1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
|
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import make_interp_spline
from typing import List, Dict, Tuple, Optional
# --- 设置Matplotlib支持中文显示 ---
plt.rcParams['font.sans-serif'] = ['WenQuanYi Zen Hei']
plt.rcParams['axes.unicode_minus'] = False
def plot_multiple_datasets_non_monotonic(
datasets: List[Dict],
x_label: str,
y_label: str,
title: str,
smooth_method: str = 'spline',
poly_degree: int = 3,
save_path: str = None,
figsize: Tuple[int, int] = (10, 6),
colors: Optional[List[str]] = None,
markers: Optional[List[str]] = None
):
"""
一个支持多组数据同时绘制的函数，可以在同一张图上显示多组实验数据。
此版本支持非递增（非单调）的x轴数据。
参数:
datasets (List[Dict]): 数据集列表，每个字典包含:
- 'x_data': x轴数据
- 'y_data': y轴数据
- 'label': 该组数据的标签名称
- 'smooth_method': (可选) 该组数据使用的平滑方法，默认使用全局设置
- 'poly_degree': (可选) 该组数据的多项式阶数，默认使用全局设置
x_label (str): x轴的标签名称（包含单位）
y_label (str): y轴的标签名称（包含单位）
title (str): 图表的标题
smooth_method (str): 默认平滑曲线的方法 ('spline', 'polyfit' 或 'univariate_spline')
poly_degree (int): 默认多项式阶数
save_path (str): 图片保存路径
figsize (Tuple[int, int]): 图表大小，默认 (10, 6)
colors (List[str]): 自定义颜色列表
markers (List[str]): 自定义标记样式列表
"""
# 设置默认颜色和标记样式
if colors is None:
colors = ['blue', 'red', 'green', 'orange', 'purple', 'brown', 'pink', 'gray', 'olive', 'cyan']
if markers is None:
markers = ['o', 's', '^', 'D', 'v', '<', '>', 'p', '*', 'h']
# 创建图表
plt.figure(figsize=figsize)
for i, dataset in enumerate(datasets):
# 获取数据
x = np.array(dataset['x_data'])
y = np.array(dataset['y_data'])
label = dataset['label']
# 使用该组数据的设置或全局设置
method = dataset.get('smooth_method', smooth_method)
degree = dataset.get('poly_degree', poly_degree)
# 选择颜色和标记
color = colors[i % len(colors)]
marker = markers[i % len(markers)]
# 绘制原始数据点
plt.scatter(x, y, label=f'{label} (原始数据)', color=color, marker=marker, zorder=5)
# 生成平滑曲线
x_smooth = np.linspace(x.min(), x.max(), 300)
if method == 'spline':
# 检查x轴数据是否单调递增
is_monotonic = np.all(np.diff(x) > 0)
if is_monotonic:
# 如果数据是单调递增的，使用原始方法
try:
spline = make_interp_spline(x, y, k=3)
y_smooth = spline(x_smooth)
plt.plot(x_smooth, y_smooth, color=color, linewidth=2, linestyle='--', alpha=0.8)
except:
# 如果样条插值失败，回退到多项式拟合
print(f"警告: {label}的样条插值失败，使用多项式拟合代替")
coeffs = np.polyfit(x, y, deg=degree)
poly_func = np.poly1d(coeffs)
y_smooth = poly_func(x_smooth)
plt.plot(x_smooth, y_smooth, color=color, linewidth=2, linestyle='--', alpha=0.8)
else:
# 如果数据不是单调递增的，使用UnivariateSpline
try:
from scipy.interpolate import UnivariateSpline
# 首先对x轴数据进行排序
sort_indices = np.argsort(x)
x_sorted = x[sort_indices]
y_sorted = y[sort_indices]
# 使用UnivariateSpline处理非单调数据
spline = UnivariateSpline(x_sorted, y_sorted, s=0)
y_smooth = spline(x_smooth)
plt.plot(x_smooth, y_smooth, color=color, linewidth=2, linestyle='--', alpha=0.8)
except:
# 如果UnivariateSpline也失败，回退到多项式拟合
print(f"警告: {label}的UnivariateSpline插值失败，使用多项式拟合代替")
coeffs = np.polyfit(x, y, deg=degree)
poly_func = np.poly1d(coeffs)
y_smooth = poly_func(x_smooth)
plt.plot(x_smooth, y_smooth, color=color, linewidth=2, linestyle='--', alpha=0.8)
elif method == 'polyfit':
# 使用多项式拟合
coeffs = np.polyfit(x, y, deg=degree)
poly_func = np.poly1d(coeffs)
y_smooth = poly_func(x_smooth)
plt.plot(x_smooth, y_smooth, color=color, linewidth=2, linestyle='--', alpha=0.8)
print(f"{label}的多项式拟合方程:\n{poly_func}\n")
elif method == 'univariate_spline':
# 直接使用UnivariateSpline方法
try:
from scipy.interpolate import UnivariateSpline
# 首先对x轴数据进行排序
sort_indices = np.argsort(x)
x_sorted = x[sort_indices]
y_sorted = y[sort_indices]
spline = UnivariateSpline(x_sorted, y_sorted, s=0)
y_smooth = spline(x_smooth)
plt.plot(x_smooth, y_smooth, color=color, linewidth=2, linestyle='-', alpha=0.8)
except:
# 如果UnivariateSpline失败，回退到多项式拟合
print(f"警告: {label}的UnivariateSpline插值失败，使用多项式拟合代替")
coeffs = np.polyfit(x, y, deg=degree)
poly_func = np.poly1d(coeffs)
y_smooth = poly_func(x_smooth)
plt.plot(x_smooth, y_smooth, color=color, linewidth=2, linestyle='--', alpha=0.8)
# 添加图表元素
plt.title(title, fontsize=16, fontweight='bold')
plt.xlabel(x_label, fontsize=12)
plt.ylabel(y_label, fontsize=12)
plt.grid(True, linestyle='--', alpha=0.6)
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left') # 将图例放在图表外部
# 调整布局，防止标签被裁切
plt.tight_layout()
# 保存图表
if save_path:
plt.savefig(save_path, dpi=300, bbox_inches='tight')
print(f"图表已保存至: {save_path}")
plt.show()
def plot_comparison_chart_non_monotonic(
datasets: List[Dict],
x_label: str,
y_label: str,
title: str,
save_path: str = None,
plot_type: str = 'line'
):
"""
简化版的多组数据对比图函数，适用于快速对比。
此版本支持非递增（非单调）的x轴数据。
参数:
datasets (List[Dict]): 数据集列表，每个字典包含:
- 'x_data': x轴数据
- 'y_data': y轴数据
- 'label': 该组数据的标签名称
x_label (str): x轴的标签名称
y_label (str): y轴的标签名称
title (str): 图表的标题
save_path (str): 图片保存路径
plot_type (str): 绘图类型 ('line' 线图, 'bar' 柱状图, 'scatter' 散点图)
"""
plt.figure(figsize=(10, 6))
colors = ['blue', 'red', 'green', 'orange', 'purple', 'brown', 'pink', 'gray']
for i, dataset in enumerate(datasets):
x = np.array(dataset['x_data'])
y = np.array(dataset['y_data'])
label = dataset['label']
color = colors[i % len(colors)]
if plot_type == 'line':
# 对于线图，如果数据不是单调的，我们需要对数据进行排序
is_monotonic = np.all(np.diff(x) >= 0)
if not is_monotonic:
sort_indices = np.argsort(x)
x_sorted = x[sort_indices]
y_sorted = y[sort_indices]
plt.plot(x_sorted, y_sorted, marker='o', label=label, color=color, linewidth=2)
else:
plt.plot(x, y, marker='o', label=label, color=color, linewidth=2)
elif plot_type == 'bar':
# 柱状图需要特殊处理，确保x轴数据对齐
width = 0.8 / len(datasets)
x_pos = x + (i - len(datasets)/2 + 0.5) * width
plt.bar(x_pos, y, width, label=label, color=color, alpha=0.7)
elif plot_type == 'scatter':
plt.scatter(x, y, label=label, color=color, s=50, alpha=0.7)
plt.title(title, fontsize=16, fontweight='bold')
plt.xlabel(x_label, fontsize=12)
plt.ylabel(y_label, fontsize=12)
plt.grid(True, linestyle='--', alpha=0.6)
plt.legend()
if save_path:
plt.savefig(save_path, dpi=300, bbox_inches='tight')
print(f"图表已保存至: {save_path}")
plt.show()
# --- 使用示例 ---
if __name__ == "__main__":
# 测试数据：包含非单调递增的x轴数据
datasets=[
{
'x_data':[5.50,4.90,4.42,3.66,2.75,1.85,0.039], # 递减数据
'y_data':[0,6.05,10.71,18.43,27.52,36.44,54.32],
'label':'设计网络',
'smooth_method':'spline'
},
{
'x_data':[5.50,4.89,4.40,3.65,2.74,1.84,0.030], # 递减数据
'y_data':[0,6.03,10.72,18.35,27.35,36.14,53.88],
'label':'等效网络',
'smooth_method':'spline'
}
]
# 测试非单调数据（先增后减）
non_monotonic_datasets = [
{
'x_data':[1, 2, 3, 4, 5, 4, 3, 2, 1], # 非单调数据
'y_data':[1, 4, 9, 16, 25, 16, 9, 4, 1],
'label':'非单调测试数据',
'smooth_method':'univariate_spline'
}
]
print("=== 测试递减数据 ===")
plot_multiple_datasets_non_monotonic(
datasets=datasets,
x_label='U(V)',
y_label='I(mA)',
title='设计网络域等效网络的端口特性对比（支持非递增数据）',
save_path='non_monotonic_1.png'
)
print("\n=== 测试非单调数据 ===")
plot_multiple_datasets_non_monotonic(
datasets=non_monotonic_datasets,
x_label='X值',
y_label='Y值',
title='非单调数据测试',
save_path='non_monotonic_test.png'
)
|