我测量了不同产品在不同角度位置的位置(在整个旋转过程中以 60 度为步长的 6 个值)。我想使用极坐标图,而不是在 0 和 360 是同一点的笛卡尔图上表示我的值。
使用matplotlib,我得到了一个蜘蛛图类型的图形,但我想避免点之间的直线,并在它们之间显示和外推值。我有一个不错的解决方案,但我希望有一个不错的“单衬”,我可以用它来对某些点进行更逼真的表示或更好的切线处理。
有没有人有想法改进我下面的代码?
# Libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# Some data to play with
df = pd.DataFrame({'measure':[10, -5, 15,20,20, 20,15,5,10], 'angle':[0,45,90,135,180, 225, 270, 315,360]})
# The few lines I would like to avoid...
angles = [y/180*np.pi for x in [np.arange(x, x+45,5) for x in df.angle[:-1]] for y in x]
values = [y for x in [np.linspace(x, df.measure[i+1], 10)[:-1] for i, x …Run Code Online (Sandbox Code Playgroud) 我正在使用 python 创建一个应用程序来计算管道胶带重叠(建模分配器将产品应用到旋转鼓上)。
我有一个可以正常工作的程序,但速度真的很慢。我正在寻找一种解决方案来优化for用于填充 numpy 数组的循环。有人可以帮我矢量化下面的代码吗?
import numpy as np
import matplotlib.pyplot as plt
# Some parameters
width = 264
bbddiam = 940
accuracy = 4 #2 points per pixel
drum = np.zeros(accuracy**2 * width * bbddiam).reshape((bbddiam * accuracy , width * accuracy))
# The "slow" function
def line_mask(drum, coef, intercept, upper=True, accuracy=accuracy):
"""Masks a half of the array"""
to_return = np.zeros(drum.shape)
for index, v in np.ndenumerate(to_return):
if upper == True:
if index[0] * coef + intercept > …Run Code Online (Sandbox Code Playgroud) 我正在寻找一种自动调节色彩平衡的解决方案?
我想用图片进行颜色分析和比较,因此色彩平衡很重要.
我希望使用scikit-image等直方图均衡功能来纠正和平衡颜色.结果不一定好看或自然,它必须始终是相同的.
有没有人有办法解决吗 ?
我有一个字典,键是元组.我正在寻找一个理解列表来分解列表中的元组
dicto={(1,2):1, (3,4):1, (5,6):3}
expected outcome: [1,2,3,4,5,6] (order doesnt matter)
Run Code Online (Sandbox Code Playgroud)
我到目前为止最好的是:
[x for x, y in dicto.keys()] ### [x, y for x, y in dicto.keys()] doesnt work :-(
Run Code Online (Sandbox Code Playgroud)
是否有一种优雅而优雅的方式可以在一条线上实现这一目标?
谢谢
假设我有一个pd.DataFrame:
df = pd.DataFrame({'Press':['A', 'B', 'A', 'B', 'A'],
'Model':[1, 2 ,2 , 2, 1],
'Count':[1, 1 ,1 , 1, 1]})
Run Code Online (Sandbox Code Playgroud)
排序后,我只想保持数据匹配somedict = {'A':2, 'B':2}。(键=按,值=模型)
有一个简单的方法来只保留索引[1,2,3]吗?
python ×5
dictionary ×1
for-loop ×1
matplotlib ×1
numba ×1
numpy ×1
pandas ×1
scikit-image ×1
tuples ×1