前言:
由于寫論文需要測試算法的效率,是以需要使用某畫圖工具來将算法(分布式共識算法)的效率展現出來,本人一開始想到的是使用MATLAB,然後先不說其安裝有多麻煩,僅僅是大小,我這個蘇菲婆就頂不住了,然後問了問師姐,師姐:Python。嗯。
用需要用到三個庫:
• numpy
• matplotlib
• scipy
具體的作用就不介紹了,懂得都懂,但是安裝隻要安裝後面兩個就好了,matplotlib包含numpy
安裝:
因為本人使用的是conda環境,是以在安裝前先将一些東西更新
conda update conda
conda update anaconda
conda update anaconda-navigator //update最新版本的anaconda-navigator
然後進入已經建立的環境,再安裝matplotlib:
conda install matplotlib
conda install scipy
安裝完成後開始測試(也可以省略這個步驟,我這段代碼已經沒了…或者你可以直接跑下面的代碼,一樣的):
說明你的一切都已經就緒了,剩下的就隻要按照自己的需求畫出對應的圖即可。
代碼:
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import make_interp_spline
# 兩個是配置代碼,第一行表示,允許使用中文,第二個表示允許使用負數
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 這三個表示就跟名字一樣,辨別作用
plt.title("Four Nodes State")
plt.xlabel("Time(sec)")
plt.ylabel("State xi i=0,1,...4")
# 這個前兩參數表示橫坐标的開始和結尾,第三個參數表示你要分成多少份
x = np.linspace(0, 10, 1000)
# 下面是節點個狀态資訊,一定要使用numpy自帶的array,不然會出錯
node1State = np.array([-4, -3, -2, -1, 0, 1, 2, 1, 0, -1, 0, 1, 0, -1, 0, 1, 0, -1, 0, 1, 0])
times = np.array([0, 0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4, 4.5, 5, 5.5, 6, 6.5, 7, 7.5, 8, 8.5, 9, 9.5, 10])
# 這個就是最重要的平滑操作了,要是不使用這個操作的話,畫出來的就是點和點之間的直線
model0 = make_interp_spline(times, node1State)
ys0 = model0(x)
# 給每條線設定顔色,和添加label,linestyle表示你要使用曲線的樣式,有多少種網上有
plt.plot(x, ys0, color='red', label='Node 0', linestyle='-.')
# legend() 函數隻有在你需要使用laber 這個參數的時候才會用到
plt.legend()
plt.show()
上述代碼跑出來圖如下:
問題:
至于節點資料的問題,我這裡就是使用現成的資料,因為本人是使用golang來跑算法的,但是golang畫圖的庫真的能讓人哭出來,是以就直接跑算法的時候将相關資料存取來,然後在導入到Python這邊。
其他問題,實力有限,确實愛莫能助。
參考:
https://www.delftstack.com/zh/howto/matplotlib/matplotlib-plot-smooth-curve/
https://blog.csdn.net/TeFuirnever/article/details/88944438
https://blog.csdn.net/weixin_40683253/article/details/87367437
https://www.runoob.com/numpy/numpy-matplotlib.html
https://blog.csdn.net/cdqn10086/article/details/70143616