import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats
from pathlib import Path
import matplotlib
def set_chinese_font():
"""
设置中文字体，解决中文字符显示问题
"""
# 获取系统中文字体
system_fonts = matplotlib.font_manager.findSystemFonts(fontpaths=None, fontext='ttf')
chinese_fonts = []
# 常见中文字体名称
chinese_font_names = ['SimHei', 'Microsoft YaHei', 'SimSun', 'NSimSun', 'FangSong',
'KaiTi', 'STSong', 'STKaiti', 'STXihei', 'STZhongsong']
# 在系统字体中查找中文字体
for font in system_fonts:
try:
font_name = matplotlib.font_manager.FontProperties(fname=font).get_name()
for chinese_font_name in chinese_font_names:
if chinese_font_name.lower() in font_name.lower():
chinese_fonts.append(font)
except:
continue
# 如果找到中文字体，则使用第一个
if chinese_fonts:
try:
font_path = chinese_fonts[0]
font_prop = matplotlib.font_manager.FontProperties(fname=font_path)
font_name = font_prop.get_name()
matplotlib.rcParams['font.sans-serif'] = [font_name]
print(f"已设置中文字体: {font_name}")
except Exception as e:
print(f"设置中文字体时出错: {e}")
else:
# 如果没有找到中文字体，尝试使用默认设置
print("未找到中文字体，尝试使用默认字体")
matplotlib.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
# 解决负号显示问题
matplotlib.rcParams['axes.unicode_minus'] = False
def read_data_from_directory(directory_path):
"""
读取目录下的所有txt和csv文件
"""
data_files = []
# 支持的扩展名
extensions = ['.txt', '.csv']
# 遍历目录下的所有文件
for file_path in Path(directory_path).iterdir():
if file_path.is_file() and file_path.suffix.lower() in extensions:
data_files.append(file_path)
return data_files
def process_file(file_path):
"""
处理单个文件，读取数据并进行线性拟合
"""
try:
# 根据文件扩展名选择读取方式
if file_path.suffix.lower() == '.csv':
df = pd.read_csv(file_path)
else: # .txt
# 尝试不同的分隔符
try:
df = pd.read_csv(file_path, sep='\t')
except:
try:
df = pd.read_csv(file_path, sep=',')
except:
df = pd.read_csv(file_path, sep='\s+') # 空格分隔
# 检查是否有足够的列
if len(df.columns) >= 2:
x = df.iloc[:, 0].values
y = df.iloc[:, 1].values
return x, y, file_path.name
else:
print(f"文件 {file_path.name} 列数不足，需要至少2列")
return None, None, None
except Exception as e:
print(f"处理文件 {file_path.name} 时出错: {e}")
return None, None, None
def linear_regression(x, y):
"""
执行线性回归
"""
# 使用scipy的stats.linregress进行线性回归
slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
# 计算拟合的y值
y_fit = slope * x + intercept
return {
'slope': slope,
'intercept': intercept,
'r_squared': r_value**2,
'r_value': r_value,
'p_value': p_value,
'std_err': std_err,
'y_fit': y_fit
}
def plot_results(x, y, regression_results, filename):
"""
绘制原始数据点和拟合直线
"""
fig, ax = plt.subplots(figsize=(10, 6))
# 1. 用点描出原始坐标点
ax.scatter(x, y, color='blue', alpha=0.7, s=50, label='原始数据点', edgecolors='black')
# 2. 求出线性拟合的直线并绘制出来
x_line = np.array([min(x), max(x)])
y_line = regression_results['slope'] * x_line + regression_results['intercept']
ax.plot(x_line, y_line, color='red', linewidth=2,
label=f'线性拟合: y = {regression_results["slope"]:.4f}x + {regression_results["intercept"]:.4f}')
# 添加拟合信息文本 - 放在右上角
text_str = (f'斜率: {regression_results["slope"]:.4f}\n'
f'截距: {regression_results["intercept"]:.4f}\n'
f'R^2: {regression_results["r_squared"]:.4f}\n'
f'R: {regression_results["r_value"]:.4f}')
# 添加文本框 - 右上角
props = dict(boxstyle='round', facecolor='wheat', alpha=0.5)
ax.text(0.95, 0.05, text_str, transform=ax.transAxes, fontsize=10,
verticalalignment='bottom', horizontalalignment='right', bbox=props)
# 设置图表属性
ax.set_xlabel('X', fontsize=12)
ax.set_ylabel('Y', fontsize=12)
ax.set_title(f'线性拟合结果 - {filename}', fontsize=14, fontweight='bold')
ax.grid(True, alpha=0.3, linestyle='--')
ax.legend(loc='best')
plt.tight_layout()
return fig
def process_all_files(directory_path='.'):
"""
处理目录下的所有文件
"""
# 读取目录下的所有数据文件
data_files = read_data_from_directory(directory_path)
if not data_files:
print(f"在目录 '{directory_path}' 中没有找到txt或csv文件")
return
print(f"找到 {len(data_files)} 个数据文件:")
for file in data_files:
print(f" - {file.name}")
# 处理每个文件
for file_path in data_files:
print(f"\n处理文件: {file_path.name}")
# 读取数据
x, y, filename = process_file(file_path)
if x is None or y is None:
continue
# 检查数据有效性
if len(x) != len(y):
print(f" 错误: x和y数据长度不一致 (x: {len(x)}, y: {len(y)})")
continue
if len(x) < 2:
print(f" 错误: 数据点不足，至少需要2个点 (当前: {len(x)})")
continue
# 执行线性回归
print(f" 数据点数: {len(x)}")
regression_results = linear_regression(x, y)
# 打印回归结果
print(" 线性回归结果:")
print(f" 斜率: {regression_results['slope']:.6f}")
print(f" 截距: {regression_results['intercept']:.6f}")
print(f" R²值: {regression_results['r_squared']:.6f}")
print(f" R值: {regression_results['r_value']:.6f}")
print(f" P值: {regression_results['p_value']:.6f}")
print(f" 标准误差: {regression_results['std_err']:.6f}")
# 绘制图形
fig = plot_results(x, y, regression_results, filename)
# 保存图形
output_filename = f"{file_path.stem}_linear_fit.png"
output_path = Path(directory_path) / output_filename
try:
fig.savefig(output_path, dpi=300, bbox_inches='tight')
print(f" 图形已保存为: {output_path}")
except Exception as e:
print(f" 保存图形时出错: {e}")
# 尝试使用不同的文件名（去除可能的非法字符）
safe_filename = "".join(c for c in output_filename if c.isalnum() or c in '._- ')
output_path = Path(directory_path) / safe_filename
fig.savefig(output_path, dpi=300, bbox_inches='tight')
print(f" 图形已保存为: {output_path}")
plt.close(fig)
print("\n所有文件处理完成！")
def create_sample_data(directory_path='.'):
"""
创建示例数据文件（仅用于测试）
"""
# 创建示例txt文件
np.random.seed(42)
x = np.linspace(0, 10, 50)
y = 2.5 * x + 3.0 + np.random.normal(0, 2, 50)
# 保存为txt文件
txt_path = Path(directory_path) / "sample_data.txt"
txt_data = np.column_stack((x, y))
np.savetxt(txt_path, txt_data, delimiter='\t', header='x\ty', comments='')
print(f"已创建示例文件: {txt_path}")
# 创建示例csv文件
csv_path = Path(directory_path) / "sample_data.csv"
df = pd.DataFrame({'x': x, 'y': y})
df.to_csv(csv_path, index=False)
print(f"已创建示例文件: {csv_path}")
if __name__ == "__main__":
import argparse
# 设置中文字体，解决中文显示问题
set_chinese_font()
parser = argparse.ArgumentParser(description='对目录下的txt和csv文件进行线性拟合并绘图')
parser.add_argument('--directory', '-d', default='.',
help='要处理的目录路径（默认为当前目录）')
parser.add_argument('--create-samples', action='store_true',
help='创建示例数据文件')
args = parser.parse_args()
# 如果需要创建示例文件
if args.create_samples:
create_sample_data(args.directory)
print("\n示例文件创建完成，现在可以运行线性拟合程序。")
# 处理所有文件
process_all_files(args.directory)
