2022/4/日报

已于 2022-04-27 21:59:08 修改
阅读量196 收藏
点赞数
分类专栏： 日报 文章标签： 机器学习
于 2022-04-25 22:07:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_39133209/article/details/124415866
版权

0 2022/4/25

1 泰迪杯数据挖掘

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from adtk.detector import GeneralizedESDTestAD
from matplotlib.font_manager import FontProperties
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import data_handle
def data_box():
    dataset = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据.csv')
    box_1, box_2, box_3, box_4 = dataset['总有功功率（kw）'][0:35040], dataset['总有功功率（kw）'][35040:70016], dataset['总有功功率（kw）'][
                                                                                                   70016:105131], \
                                 dataset['总有功功率（kw）'][105131:128156]
    plt.figure(figsize=(10, 5))  # 设置画布的尺寸
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.title('箱线图', fontsize=20)  # 标题，并设定字号大小
    labels = '2018', '2019', '2020', '2021'  # 图例
    plt.boxplot([box_1, box_2, box_3, box_4], labels=labels)  # grid=False：代表不显示背景中的网格线
    plt.show()

def data_time():
    dataset = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据.csv')
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 定义使其正常显示中文字体黑体
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示表示负号
    plt.plot(dataset['总有功功率（kw）'], label='xx')
    plt.ylabel('用电负荷/KW', fontsize=18)
    plt.xlabel('时间', fontsize=18)
    plt.show()


def data_bar():
    dataset = pd.read_csv('./全部数据/附件2-行业日负荷数据.csv')
    dataset['数据时间'] = pd.to_datetime(dataset['数据时间'], format="%Y-%m-%d %H:%M:%S")
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 定义使其正常显示中文字体黑体
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示表示负号
    x = np.array(['大工业用电', '非普工业', '普通工业', '商业'])
    # y = [dataset['数据时间'].loc[dataset['行业类型']] == "大工业用电"]
    data1 = dataset['数据时间'].loc[dataset['行业类型'] == "大工业用电"]
    data2 = dataset['数据时间'].loc[dataset['行业类型'] == "非普工业"]
    data3 = dataset['数据时间'].loc[dataset['行业类型'] == "普通工业"]
    data4 = dataset['数据时间'].loc[dataset['行业类型'] == "商业"]

def hot_data():
    dataset = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据.csv')
    dataset['数据时间'] = pd.to_datetime(dataset['数据时间'], format="%Y-%m-%d %H:%M:%S")
    dataset = dataset[0:35040]
    dataset.set_index('数据时间', inplace=True)
    data = dataset.resample('d').sum()
    k = 0
    m = 0
    a = np.ones((12, 30))
    for i in range(360):
        if k < 30:
            a[m][k] = data['总有功功率（kw）'][i]
            k = k + 1
        else:
            k = 0
            m = m + 1
    # a[11][24] = a[m][k] = data['总有功功率（kw）'][354]
    # a[11][25] = a[m][k] = data['总有功功率（kw）'][355]
    # a[11][26] = a[m][k] = data['总有功功率（kw）'][356]
    # a[11][27] = a[m][k] = data['总有功功率（kw）'][357]
    # a[11][28] = a[m][k] = data['总有功功率（kw）'][358]
    # a[11][29] = a[m][k] = data['总有功功率（kw）'][359]

    plt.rcParams['font.sans-serif'] = ['SimHei']  # 定义使其正常显示中文字体黑体
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示表示负号
    fig, ax = plt.subplots(figsize=(9, 9))
    sns.heatmap(a)
    labels = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]
    y = [0.5, 1.5, 2.5, 3.5, 4.5, 5.5, 6.5, 7.5, 8.5, 9.5, 10.5, 11.5]
    plt.yticks(y, labels=labels)
    x = []
    x_labels = []
    for i in range(30):
        x.append(i + 0.5)
        x_labels.append(i + 1)
    plt.xticks(x, labels=x_labels)
    ax.set_title('2018年每日负荷热力图', fontsize=18)
    ax.set_ylabel('T/month', fontsize=18)
    ax.set_xlabel('T/day', fontsize=18)
    plt.show()
    print(a)


if __name__ == '__main__':
    hot_data()











import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# import seaborn as sns

from sklearn.preprocessing import MinMaxScaler  # 归一化
from sklearn.metrics import r2_score, mean_absolute_error, accuracy_score, mean_squared_error

import tensorflow as tf
from tensorflow.keras import Sequential, layers, utils

import warnings


def create_new_dataset(dataset, seq_len=12):
    '''
    基于原始数据集构造新的序列特征数据集
    Params:
        dataset : 原始数据集
        seq_len : 序列长度（时间跨度）

    Returns:
        X, y
    '''
    X = []  # 初始特征数据集为空列表
    y = []  # 初始标签数据集为空列表
    scaler = MinMaxScaler()
    scaler.fit(dataset)
    dataset = scaler.transform(dataset)
    val_data_len = len(dataset)//10
    validata = dataset[len(dataset) - val_data_len - seq_len-1:]
    traindata = dataset[:len(dataset) - val_data_len]
    start = 0  # 初始位置
    end = traindata.shape[0] - 2*seq_len  # 截止位置
    for i in range(start, end):  # for循环构造特征数据集
        sample = traindata[i: i + seq_len]  # 基于时间跨度seq_len创建样本
        label = traindata[i + seq_len: i+2*seq_len]  # 创建sample对应的标签
        X.append(sample)  # 保存sample
        y.append(label)  # 保存label

    # 返回特征数据集和标签集
    return np.array(X), np.reshape(np.array(y),(len(y), SEQ_LEN)), np.array(validata)
    # return np.array(X), np.array(y), np.array(validata)


# 基于新的特征的数据集和标签集，切分：X_train， X_test
def split_dataset(X, y, train_ratio=0.8):
    '''基于X和y，切分为train和test
    Params:
        X : 特征数据集
        y : 标签数据集
        train_ratio : 训练集占X的比例

    Returns:
        X_train, X_test, y_train, y_test
    '''
    X_len = len(X)  # 特征数据集X的样本数量
    train_data_len = int(X_len * train_ratio)  # 训练集的样本数量

    X_train = X[:train_data_len]  # 训练集
    y_train = y[:train_data_len]  # 训练标签集

    X_test = X[train_data_len:]  # 测试集
    y_test = y[train_data_len:]  # 测试集标签集

    # 返回值
    return X_train, X_test, y_train, y_test


# 基于新的X_train, X_test, y_train, y_test创建批数据(batch dataset)
def create_batch_data(X, y, batch_size=32, data_type=1):
    '''基于训练集和测试集，创建批数据
    Params:
        X : 特征数据集
        y : 标签数据集
        batch_size : batch的大小，即一个数据块里面有几个样本
        data_type : 数据集类型（测试集表示1，训练集表示2）

    Returns:
        train_batch_data 或 test_batch_data
    '''
    if data_type == 1:  # 测试集
        dataset = tf.data.Dataset.from_tensor_slices((tf.constant(X), tf.constant(y)))  # 封装X和y，成为tensor类型
        test_batch_data = dataset.batch(batch_size)  # 构造批数据
        # 返回
        return test_batch_data
    else:  # 训练集
        dataset = tf.data.Dataset.from_tensor_slices((tf.constant(X), tf.constant(y)))  # 封装X和y，成为tensor类型
        train_batch_data = dataset.cache().shuffle(1000).batch(batch_size)  # 构造批数据
        # 返回
        return train_batch_data


def build_model():
    model = Sequential([
        layers.LSTM(32, input_shape=(SEQ_LEN, 1), return_sequences=True),
        layers.Dropout(0.4),
        layers.LSTM(units=32, return_sequences=False),
        layers.Dense(SEQ_LEN)
    ])

    model.compile(optimizer='adam', loss="mse")
    return model

def train_model(model, train_batch_dataset, test_batch_dataset):
    file_path = './best_checkpoint.hdf5'
    # checkpoint_callback = callbacks.ModelCheckpoint(file_path,
    #                                                       monitor='val_loss',
    #                                                       verbose=0,
    #                                                       save_best_only=False,
    #                                                       save_weights_only=False,
    #                                                       mode='auto',
    #                                                       period=1)
    # 模型训练，history属性记录了损失函数和其他指标的数值随epoch变化的情况
    history = model.fit(train_batch_dataset,
                        epochs=10,
                        validation_data=test_batch_dataset
                       )

    # plt.figure(figsize=(16, 8))
    # plt.plot(history.history['loss'], label='train loss')
    # plt.plot(history.history['val_loss'], label='val loss')
    # plt.title('Loss')
    # plt.xlabel('Epochs')
    # plt.ylabel('Loss')
    # plt.legend(loc='best')
    # plt.show()
    y_pred = model.predict(X_test)
    # mse

    mse = mean_squared_error(y_pred, y_test)
    # MAE
    mae = mean_absolute_error(y_test, y_pred)  # np.mean(np.abs(y_test-y_pred))
    # r2_score

    r2 = r2_score(y_test[:,0], y_pred[:,0])
    print("mes", mse)
    print("MAE", mae)
    print("r2_score", r2)
    # 绘制模型验证结果
    plt.figure(figsize=(16, 8))
    plt.plot(y_test[0,:], label='Ture label')
    plt.plot(y_pred[0,:], label='Pred label')
    plt.title("True vs Pred")
    plt.legend(loc='best')
    plt.show()
    return
def predict_next(model, sample, epoch=36):
    # temp1 = list(sample[:, 0])
    # for i in range(epoch):
    #     sample = sample.reshape(1, SEQ_LEN, 1) #batchsize, train_dimension, feature_dimension
    #     pred = model.predict(sample)
    #     value = pred.tolist()[0][0]
    #     temp1.append(value)
    #     sample = np.array(temp1[i+1 : i+SEQ_LEN+1])
    temp1 = model.predict(sample.reshape(1, SEQ_LEN, 1))
    return temp1.reshape(SEQ_LEN,1)

if __name__ == '__main__':
    warnings.filterwarnings('ignore')
    dataset = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据.csv')
    dataset['数据时间'] = pd.to_datetime(dataset['数据时间'], format="%Y-%m-%d %H:%M:%S")

    dataset.index = dataset['数据时间']

    dataset.drop(columns=['数据时间'], axis=1, inplace=True)
    dataset.columns = ['DOM_kW']
    #可视化数据分布
    # dataset['DOM_kW'].plot(figsize=(16,9))
    # plt.show()

    # 构造特征数据集和标签集，seq_len序列长度为36
    SEQ_LEN = 36  # 序列长度
    X, y, valid_data = create_new_dataset(dataset.values, seq_len=SEQ_LEN)

    X_train, X_test, y_train, y_test = split_dataset(X, y)
    train_batch_dataset = create_batch_data(X_train, y_train, data_type=0)
    test_batch_dataset = create_batch_data(X_test, y_test, data_type=1)
    train_model(build_model(), train_batch_dataset, test_batch_dataset)
    model = build_model()
    model.load_weights(r'./best_checkpoint.hdf5')
    pred = predict_next(model, sample=X_test[-1], epoch=1)
    plt.figure(figsize=(12,6))
    plt.plot(pred, color='red', label='Prediction')
    plt.plot(valid_data[:36], color='blue', label='Truth')
    plt.xlabel("Epochs")
    plt.ylabel('Value')
    plt.legend(loc='best')
    plt.show()

0 2022/4/26

1 数据挖掘

def pearson_data():
    dataset = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据_handle_weather_holiday.csv')
    index = ['month', 'day', 'hour', 'minute', 'dayofweek', 'dayofyear', '最高温度', '最低温度', '白天最低风力', '白天最高风力',
             '夜晚最低风力', '夜晚最高风力', '最好天气', '最坏天气', 'holiday']
    index_labels = ['month', 'day', 'hour', 'minute', 'dofwe', 'dofye', 'maxte', 'minte', 'minwd', 'maxwd',
                    'minwn', 'maxwn', 'bewe', 'bawe', 'holiday']
    r_data = np.ones((15, 15))
    for i in range(len(index)):
        for j in range(len(index)):
            r = pearsonr(dataset[index[i]], dataset[index[j]])
            r_data[i][j] = r[0]
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 定义使其正常显示中文字体黑体
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示表示负号
    fig, ax = plt.subplots(figsize=(15, 15))
    sns.heatmap(r_data, cmap='YlGnBu')
    x = [0.5, 1.5, 2.5, 3.5, 4.5, 5.5, 6.5, 7.5, 8.5, 9.5, 10.5, 11.5, 12.5, 13.5, 14.5]
    plt.xticks(x, labels=index_labels)
    plt.yticks(x, labels=index_labels)
    ax.set_title('特征相关系数', fontsize=18)
    plt.show()

def vmd_data():
    dataset = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据_handle_weather_holiday.csv', usecols=[0])
    dataset1 = pd.read_csv('./全部数据/VMDban-1.csv')
    dataset2 = pd.read_csv('./全部数据/VMDban-2.csv')
    dataset3 = pd.read_csv('./全部数据/VMDban-3.csv')
    dataset4 = pd.read_csv('./全部数据/VMDban-4.csv')
    dataset5 = pd.read_csv('./全部数据/VMDban-5.csv')
    dataset6 = pd.read_csv('./全部数据/VMDban-6.csv')
    dataset7 = dataset['总有功功率（kw）'] - dataset1['v1'] - dataset2['v2'] - dataset3['v3'] - dataset4['v4'] - dataset5['v5'] - dataset6['v6']
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 定义使其正常显示中文字体黑体
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示表示负号
    plt.subplot(7, 1, 1)
    plt.plot(dataset1[0:6000], label='u1')
    plt.legend(loc='upper right')
    plt.ylabel('KW', fontsize=12)

    plt.subplot(7, 1, 2)
    plt.plot(dataset2[0:6000], label='u2')
    plt.legend(loc='upper right')
    plt.ylabel('KW', fontsize=12)

    plt.subplot(7, 1, 3)
    plt.plot(dataset3[0:6000], label='u3')
    plt.legend(loc='upper right')
    plt.ylabel('KW', fontsize=12)


    plt.subplot(7, 1, 4)
    plt.plot(dataset4[0:6000], label='u4')
    plt.legend(loc='upper right')
    plt.ylabel('KW', fontsize=12)


    plt.subplot(7, 1, 5)
    plt.plot(dataset5[0:6000], label='u5')
    plt.legend(loc='upper right')
    plt.ylabel('KW', fontsize=12)


    plt.subplot(7, 1, 6)
    plt.plot(dataset6[0:6000], label='u6')
    plt.legend(loc='upper right')
    plt.ylabel('KW', fontsize=12)


    plt.subplot(7, 1, 7)
    plt.plot(dataset7[0:6000], label='残差')
    plt.legend(loc='upper right')
    plt.ylabel('KW', fontsize=12)

    plt.show()
def data_step_per(step):
    dataset = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据_handle_weather_holiday.csv')
    dataset['数据时间'] = pd.to_datetime(dataset['数据时间'], format="%Y-%m-%d %H:%M:%S")
    dataset.set_index('数据时间', inplace=True)
    data = dataset.resample('d').sum()
    data_person = np.ones((step, step))
    for i in range(step):
        dataset1 = data[0 + i:1310 + i]
        for j in range(step):
            dataset2 = data[0 + j:1310 + j]
            r = pearsonr(dataset1['总有功功率（kw）'], dataset2['总有功功率（kw）'])
            data_person[i][j] = r[0]
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 定义使其正常显示中文字体黑体
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示表示负号
    fig, ax = plt.subplots(figsize=(15, 15))
    sns.heatmap(data_person, cmap='YlGnBu',square=True, annot=True)
    plt.show()
def season_data():
    dataset = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据_handle_weather_holiday.csv')
    # dataset['数据时间'] = pd.to_datetime(dataset['数据时间'], format="%Y-%m-%d %H:%M:%S")
    # dataset.set_index('数据时间', inplace=True)
    # data = dataset.resample('d').sum()
    decomposition = sm.tsa.seasonal_decompose(dataset['总有功功率（kw）'].values, model='addictive', period=96 * 120)
    season = decomposition.seasonal
    plt.plot(season)
    plt.show()

0 2022/4/27

1 数据挖掘

def data_step_per(step):
    dataset = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据_handle_weather_holiday.csv')
    dataset['数据时间'] = pd.to_datetime(dataset['数据时间'], format="%Y-%m-%d %H:%M:%S")
    dataset.set_index('数据时间', inplace=True)
    data = dataset.resample('d').sum()
    data_person = np.ones((step, step))
    for i in range(step):
        dataset1 = data[0 + i:1310 + i]
        for j in range(step):
            dataset2 = data[0 + j:1310 + j]
            r = pearsonr(dataset1['总有功功率（kw）'], dataset2['总有功功率（kw）'])
            data_person[i][j] = r[0]
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 定义使其正常显示中文字体黑体
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示表示负号
    fig, ax = plt.subplots(figsize=(15, 15))
    sns.heatmap(data_person, cmap='YlGnBu',square=True, annot=True)
    plt.show()
def season_data():
    dataset = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据_handle_weather_holiday.csv')
    # dataset['数据时间'] = pd.to_datetime(dataset['数据时间'], format="%Y-%m-%d %H:%M:%S")
    # dataset.set_index('数据时间', inplace=True)
    # data = dataset.resample('d').sum()
    decomposition = sm.tsa.seasonal_decompose(dataset['总有功功率（kw）'].values, model='addictive', period=96 * 120)
    season = decomposition.seasonal
    plt.plot(season)
    plt.show()
def seasonal(df):
    mean_load = df["总有功功率（kw）"].mean()
    dataset = df.copy()
    df.drop(range(75745, 75745 + 96), axis=0, inplace=True)
    res = []
    df["year"] = df["数据时间"].dt.year
    year_group = df.groupby("year")
    group_2018 = year_group.get_group(2018)
    group_2019 = year_group.get_group(2019)
    group_2020 = year_group.get_group(2020)
    group_2021 = year_group.get_group(2021)
    for i in range(35040):
        if i <= 23327:
            a = (group_2018.iloc[i][0] +
                 group_2019.iloc[i][0] +
                 group_2020.iloc[i][0] +
                 group_2021.iloc[i][0]) / 4
        else:
            a = (group_2018.iloc[i][0] + group_2019.iloc[i][0] + group_2020.iloc[i][0]) / 3
        res.append(a / mean_load)
    res_2020 = res.copy()
    for i in range(96):
        res_2020.insert(0, 5664)
    res = res + res + res_2020 + res[0:len(group_2021)]
    dataset["总有功功率（kw）"] /= res
    return dataset
def delete_personal():
    df = pd.read_csv('./全部数据/附件1-区域15分钟负荷数据_handle_weather_holiday.csv')
    df['数据时间'] = pd.to_datetime(df['数据时间'], format="%Y-%m-%d %H:%M:%S")
    df2 = df.copy()

    mean_load = df["总有功功率（kw）"].mean()
    df2.loc[:, '比例'] = df['month']
    a = []
    for index, row in df2.iterrows():
        data = df.loc[(df['month'] == row['month']) & (df['day'] == row['day']) & (df['minute'] == row['minute']) & (
                    df['hour'] == row['hour'])]
        x = data['总有功功率（kw）'].sum() / data.shape[0]
        a.append(x / mean_load)
        df2['总有功功率（kw）'][index] = df['总有功功率（kw）'][index] / (x / mean_load)
        df2['比例'][index] = x / mean_load
    df2.to_csv("./全部数据/附件1-区域15分钟负荷数据_handle_weather_holiday_personal_2.csv", index=None)

    plt.rcParams['font.sans-serif'] = ['SimHei']  # 定义使其正常显示中文字体黑体
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示表示负号
    plt.plot(df2['总有功功率（kw）'], label='xx')
    plt.ylabel('用电负荷/KW', fontsize=18)
    plt.xlabel('时间/年/月', fontsize=18)
    labels = [0, 50000, 100000, 150000, 200000, 250000, 300000, 350000]
    y = [0, 50000, 100000, 150000, 200000, 250000, 300000, 350000]
    plt.yticks(y, labels=labels)
    x_labels = ['2018/1', '2018/6', '2019/1', '2019/6', '2020/1', '2020/6', '2021/1']
    x = [0, 20000, 40000, 58000, 74000, 90000, 109000]
    plt.xticks(x, labels=x_labels)
    plt.show()


import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

plt.rcParams['font.family'] = ['MicroSoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

# df = pd.read_excel(r'D:\biyelunwen\data\py\单年均值.xls')
df = pd.read_csv('./全部数据/附件2-行业日负荷数据.csv')
df = df.loc[df['行业类型'] == '普通工业']
# 获取数据
x = df['数据时间']
y = df['有功功率最小值（kw）']

n = len(y)

# 正序计算
# 定义累计量序列Sk，长度n，初始值为0
Sk = np.zeros(n)
UFk = np.zeros(n)

# 定义Sk序列元素s
s = 0

for i in range(1, n):
    for j in range(0, i):
        if y.iloc[i] > y.iloc[j]:
            s += 1
    Sk[i] = s
    E = (i+1)*(i/4)
    Var = (i+1)*i*(2*(i+1)+5)/72
    UFk[i] = (Sk[i] - E)/np.sqrt(Var)

# 逆序计算
# 定义逆累计量序列Sk2
# 定义逆统计量序列Sk2
y2 = np.zeros(n)
Sk2 = np.zeros(n)
UBk = np.zeros(n)

s = 0
y2 = y[::-1]

for i in range(1, n):
    for j in range(0, i):
        if y2.iloc[i] > y2.iloc[j]:
            s += 1
    Sk2[i] = s
    E = (i+1)*(i/4)
    Var = (i+1)*i*(2*(i+1)+5)/72
    UBk[i] = -(Sk2[i] - E)/np.sqrt(Var)

UBk2 = UBk[::-1]


# 画图
plt.figure(figsize=(18, 18))
plt.plot(range(973), UFk, label='UF')# , color='black', marker='s'
plt.plot(range(973), UBk2, label='UB') # , color='black', linestyle='--', marker='o'
# plt.plot(y)
plt.ylabel('Mann-Kendall检验值')
plt.xlabel('年份 Year')

# 添加辅助线
x_lim = plt.xlim()
# 添加显著水平线和y=0
plt.plot(x_lim,[-1.96,-1.96],':',color='black',label='5%显著水平')
plt.plot(x_lim, [0,0],'--',color='black')
plt.plot(x_lim,[1.96,1.96],':',color='black')
# plt.xticks(range(973), x.tolist(), rotation=45)
# plt.legend(loc='upper right', bbox_to_anchor=(0.9,0.95),ncol=3,fancybox=True)

# 设置图例位置，第一个参数调整左右位置，第二个参数调整上下位置
plt.legend(bbox_to_anchor=(0.75, 0.07), facecolor='w',frameon=False)
# 添加文本注释
plt.text(0, -1.6, '突变点检验')
plt.savefig("./图片/MK检验.png")

plt.show()
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值