python – pandas area plot插值/步骤样式

weixin_38051633 2019-09-12 12:33:14

有没有办法在pandas区域图中禁用插值？我想得到一个“阶梯式”区域情节.例如.在法线图中,可以指定： import pandas as pd df = pd.DataFrame({'x':range(10)}) df.plot(drawstyle = 'steps') # this works #df.plot(kind = 'area', drawstyle = 'steps') # this does not work 我使用的是python 2.7和pandas 0.14.1. 提前谢谢了.

...全文

224 1 打赏收藏举报

写回复

用AI写文章

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

weixin_38067327 2019-09-12

打赏
举报

最近update的.fill_between()附带matplotlib 1.5.0版本,允许填充两步功能之间的区域.这甚至适用于熊猫时间序列. 由于参数step =’pre’存在,它可以像这样使用： # For error bands around a series df ax.fill_between(df.index, df - offset, df + offset, step='pre', **kwargs) # For filling the whole area below a function ax.fill_between(df.index, df, 0, step='pre', **kwargs) 对我有意义的其他关键词参数例如是alpha = 0.3和lw = 0.

【变分多谐波对偶模式追踪】从噪声信号中提取重复瞬态分量的方法（Matlab代码实现）内容概要：本文介绍了“变分多谐波对偶模式追踪”这一信号处理方法，旨在从含有噪声的信号中有效提取重复出现的瞬态成分。该方法结合了变分模态分解与多谐波分析的优势，通过构建对偶模式追踪模型，实现了对微弱瞬态特征的精准分离与增强，特别适用于机械故障诊断、生物医学信号处理等领域。文中详细阐述了算法原理、数学模型构建及其实现步骤，并提供了基于Matlab的代码实现，便于读者复现与应用。; 适合人群：具备一定信号处理基础，从事机械故障诊断、生物医学工程或相关领域的研究生及科研人员。; 使用场景及目标：①从强噪声背景中提取机械设备的周期性冲击信号以进行故障预警；②分析生物医学信号中的重复生理事件，如心电图或脑电图中的特定波形；③为需要高精度瞬态特征提取的研究提供可靠的算法支持与实现范例。; 阅读建议：此资源以Matlab代码实现为核心，不仅展示了算法的具体编程细节，还强调了理论与实践的紧密结合。学习者应在理解算法原理的基础上，动手运行并调试所提供的代码，通过改变参数观察结果变化，从而深入掌握该方法的应用技巧与优化策略。

ZCode-3.14.3-win-x64.exe

内容概要：本文围绕“数据驱动下光伏建筑群源荷不确定性解析及其储能多目标低碳经济调度研究”展开，提出了一种融合数据驱动方法与多目标优化算法的综合调度框架。研究首先基于历史数据对光伏发电出力与建筑用电负荷的不确定性进行建模，通过场景生成与削减技术提取典型运行场景，并采用概率预测方法精确刻画源荷波动特征。在此基础上，构建了涵盖经济性、低碳性及系统运行稳定性等多重目标的储能优化调度模型，并引入NSGA-II等先进多目标进化算法求解Pareto最优解集，实现储能系统的协同优化与灵活调度。文中还基于Python语言完整实现了从数据预处理、不确定性建模、优化建模到算法求解的全流程，并通过具体仿真案例验证了所提方法在降低系统运行成本、提升可再生能源消纳水平、减少碳排放等方面的综合效益。; 适合人群：具备一定电力系统基础知识和Python编程能力，从事新能源调度、综合能源系统优化或低碳技术研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①应用于光伏建筑群等分布式能源系统的储能优化调度；②支撑多目标优化在能源系统中的实践，实现经济与环保双重目标的平衡；③为相关课题研究提供可复现的代码框架与技术路线参考。; 阅读建议：建议读者结合文中提供的Python代码，深入理解不确定性建模、场景生成、多目标优化建模与求解的具体实现过程，并可通过调整参数或引入新模型进行拓展研究。

数学建模数据集全国337个地级市社会经济环境数据_1990-2005

内容概要：通过基于模型预测控制（MPC）的凸优化算法，实现对电动车的优化调度，旨在平衡电网负荷、降低用户充电成本并延长电池寿命。文中详细介绍了MPC与凸优化相结合的调度模型构建过程，涵盖多目标优化目标体系（如经济性、电池健康度）和多维度约束条件（如功率平衡、充电桩容量），并设计了融合算法的具体流程，最终通过Matlab仿真验证了该方法在优化电网负荷曲线、提升经济性和保证算法实时性方面的有效性。; 适合人群：具备电力系统、自动化或计算机等相关专业背景，熟悉优化算法和Matlab编程的研究生、科研人员及工程技术人员。; 使用场景及目标：①应用于智能电网中的电动汽车集群管理，实现有序充电与V2G（Vehicle-to-Grid）调度；②为研究如何利用先进控制算法解决能源系统中多目标、多约束的复杂优化问题提供实例参考；阅读建议：此资源以Matlab代码实现为核心，不仅展示了理论模型的构建，还包含了完整的仿真验证过程，建议读者在学习时结合代码进行调试与复现，深入理解MPC滚动优化机制与凸优化求解器的实际应用技巧。