matplotlibにplt.steps関数を使ってスペクトルをプロットするのに役立つ必要があります。データが騒々しいので、gnuplotではスムーズなベジェオプションを使用してスムーズにしました。 matplotlibに似たようなオプションがありますか？スプラインは所望のレベルのデータを平滑化することができない。ここにサンプルデータセットがありますhttps://drive.google.com/open?id=0B4shfFfM7MOqV2h3ZDA0RXlOa2Mmatplotlibで平滑ベジェ相当のプロット
私はlog x値でplt.steps（data [：、0]、data [：、1]）プロットしました。 プロットが添付されています。 matplotlib image 。 matplotlibを使用してデータ全体をスムーズにする方法（私はPythonプロットには全く新しい）
些細なローパスフィルタは効果があるようです。必要に応じてアルファを調整します。
#! /usr/bin/env python3
import matplotlib.pyplot as plt
def smooth(y, alpha=0.1):
ret = []
sm = y[0] # smoothed value, a moving average
for val in y:
ret.append(sm)
sm = alpha * val + (1 - alpha) * sm
return ret
def plot(points):
x = [a for a, b in points]
y = [b for a, b in points]
plt.subplot(211)
plt.semilogx(x, y)
plt.subplot(212)
plt.semilogx(x, smooth(y))
plt.savefig('/tmp/smoothed.png')
if __name__ == '__main__':
plot([
(0.25, 0.000),
(0.35, 0.055),
(0.45, 0.103),
(0.55, 0.104),
(0.65, 0.143),
(0.75, 0.140),
(0.85, 0.143),
(0.95, 0.143),
(1.05, 0.126),
(1.15, 0.223),
(1.25, 0.217),
(1.35, 0.232),
(1.45, 0.225),
(1.55, 0.219),
(1.65, 0.223),
(1.75, 0.236),
(1.85, 0.216),
(1.95, 0.222),
(2.05, 0.244),
(2.15, 0.244),
(2.25, 0.257),
(2.35, 0.221),
(2.45, 0.221),
(2.55, 0.213),
(2.65, 0.238),
(2.75, 0.209),
(2.85, 0.223),
(2.95, 0.226),
(3.05, 0.212),
(3.15, 0.247),
(3.25, 0.247),
(3.35, 0.236),
(3.45, 0.215),
(3.55, 0.218),
(3.65, 0.241),
(3.75, 0.209),
(3.85, 0.239),
(3.95, 0.221),
(4.05, 0.169),
(4.15, 0.246),
(4.25, 0.230),
(4.35, 0.229),
(4.45, 0.242),
(4.55, 0.264),
(4.65, 0.188),
(4.75, 0.182),
(4.85, 0.248),
(4.95, 0.172),
(5.05, 0.189),
(5.15, 0.228),
(5.25, 0.183),
(5.35, 0.272),
(5.45, 0.201),
(5.55, 0.204),
(5.65, 0.203),
(5.75, 0.198),
(5.85, 0.187),
(5.95, 0.244),
(6.05, 0.229),
(6.15, 0.202),
(6.25, 0.234),
(6.35, 0.231),
(6.45, 0.173),
(6.55, 0.206),
(6.65, 0.173),
(6.75, 0.178),
(6.85, 0.183),
(6.95, 0.188),
(7.05, 0.181),
(7.15, 0.153),
(7.25, 0.150),
(7.35, 0.183),
(7.45, 0.188),
(7.55, 0.111),
(7.65, 0.145),
(7.75, 0.195),
(7.85, 0.192),
(7.95, 0.156),
(8.05, 0.126),
(8.15, 0.095),
(8.25, 0.151),
(8.35, 0.127),
(8.45, 0.130),
(8.55, 0.095),
(8.65, 0.127),
(8.75, 0.219),
(8.85, 0.122),
(8.95, 0.094),
(9.05, 0.128),
(9.15, 0.054),
(9.25, 0.122),
(9.35, 0.080),
(9.45, 0.139),
(9.55, 0.107),
(9.65, 0.097),
(9.75, 0.087),
(9.85, 0.050),
(9.95, 0.090),
(10.05, 0.053),
(10.15, 0.121),
(10.25, 0.055),
(10.35, 0.056),
(10.45, 0.014),
(10.55, 0.087),
(10.65, 0.044),
(10.75, 0.150),
(10.85, 0.077),
(10.95, 0.140),
(11.05, 0.064),
(11.15, 0.065),
(11.25, 0.132),
(11.35, 0.050),
(11.45, 0.068),
(11.55, 0.017),
(11.65, 0.000),
(11.75, 0.072),
(11.85, 0.110),
(11.95, 0.056),
(12.05, 0.057),
(12.15, 0.115),
(12.25, 0.098),
(12.35, 0.060),
(12.45, 0.101),
(12.55, 0.041),
(12.65, 0.062),
(12.75, 0.063),
(12.85, 0.064),
(12.95, 0.065),
(13.05, 0.066),
(13.15, 0.157),
(13.25, 0.023),
(13.35, 0.093),
(13.45, 0.094),
(13.55, 0.072),
(13.65, 0.048),
(13.75, 0.098),
(13.85, 0.125),
(13.95, 0.101),
(14.05, 0.051),
(14.15, 0.104),
(14.25, 0.053),
(14.35, 0.054),
(14.45, 0.054),
(14.55, 0.083),
(14.65, 0.112),
(14.75, 0.113),
(14.85, 0.115),
(14.95, 0.087),
(15.05, 0.029),
(15.15, 0.000),
(15.25, 0.091),
(15.35, 0.031),
(15.45, 0.124),
(15.55, 0.031),
(15.65, 0.032),
(15.75, 0.065),
(15.85, 0.033),
(15.95, 0.033),
(16.05, 0.000),
(16.15, 0.068),
(16.25, 0.000),
(16.35, 0.070),
(16.45, 0.141),
(16.55, 0.143),
(16.65, 0.072),
(16.75, 0.073),
(16.85, 0.000),
(16.95, 0.037),
(17.05, 0.113),
(17.15, 0.077),
(17.25, 0.039),
(17.35, 0.078),
(17.45, 0.079),
(17.55, 0.040),
(17.65, 0.041),
(17.75, 0.082),
(17.85, 0.041),
(17.95, 0.042),
(18.05, 0.042),
(18.15, 0.043),
(18.25, 0.043),
(18.35, 0.000),
(18.45, 0.133),
(18.55, 0.134),
(18.65, 0.045),
(18.75, 0.091),
(18.85, 0.046),
(18.95, 0.093),
(19.05, 0.236),
(19.15, 0.048),
(19.25, 0.145),
(19.35, 0.049),
(19.45, 0.000),
(19.55, 0.050),
(19.65, 0.000),
(19.75, 0.101),
(19.85, 0.205),
(19.95, 0.155),
(20.05, 0.052),
(20.250, 0.034),
(21.750, 0.029),
(23.250, 0.036),
(24.750, 0.033),
(26.250, 0.048),
(27.750, 0.051),
(29.250, 0.033),
(30.750, 0.033),
(32.250, 0.089),
(33.750, 0.084),
(35.250, 0.068),
(36.750, 0.089),
(38.250, 0.017),
(39.750, 0.049),
(41.250, 0.093),
(42.750, 0.043),
(44.250, 0.069),
(45.750, 0.049),
(47.250, 0.096),
(48.750, 0.065),
(50.250, 0.098),
(51.750, 0.042),
(53.250, 0.088),
(54.750, 0.105),
(56.250, 0.074),
(57.750, 0.065),
(59.250, 0.096),
(60.750, 0.129),
(62.250, 0.075),
(63.750, 0.142),
(65.250, 0.116),
(66.750, 0.035),
(68.250, 0.091),
(69.750, 0.170),
(71.250, 0.119),
(72.750, 0.082),
(74.250, 0.086),
(75.750, 0.223),
(77.250, 0.163),
(78.750, 0.097),
(80.250, 0.175),
(81.750, 0.182),
(83.250, 0.108),
(84.750, 0.196),
(86.250, 0.145),
(87.750, 0.090),
(89.250, 0.372),
(90.750, 0.224),
(92.250, 0.132),
(93.750, 0.171),
(95.250, 0.141),
(96.750, 0.146),
(98.250, 0.225),
(99.750, 0.503),
(101.250, 0.199),
(102.750, 0.123),
(104.250, 0.169),
(105.750, 0.174),
(107.250, 0.224),
(108.750, 0.368),
(110.250, 0.284),
(111.750, 0.243),
(113.250, 0.150),
(114.750, 0.256),
(116.250, 0.263),
(117.750, 0.540),
(119.250, 0.332),
(120.750, 0.567),
(122.250, 0.407),
(123.750, 0.477),
(125.250, 0.122),
(126.750, 0.313),
(128.250, 0.384),
(129.750, 0.328),
(131.250, 0.335),
(132.750, 0.411),
(134.250, 0.351),
(135.750, 0.574),
(137.250, 0.367),
(138.750, 0.150),
(140.250, 0.536),
(141.750, 0.391),
(143.250, 0.479),
(144.750, 0.489),
(146.250, 0.333),
(147.750, 0.510),
(149.250, 0.520),
(150.750, 0.796),
(152.250, 0.090),
(153.750, 0.092),
(155.250, 0.563),
(156.750, 0.478),
(158.250, 0.487),
(159.750, 0.298),
(161.250, 0.405),
(162.750, 0.206),
(164.250, 0.735),
(165.750, 0.428),
(167.250, 0.653),
(168.750, 0.332),
(170.250, 0.113),
(171.750, 0.459),
(173.250, 0.117),
])
ありがとうございました。その本当に私が望んでいた。 –
@SANDIPANDAWN [誰かの回答]（https://stackoverflow.com/help/someone-answers）をお読みください。 – ImportanceOfBeingErnest
は、あなたがこれまで書いてきた私たちにサンプルデータとコードをしてください表示します。 matplotlibに渡す前に、入力データに対してローパスフィルタを実行することを検討するかもしれません。 –
@J_Hここにサンプルデータ –
@J_Hデータを入力して私の質問を編集しました。私が得たプロット –