше всего использовать мой список целых чисел в качестве входных данных для polyfit?

. Вот пример polyfit, которому я следую:1010 *

Answer 1

arange генерирует списки (ну, numpy массивы);введите help(np.arange) для деталей.Вам не нужно вызывать его в существующих списках.

>>> x = [1,2,3,4]
>>> y = [3,5,7,9] 
>>> 
>>> m,b = np.polyfit(x, y, 1)
>>> m
2.0000000000000009
>>> b
0.99999999999999833

Я должен добавить, что я склонен использовать poly1d здесь, а не записывать "m * x + b" и эквиваленты более высокого порядкапоэтому моя версия вашего кода будет выглядеть примерно так:

import numpy as np
import matplotlib.pyplot as plt

x = [1,2,3,4]
y = [3,5,7,10] # 10, not 9, so the fit isn't perfect

fit = np.polyfit(x,y,1)
fit_fn = np.poly1d(fit) 
# fit_fn is now a function which takes in x and returns an estimate for y

plt.plot(x,y, 'yo', x, fit_fn(x), '--k')
plt.xlim(0, 5)
plt.ylim(0, 12)

Answer 2

Этот код:

from scipy.stats import linregress

linregress(x,y) #x and y are arrays or lists.

выдает список со следующим:

Склон: поплавок
наклон линии регрессии
перехватить: float
пересечение линии регрессии
Значение r: float
коэффициент корреляции
p-значение: float
двустороннее p-значение для проверки гипотезы, нулевая гипотеза которой состоит в том, что наклон равен нулю
stderr: float
Стандартная ошибка оценки

Источник

Answer 3

import numpy as np
import matplotlib.pyplot as plt 
from scipy import stats

x = np.array([1.5,2,2.5,3,3.5,4,4.5,5,5.5,6])
y = np.array([10.35,12.3,13,14.0,16,17,18.2,20,20.7,22.5])
gradient, intercept, r_value, p_value, std_err = stats.linregress(x,y)
mn=np.min(x)
mx=np.max(x)
x1=np.linspace(mn,mx,500)
y1=gradient*x1+intercept
plt.plot(x,y,'ob')
plt.plot(x1,y1,'-r')
plt.show()

USE this ..

Answer 4

from pylab import * 

import numpy as np
x1 = arange(data) #for example this is a list
y1 = arange(data) #for example this is a list 
x=np.array(x) #this will convert a list in to an array
y=np.array(y)
m,b = polyfit(x, y, 1) 

plot(x, y, 'yo', x, m*x+b, '--k') 
show()

Answer 5

Другой быстрый и грязный ответ заключается в том, что вы можете просто преобразовать свой список в массив, используя:

import numpy as np
arr = np.asarray(listname)