如何解决如何将方程添加到 Python 的线性回归线中?
真的需要一些帮助来完成我的 Python 图表!我已经从我的 excel 文件中提取了数据并创建了一个带有回归线的散点图。
- 如何将回归线扩展到轴的任一 (0,0)?
- 如何延长回归线使其在 x=0 处切割 y 轴?
- 然后将这些回归线的方程放入我的图例标签中?
这是我的代码:
opened_file = open('viscositydatasimple.csv','r',encoding = 'utf-8')
from csv import reader
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
read_file = reader(opened_file)
viscosity_data = list(read_file)
data = pd.read_csv('viscositydatasimple.csv')
a_shear_rate = data.iloc[0:10,1].values.reshape(-1,1)
a_viscosity = data.iloc[0:10,4].values.reshape(-1,1)
a_shear_stress = data.iloc[0:10,2].values.reshape(-1,1)
b_shear_rate = data.iloc[10:20,1)
b_viscosity = data.iloc[10:20,1)
b_shear_stress = data.iloc[10:20,1)
g_shear_rate = data.iloc[20:30,1)
g_viscosity = data.iloc[20:30,1)
g_shear_stress = data.iloc[20:30,1)
linear_regressor = LinearRegression()
''' figure a increase Tween 80 SR vs Visc'''
plt.figure(1)
linear_regressor.fit(a_shear_rate,a_viscosity)
a_pred = linear_regressor.predict(a_shear_rate)
linear_regressor.fit(b_shear_rate,b_viscosity)
b_pred = linear_regressor.predict(b_shear_rate)
linear_regressor.fit(g_shear_rate,g_viscosity)
g_pred = linear_regressor.predict(g_shear_rate)
plt.scatter(a_shear_rate,a_viscosity)
plt.plot(a_shear_rate,a_pred,label='4ml')
plt.scatter(b_shear_rate,b_viscosity)
plt.plot(b_shear_rate,b_pred,label='5ml')
plt.scatter(g_shear_rate,g_viscosity,label='6ml')
plt.plot(g_shear_rate,g_pred)
plt.yscale('log',basey = 10)
plt.xscale('log',basex = 10)
ax = plt.axes()
ax.set_xlabel('Shear Rate (1/s)')
ax.set_ylabel('Viscosity (cP)')
plt.legend()
plt.title('Change in viscosity with an increase in Tween 80')
plt.show()
任何帮助将不胜感激!
谢谢
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。