甘桔 发表于 2024-1-13 22:49:49

C#基于ScottPlot进行可视化

C#基于ScottPlot进行可视化

前言

上一篇文章跟大家分享了用NumSharp实现简单的线性回归,但是没有进行可视化,可能对拟合的过程没有直观的感受,因此今天跟大家介绍一下使用C#基于Scottplot进行可视化,当然Python的代码,我也会同步进行可视化。
Python代码进行可视化

Python代码用matplotlib做了可视化,我就不具体介绍了。
修改之后的python代码如下:
#The optimal values of m and b can be actually calculated with way less effort than doing a linear regression.
#this is just to demonstrate gradient descent

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation


# y = mx + b
# m is slope, b is y-intercept
def compute_error_for_line_given_points(b, m, points):
    totalError = 0
    for i in range(0, len(points)):
      x = points
      y = points
      totalError += (y - (m * x + b)) ** 2
    return totalError / float(len(points))

def step_gradient(b_current, m_current, points, learningRate):
    b_gradient = 0
    m_gradient = 0
    N = float(len(points))
    for i in range(0, len(points)):
      x = points
      y = points
      b_gradient += -(2/N) * (y - ((m_current * x) + b_current))
      m_gradient += -(2/N) * x * (y - ((m_current * x) + b_current))
    new_b = b_current - (learningRate * b_gradient)
    new_m = m_current - (learningRate * m_gradient)
    return

def gradient_descent_runner(points, starting_b, starting_m, learning_rate, num_iterations):
    b = starting_b
    m = starting_m
    args_data = []
    for i in range(num_iterations):
      b, m = step_gradient(b, m, np.array(points), learning_rate)
      args_data.append((b,m))
    return args_data

if __name__ == '__main__':
   points = np.genfromtxt("data.csv", delimiter=",")
   learning_rate = 0.0001
   initial_b = 0 # initial y-intercept guess
   initial_m = 0 # initial slope guess
   num_iterations = 10
   print ("Starting gradient descent at b = {0}, m = {1}, error = {2}".format(initial_b, initial_m, compute_error_for_line_given_points(initial_b, initial_m, points)))
   print ("Running...")
   args_data = gradient_descent_runner(points, initial_b, initial_m, learning_rate, num_iterations)
   
   b = args_data[-1]
   m = args_data[-1]

   print ("After {0} iterations b = {1}, m = {2}, error = {3}".format(num_iterations, b, m, compute_error_for_line_given_points(b, m, points)))
   
   data = np.array(points).reshape(100,2)
   x1 = data[:,0]
   y1 = data[:,1]
   
   x2 = np.linspace(20, 80, 100)
   y2 = initial_m * x2 + initial_b

   data2 = np.array(args_data)
   b_every = data2[:,0]
   m_every = data2[:,1]

   # 创建图形和轴
   fig, ax = plt.subplots()
   line1, = ax.plot(x1, y1, 'ro')
   line2, = ax.plot(x2,y2)

   # 添加标签和标题
   plt.xlabel('x')
   plt.ylabel('y')
   plt.title('Graph of y = mx + b')

   # 添加网格
   plt.grid(True)

    # 定义更新函数
   def update(frame):
      line2.set_ydata(m_every * x2 + b_every)
      ax.set_title(f'{frame} Graph of y = {m_every:.2f}x + {b_every:.2f}')
   
# 创建动画
animation = FuncAnimation(fig, update, frames=len(data2), interval=500)

# 显示动画
plt.show()实现的效果如下所示:


C#代码进行可视化

这是本文重点介绍的内容,本文的C#代码通过Scottplot进行可视化。
Scottplot简介

ScottPlot 是一个免费的开源绘图库,用于 .NET,可以轻松以交互方式显示大型数据集。
控制台程序可视化

首先我先介绍一下在控制台程序中进行可视化。
首先添加Scottplot包:

将上篇文章中的C#代码修改如下:
using NumSharp;

namespace LinearRegressionDemo
{
    internal class Program
    {   
      static void Main(string[] args)
      {   
            //创建double类型的列表
            List<double> Array = new List<double>();
            List<double> ArgsList = new List<double>();

            // 指定CSV文件的路径
            string filePath = "你的data.csv路径";

            // 调用ReadCsv方法读取CSV文件数据
            Array = ReadCsv(filePath);

            var array = np.array(Array).reshape(100,2);

            double learning_rate = 0.0001;
            double initial_b = 0;
            double initial_m = 0;
            double num_iterations = 10;

            Console.WriteLine($"Starting gradient descent at b = {initial_b}, m = {initial_m}, error = {compute_error_for_line_given_points(initial_b, initial_m, array)}");
            Console.WriteLine("Running...");
            ArgsList = gradient_descent_runner(array, initial_b, initial_m, learning_rate, num_iterations);
            double b = ArgsList;
            double m = ArgsList;
            Console.WriteLine($"After {num_iterations} iterations b = {b}, m = {m}, error = {compute_error_for_line_given_points(b, m, array)}");
            Console.ReadLine();

            var x1 = array[$":", 0];
            var y1 = array[$":", 1];
            var y2 = m * x1 + b;

            ScottPlot.Plot myPlot = new(400, 300);
            myPlot.AddScatterPoints(x1.ToArray<double>(), y1.ToArray<double>(), markerSize: 5);
            myPlot.AddScatter(x1.ToArray<double>(), y2.ToArray<double>(), markerSize: 0);
            myPlot.Title($"y = {m:0.00}x + {b:0.00}");

            myPlot.SaveFig("图片.png");
      
      }

      static List<double> ReadCsv(string filePath)
      {
            List<double> array = new List<double>();
            try
            {
                // 使用File.ReadAllLines读取CSV文件的所有行
                string[] lines = File.ReadAllLines(filePath);            

                // 遍历每一行数据
                foreach (string line in lines)
                {
                  // 使用逗号分隔符拆分每一行的数据
                  string[] values = line.Split(',');

                  // 打印每一行的数据
                  foreach (string value in values)
                  {
                        array.Add(Convert.ToDouble(value));
                  }                  
                }
            }
            catch (Exception ex)
            {
                Console.WriteLine("发生错误: " + ex.Message);
            }
            return array;
      }

      public static double compute_error_for_line_given_points(double b,double m,NDArray array)
      {
            double totalError = 0;
            for(int i = 0;i < array.shape;i++)
            {
                double x = array;
                double y = array;
                totalError += Math.Pow((y - (m*x+b)),2);
            }
            return totalError / array.shape;
      }

      public static double[] step_gradient(double b_current,double m_current,NDArray array,double learningRate)
      {
            double[] args = new double;
            double b_gradient = 0;
            double m_gradient = 0;
            double N = array.shape;

            for (int i = 0; i < array.shape; i++)
            {
                double x = array;
                double y = array;
                b_gradient += -(2 / N) * (y - ((m_current * x) + b_current));
                m_gradient += -(2 / N) * x * (y - ((m_current * x) + b_current));
            }

            double new_b = b_current - (learningRate * b_gradient);
            double new_m = m_current - (learningRate * m_gradient);
            args = new_b;
            args = new_m;

            return args;
      }

      public static List<double> gradient_descent_runner(NDArray array, double starting_b, double starting_m, double learningRate,double num_iterations)
      {
            double[] args = new double;
            List<double> argsList = new List<double>();
            args = starting_b;
            args = starting_m;

            for(int i = 0 ; i < num_iterations; i++)
            {
                args = step_gradient(args, args, array, learningRate);
                argsList.AddRange(args);
            }

            return argsList;
      }


    }
}然后得到的图片如下所示:

在以上代码中需要注意的地方:
var x1 = array[$":", 0];
var y1 = array[$":", 1];是在使用NumSharp中的切片,x1表示所有行的第一列,y1表示所有行的第二列。
当然我们不满足于只是保存图片,在控制台应用程序中,再添加一个 ScottPlot.WinForms包:

右键控制台项目选择属性,将目标OS改为Windows:

将上述代码中的
myPlot.SaveFig("图片.png");修改为:
var viewer = new ScottPlot.FormsPlotViewer(myPlot);
viewer.ShowDialog();再次运行结果如下:

winform进行可视化

我也想像Python代码中那样画动图,因此做了个winform程序进行演示。
首先创建一个winform,添加ScottPlot.WinForms包,然后从工具箱中添加FormsPlot这个控件:

有两种方法实现,第一种方法用了定时器:
using NumSharp;
namespace WinFormDemo
{
    public partial class Form1 : Form
    {
      System.Windows.Forms.Timer updateTimer = new System.Windows.Forms.Timer();
      int num_iterations;
      int count = 0;
      NDArray? x1, y1, b_each, m_each;
      public Form1()
      {
            InitializeComponent();
      }

      private void button1_Click(object sender, EventArgs e)
      {
            StartLinearRegression();
      }

      public void StartLinearRegression()
      {
            //创建double类型的列表
            List<double> Array = new List<double>();
            List<double> ArgsList = new List<double>();

            // 指定CSV文件的路径
            string filePath = "你的data.csv路径";

            // 调用ReadCsv方法读取CSV文件数据
            Array = ReadCsv(filePath);

            var array = np.array(Array).reshape(100, 2);

            double learning_rate = 0.0001;
            double initial_b = 0;
            double initial_m = 0;
            num_iterations = 10;

            ArgsList = gradient_descent_runner(array, initial_b, initial_m, learning_rate, num_iterations);

            x1 = array[$":", 0];
            y1 = array[$":", 1];

            var argsArr = np.array(ArgsList).reshape(num_iterations, 2);
            b_each = argsArr[$":", 0];
            m_each = argsArr[$":", 1];

            double b = b_each[-1];
            double m = m_each[-1];
            var y2 = m * x1 + b;

            formsPlot1.Plot.AddScatterPoints(x1.ToArray<double>(), y1.ToArray<double>(), markerSize: 5);
            //formsPlot1.Plot.AddScatter(x1.ToArray<double>(), y2.ToArray<double>(), markerSize: 0);
            formsPlot1.Render();


      }

      static List<double> ReadCsv(string filePath)
      {
            List<double> array = new List<double>();
            try
            {
                // 使用File.ReadAllLines读取CSV文件的所有行
                string[] lines = File.ReadAllLines(filePath);

                // 遍历每一行数据
                foreach (string line in lines)
                {
                  // 使用逗号分隔符拆分每一行的数据
                  string[] values = line.Split(',');

                  // 打印每一行的数据
                  foreach (string value in values)
                  {
                        array.Add(Convert.ToDouble(value));
                  }
                }
            }
            catch (Exception ex)
            {
                Console.WriteLine("发生错误: " + ex.Message);
            }
            return array;
      }

      public static double compute_error_for_line_given_points(double b, double m, NDArray array)
      {
            double totalError = 0;
            for (int i = 0; i < array.shape; i++)
            {
                double x = array;
                double y = array;
                totalError += Math.Pow((y - (m * x + b)), 2);
            }
            return totalError / array.shape;
      }

      public static double[] step_gradient(double b_current, double m_current, NDArray array, double learningRate)
      {
            double[] args = new double;
            double b_gradient = 0;
            double m_gradient = 0;
            double N = array.shape;

            for (int i = 0; i < array.shape; i++)
            {
                double x = array;
                double y = array;
                b_gradient += -(2 / N) * (y - ((m_current * x) + b_current));
                m_gradient += -(2 / N) * x * (y - ((m_current * x) + b_current));
            }

            double new_b = b_current - (learningRate * b_gradient);
            double new_m = m_current - (learningRate * m_gradient);
            args = new_b;
            args = new_m;

            return args;
      }

      public static List<double> gradient_descent_runner(NDArray array, double starting_b, double starting_m, double learningRate, double num_iterations)
      {
            double[] args = new double;
            List<double> argsList = new List<double>();
            args = starting_b;
            args = starting_m;

            for (int i = 0; i < num_iterations; i++)
            {
                args = step_gradient(args, args, array, learningRate);
                argsList.AddRange(args);
            }

            return argsList;
      }

      private void button2_Click(object sender, EventArgs e)
      {
            // 初始化定时器
            updateTimer.Interval = 1000; // 设置定时器触发间隔(毫秒)
            updateTimer.Tick += UpdateTimer_Tick;
            updateTimer.Start();
      }

      private void UpdateTimer_Tick(object? sender, EventArgs e)
      {
            if (count >= num_iterations)
            {
                updateTimer.Stop();
            }
            else
            {
                UpdatePlot(count);
            }

            count++;
      }

      public void UpdatePlot(int count)
      {

            double b = b_each?;
            double m = m_each?;

            var y2 = m * x1 + b;

            formsPlot1.Plot.Clear();
            formsPlot1.Plot.AddScatterPoints(x1?.ToArray<double>(), y1?.ToArray<double>(), markerSize: 5);
            formsPlot1.Plot.AddScatter(x1?.ToArray<double>(), y2.ToArray<double>(), markerSize: 0);
            formsPlot1.Plot.Title($"第{count + 1}次迭代:y = {m:0.00}x + {b:0.00}");
            formsPlot1.Render();
      }

      private void button3_Click(object sender, EventArgs e)
      {
            updateTimer.Stop();
      }

      private void Form1_Load(object sender, EventArgs e)
      {

      }
    }
}简单介绍一下思路,首先创建List argsList用来保存每次迭代生成的参数b、m,然后用
         var argsArr = np.array(ArgsList).reshape(num_iterations, 2);将argsList通过np.array()方法转化为NDArray,然后再调用reshape方法,转化成行数等于迭代次数,列数为2,即每一行对应一组参数值b、m。
            b_each = argsArr[$":", 0];
            m_each = argsArr[$":", 1];argsArr[$":", 0]表示每一行中第一列的值,也就是每一个b,argsArr[$":", 1]表示每一行中第二列的值。
            double b = b_each[-1];
            double m = m_each[-1];b_each[-1]用了NumSharp的功能表示b_each最后一个元素。
实现效果如下所示:


另一种方法可以通过异步实现:
using NumSharp;namespace WinFormDemo{    public partial class Form2 : Form    {            int num_iterations;      NDArray? x1, y1, b_each, m_each;      public Form2()      {            InitializeComponent();      }      private void button1_Click(object sender, EventArgs e)      {            StartLinearRegression();      }      public void StartLinearRegression()      {            //创建double类型的列表            List Array = new List();            List ArgsList = new List();            // 指定CSV文件的路径            string filePath = "你的data.csv路径";            // 调用ReadCsv方法读取CSV文件数据            Array = ReadCsv(filePath);            var array = np.array(Array).reshape(100, 2);            double learning_rate = 0.0001;            double initial_b = 0;            double initial_m = 0;            num_iterations = 10;            ArgsList = gradient_descent_runner(array, initial_b, initial_m, learning_rate, num_iterations);            x1 = array[$":", 0];            y1 = array[$":", 1];            var argsArr = np.array(ArgsList).reshape(num_iterations, 2);            b_each = argsArr[$":", 0];
            m_each = argsArr[$":", 1];            double b = b_each[-1];
            double m = m_each[-1];            var y2 = m * x1 + b;            formsPlot1.Plot.AddScatterPoints(x1.ToArray(), y1.ToArray(), markerSize: 5);                  formsPlot1.Render();      }      static List ReadCsv(string filePath)      {            List array = new List();            try            {                // 使用File.ReadAllLines读取CSV文件的所有行                string[] lines = File.ReadAllLines(filePath);                // 遍历每一行数据                foreach (string line in lines)                {                  // 使用逗号分隔符拆分每一行的数据                  string[] values = line.Split(',');                  // 打印每一行的数据                  foreach (string value in values)                  {                        array.Add(Convert.ToDouble(value));                  }                }            }            catch (Exception ex)            {                Console.WriteLine("发生错误: " + ex.Message);            }            return array;      }      public static double compute_error_for_line_given_points(double b, double m, NDArray array)      {            double totalError = 0;            for (int i = 0; i < array.shape; i++)            {                double x = array;                double y = array;                totalError += Math.Pow((y - (m * x + b)), 2);            }            return totalError / array.shape;      }      public static double[] step_gradient(double b_current, double m_current, NDArray array, double learningRate)      {            double[] args = new double;            double b_gradient = 0;            double m_gradient = 0;            double N = array.shape;            for (int i = 0; i < array.shape; i++)            {                double x = array;                double y = array;                b_gradient += -(2 / N) * (y - ((m_current * x) + b_current));                m_gradient += -(2 / N) * x * (y - ((m_current * x) + b_current));            }            double new_b = b_current - (learningRate * b_gradient);            double new_m = m_current - (learningRate * m_gradient);            args = new_b;            args = new_m;            return args;      }      public static List gradient_descent_runner(NDArray array, double starting_b, double starting_m, double learningRate, double num_iterations)      {            double[] args = new double;            List argsList = new List();            args = starting_b;            args = starting_m;            for (int i = 0; i < num_iterations; i++)            {                args = step_gradient(args, args, array, learningRate);                argsList.AddRange(args);            }            return argsList;      }      private void Form2_Load(object sender, EventArgs e)      {      }      public async Task UpdateGraph()
      {
            for (int i = 0; i < num_iterations; i++)
            {
                double b = b_each?;
                double m = m_each?;
                var y2 = m * x1 + b;

                formsPlot1.Plot.Clear();
                formsPlot1.Plot.AddScatterPoints(x1?.ToArray<double>(), y1?.ToArray<double>(), markerSize: 5);
                formsPlot1.Plot.AddScatter(x1?.ToArray<double>(), y2.ToArray<double>(), markerSize: 0);
                formsPlot1.Plot.Title($"第{i + 1}次迭代:y = {m:0.00}x + {b:0.00}");
                formsPlot1.Render();
         
                await Task.Delay(1000);
            }      }      private async void button2_Click(object sender, EventArgs e)
      {
            await UpdateGraph();
      }    }}点击更新按钮开始执行异步任务:
private async void button2_Click(object sender, EventArgs e)
      {
            await UpdateGraph();
      } public async Task UpdateGraph()
      {
            for (int i = 0; i < num_iterations; i++)
            {
                double b = b_each?;
                double m = m_each?;
                var y2 = m * x1 + b;

                formsPlot1.Plot.Clear();
                formsPlot1.Plot.AddScatterPoints(x1?.ToArray<double>(), y1?.ToArray<double>(), markerSize: 5);
                formsPlot1.Plot.AddScatter(x1?.ToArray<double>(), y2.ToArray<double>(), markerSize: 0);
                formsPlot1.Plot.Title($"第{i + 1}次迭代:y = {m:0.00}x + {b:0.00}");
                formsPlot1.Render();
         
                await Task.Delay(1000);
            }实现效果如下:


总结

本文以一个控制台应用与一个winform程序为例向大家介绍了C#如何基于ScottPlot进行数据可视化,并介绍了实现动态绘图的两种方式,一种是使用定时器,另一种是使用异步操作,希望对你有所帮助。

来源:https://www.cnblogs.com/mingupupu/Undeclared/17963079
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作!
页: [1]
查看完整版本: C#基于ScottPlot进行可视化