前言：
由于写论文需要测试算法的效率，所以需要使用某画图工具来将算法（分布式共识算法）的效率体现出来，本人一开始想到的是使用MATLAB，然后先不说其安装有多麻烦，仅仅是大小，我这个苏菲婆就顶不住了，然后问了问师姐，师姐：Python。嗯。
用需要用到三个库：
• numpy
• matplotlib
• scipy
具体的作用就不介绍了，懂得都懂，但是安装只要安装后面两个就好了，matplotlib包含numpy
安装：
因为本人使用的是conda环境，所以在安装前先将一些东西升级
conda update conda
conda update anaconda
conda update anaconda-navigator //update最新版本的anaconda-navigator
然后进入已经创建的环境，再安装matplotlib：
conda install matplotlib
conda install scipy
安装完成后开始测试（也可以省略这个步骤，我这段代码已经没了…或者你可以直接跑下面的代码，一样的）：
说明你的一切都已经就绪了，剩下的就只要按照自己的需求画出对应的图即可。
代码：
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import make_interp_spline
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.title("Four Nodes State")
plt.xlabel("Time(sec)")
plt.ylabel("State xi i=0,1,...4")
x = np.linspace(0, 10, 1000)
node1State = np.array([-4, -3, -2, -1, 0, 1, 2, 1, 0, -1, 0, 1, 0, -1, 0, 1, 0, -1, 0, 1, 0])
times = np.array([0, 0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4, 4.5, 5, 5.5, 6, 6.5, 7, 7.5, 8, 8.5, 9, 9.5, 10])
model0 = make_interp_spline(times, node1State)
ys0 = model0(x)
plt.plot(x, ys0, color='red', label='Node 0', linestyle='-.')
plt.legend()
plt.show()
上述代码跑出来图如下：
问题：
至于节点数据的问题，我这里就是使用现成的数据，因为本人是使用golang来跑算法的，但是golang画图的库真的能让人哭出来，所以就直接跑算法的时候将相关数据存取来，然后在导入到Python这边。
其他问题，实力有限，确实爱莫能助。
参考：
https://www.delftstack.com/zh/howto/matplotlib/matplotlib-plot-smooth-curve/
https://blog.csdn.net/TeFuirnever/article/details/88944438
https://blog.csdn.net/weixin_40683253/article/details/87367437
https://www.runoob.com/numpy/numpy-matplotlib.html
https://blog.csdn.net/cdqn10086/article/details/70143616
Original: https://blog.csdn.net/qq_42224330/article/details/116072523
Author: Deapou
Title: Python 使用 matplotlib 将离散的节点用光滑曲线连接
相关阅读
Title: pandas 根据列名索引多列数据_python – Pandas DataFrame根据列,索引值比较更改值
我认为你需要
numpy.select广播：
m1 = df.index.values[:, None] > df.columns.values
m2 = df.index.values[:, None] == df.columns.values
df = pd.DataFrame(np.select([m1, m2], [‘k’,’U’], ‘Y’), columns=df.columns, index=df.index)
print (df)
2 4 8
10 k k k
4 k U Y
2 U Y Y
性能：
np.random.seed(1000)
N = 1000
a = np.random.randint(100, size=N)
b = np.random.randint(100, size=N)
df = pd.DataFrame(np.random.choice(list(‘abcdefgh’), size=(N, N)), columns=a, index=b)
print (df)
def us(df):
values = np.array(np.array([df.index]).transpose() – np.array([df.columns]), dtype=’object’)
greater = values > 0
less = values < 0
same = values == 0
values[greater] = ‘k’
values[less] = ‘Y’
values[same] = ‘U’
return pd.DataFrame(values, columns=df.columns, index=df.index)
def jez(df):
m1 = df.index.values[:, None] > df.columns.values
m2 = df.index.values[:, None] == df.columns.values
return pd.DataFrame(np.select([m1, m2], [‘k’,’U’], ‘Y’), columns=df.columns, index=df.index)
In [236]: %timeit us(df)
107 ms ± 358 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
In [237]: %timeit jez(df)
64 ms ± 299 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
Original: https://blog.csdn.net/weixin_42318225/article/details/114354728
Author: bellebiself
Title: pandas 根据列名索引多列数据_python – Pandas DataFrame根据列,索引值比较更改值
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/320488/
转载文章受原作者版权保护。转载请注明原作者出处！
