怎么用PHP做實(shí)時(shí)查詢(xún)的曲線圖

推薦一個(gè) ImageGraph 類(lèi)庫(kù)可以滿足一般的圖表制作需求.

成都創(chuàng)新互聯(lián)堅(jiān)持“要么做到，要么別承諾”的工作理念，服務(wù)領(lǐng)域包括：做網(wǎng)站、成都網(wǎng)站設(shè)計(jì)、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣等服務(wù)，滿足客戶(hù)于互聯(lián)網(wǎng)時(shí)代的隆化網(wǎng)站設(shè)計(jì)、移動(dòng)媒體設(shè)計(jì)的需求，幫助企業(yè)找到有效的互聯(lián)網(wǎng)解決方案。努力成為您成熟可靠的網(wǎng)絡(luò)建設(shè)合作伙伴！

google 搜索一下 ImageGraph, 好像是 PHP 擴(kuò)展庫(kù) PEAR 里面的一個(gè)組件.

答題不易明純滲，互相理解，您的采納是我前進(jìn)激脊的動(dòng)力，感謝您。

希褲敏望回答對(duì)你有幫助，如果有疑問(wèn)，請(qǐng)繼續(xù)追問(wèn)

php有沒(méi)有生成數(shù)據(jù)報(bào)表和相關(guān)圖形曲線的工具？ - PHP進(jìn)階討論

有個(gè)庫(kù)是jpgraph下下來(lái)，看看里面的demo比著改一個(gè)就好！ 查看原帖

用 PHP 實(shí)現(xiàn)的簡(jiǎn)單線性回歸

在這個(gè)由兩部分組成的系列文章的第 部分（“ 用 PHP 實(shí)現(xiàn)的簡(jiǎn)單線性回歸”）中 我說(shuō)明了數(shù)學(xué)庫(kù)對(duì) PHP 有用的原因 我還演示了如何用 PHP 作為實(shí)現(xiàn)語(yǔ)言來(lái)開(kāi)發(fā)和實(shí)現(xiàn)簡(jiǎn)單線性回歸算法的核心部分

本文的目標(biāo)是向您展示如何使用第 部分中討論的 SimpleLinearRegression 類(lèi)來(lái)構(gòu)建一個(gè)重要的數(shù)據(jù)研究工具

簡(jiǎn)要回顧 概念

簡(jiǎn)單線性回歸建模背后的基本目標(biāo)是從成對(duì)的 X值和 Y值（即 X和 Y測(cè)量值）組成的二維平面中找到最吻合的直線 一旦用 最小方差法找到這條直線 就可以執(zhí)行各種統(tǒng)計(jì)測(cè)試 以確定這條直線與觀測(cè)到的 Y值的偏離量吻合程度

線性方程（ y = mx + b）有兩個(gè)參數(shù)必須根據(jù)所提供的 X和 Y數(shù)據(jù)估算出來(lái) 它們是斜率（ m）和 y 軸截距（ b） 一旦估算出這兩個(gè)參數(shù) 就可以將觀測(cè)值輸入線性方程 并觀察方程所生成的 Y預(yù)測(cè)值

要使用最小方差法估算出 m和 b參數(shù) 就要找到 m 和 b 的估計(jì)值 使它們對(duì)于所有的 X值得到的 Y值的觀測(cè)值和預(yù)測(cè)值最小 觀測(cè)值和預(yù)測(cè)值之乎吵差稱(chēng)為彎稿誤差（ y i (mx i+ b) ） 并且 如果對(duì)每個(gè)誤差值都求平方 然后求這些殘差的和 其結(jié)果是一個(gè)被稱(chēng)為 預(yù)測(cè)平方差的數(shù) 使用最小方差法來(lái)確定最吻合的直線涉及尋找使預(yù)測(cè)方差最小的 m和 b的估計(jì)值

可以用兩種基本方法來(lái)找到滿足最小方差法的估計(jì)值 m和 b 第一種方法 可以使用數(shù)值搜索過(guò)程設(shè)定不同的 m和 b值并對(duì)它們求值 最終決定產(chǎn)生最小方差的估計(jì)值 第二種方法是使用微積分找到用于估算 m和 b 的方程 我不打算深入討論推導(dǎo)出這些方程所涉及的微積分 但我確實(shí)在 SimpleLinearRegression 類(lèi)中使用了這些分析方程 以找到 m和 b 的最小平方估計(jì)值（請(qǐng)參閱 SimpleLinearRegression 類(lèi)中的 getSlope() 和 getYIntercept 方法）

即使擁有了可以用來(lái)找到 m和 b的最小平方估計(jì)值的方程 也并不意味著只要將這些參數(shù)代入線性方程 其結(jié)果就是一條與數(shù)據(jù)良好吻合的直線 這個(gè)簡(jiǎn)單線性回歸過(guò)程中的下一步是確定其余的預(yù)測(cè)方差是否可以接受

可以使用統(tǒng)計(jì)決策過(guò)程來(lái)否決“直線與數(shù)據(jù)吻合”這個(gè)備擇假設(shè) 這個(gè)過(guò)程基于對(duì) T 統(tǒng)計(jì)值的計(jì)算 使用概率函數(shù)求得隨機(jī)大的觀測(cè)值的概率 正如第 部分所提到的 SimpleLinearRegression 類(lèi)生成了為數(shù)眾多的匯總值 其中一個(gè)重要的匯總值是 T 統(tǒng)計(jì)值 它可以用來(lái)衡量線性方程與數(shù)據(jù)的吻合程度 如果吻合良好 則 T 統(tǒng)計(jì)值往往是一個(gè)較大的值 如果 T 值很小 就應(yīng)該用一個(gè)缺省模型代替您的線性方程 該模型假定 Y值的平均值是歲鬧侍最佳預(yù)測(cè)值（因?yàn)橐唤M值的平均值通常可以是下一個(gè)觀測(cè)值的有用的預(yù)測(cè)值）

要測(cè)試 T 統(tǒng)計(jì)值是否大到可以不用 Y值的平均值作為最佳預(yù)測(cè)值 需要計(jì)算隨機(jī)獲得 T 統(tǒng)計(jì)值的概率 如果概率很低 那就可以不采用平均值是最佳預(yù)測(cè)值這一無(wú)效假設(shè) 并且相應(yīng)地可以確信簡(jiǎn)單線性模型是與數(shù)據(jù)良好吻合的 （有關(guān)計(jì)算 T 統(tǒng)計(jì)值概率的更多信息 請(qǐng)參閱第 部分 ）

回過(guò)頭討論統(tǒng)計(jì)決策過(guò)程 它告訴您何時(shí)不采用無(wú)效假設(shè) 卻沒(méi)有告訴您是否接受備擇假設(shè) 在研究環(huán)境中 需要通過(guò)理論參數(shù)和統(tǒng)計(jì)參數(shù)來(lái)建立線性模型備擇假設(shè)

您將構(gòu)建的數(shù)據(jù)研究工具實(shí)現(xiàn)了用于線性模型（T 測(cè)試）的統(tǒng)計(jì)決策過(guò)程 并提供了可以用來(lái)構(gòu)造理論和統(tǒng)計(jì)參數(shù)的匯總數(shù)據(jù) 這些參數(shù)是建立線性模型所需要的 數(shù)據(jù)研究工具可以歸類(lèi)為決策支持工具 供知識(shí)工作者在中小規(guī)模的數(shù)據(jù)集中研究模式

從學(xué)習(xí)的角度來(lái)看 簡(jiǎn)單線性回歸建模值得研究 因?yàn)樗抢斫飧呒?jí)形式的統(tǒng)計(jì)建模的必由之路 例如 簡(jiǎn)單線性回歸中的許多核心概念為理解多次回歸（Multiple Regression） 要素分析（Factor Analysis）和時(shí)間序列（Time Series）等建立了良好的基礎(chǔ)

簡(jiǎn)單線性回歸還是一種多用途的建模技術(shù) 通過(guò)轉(zhuǎn)換原始數(shù)據(jù)（通常用對(duì)數(shù)或冪轉(zhuǎn)換） 可以用它來(lái)為曲線數(shù)據(jù)建模 這些轉(zhuǎn)換可以使數(shù)據(jù)線性化 這樣就可以使用簡(jiǎn)單線性回歸來(lái)為數(shù)據(jù)建模 所生成的線性模型將被表示為與被轉(zhuǎn)換值相關(guān)的線性公式

回頁(yè)首

概率函數(shù)

在前一篇文章中 我通過(guò)交由 R 來(lái)求得概率值 從而避開(kāi)了用 PHP 實(shí)現(xiàn)概率函數(shù)的問(wèn)題 我對(duì)這個(gè)解決方案并非完全滿意 因此我開(kāi)始研究這個(gè)問(wèn)題 開(kāi)發(fā)基于 PHP 的概率函數(shù)需要些什么

我開(kāi)始上網(wǎng)查找信息和代碼 一個(gè)兩者兼有的來(lái)源是書(shū)籍 Numerical Recipes in C 中的概率函數(shù) 我用 PHP 重新實(shí)現(xiàn)了一些概率函數(shù)代碼（ gammln c 和 betai c 函數(shù)） 但我對(duì)結(jié)果還是不滿意 與其它一些實(shí)現(xiàn)相比 其代碼似乎多了些 此外 我還需要反概率函數(shù)

幸運(yùn)的是 我偶然發(fā)現(xiàn)了 John Pezzullo 的 Interactive Statistical Calculation John 關(guān)于 概率分布函數(shù)的網(wǎng)站上有我需要的所有函數(shù) 為便于學(xué)習(xí) 這些函數(shù)已用 JavaScript 實(shí)現(xiàn)

我將 Student T 和 Fisher F 函數(shù)移植到了 PHP 我對(duì) API 作了一點(diǎn)改動(dòng) 以便符合 Java 命名風(fēng)格 并將所有函數(shù)嵌入到名為 Distribution 的類(lèi)中 該實(shí)現(xiàn)的一個(gè)很棒的功能是 doCommonMath 方法 這個(gè)庫(kù)中的所有函數(shù)都重用了它 我沒(méi)有花費(fèi)力氣去實(shí)現(xiàn)的其它測(cè)試（正態(tài)測(cè)試和卡方測(cè)試）也都使用 doCommonMath 方法

這次移植的另一個(gè)方面也值得注意 通過(guò)使用 JavaScript 用戶(hù)可以將動(dòng)態(tài)確定的值賦給實(shí)例變量 譬如

var PiD = pi() /

在 PHP 中不能這樣做 只能把簡(jiǎn)單的常量值賦給實(shí)例變量 希望在 PHP 中會(huì)解決這個(gè)缺陷

請(qǐng)注意 清單 中的代碼并未定義實(shí)例變量 — 這是因?yàn)樵?JavaScript 版本中 它們是動(dòng)態(tài)賦予的值

清單 實(shí)現(xiàn)概率函數(shù)

?php // Distribution php // Copyright John Pezullo // Released under same terms as PHP // PHP Port and OO fying by Paul Meagher class Distribution { function doCommonMath($q $i $j $b) { $zz = ; $z = $zz; $k = $i; while($k = $j) { $zz = $zz * $q * $k / ($k $b); $z = $z + $zz; $k = $k + ; } return $z; } function getStudentT($t $df) { $t = abs($t); $w = $t / sqrt($df); $th = atan($w); if ($df == ) { return $th / (pi() / ); } $sth = sin($th); $cth = cos($th); if( ($df % ) == ) { return ($th + $sth * $cth * $this doCommonMath($cth * $cth $df )) / (pi()/ ); } else { return $sth * $this doCommonMath($cth * $cth $df ); } } function getInverseStudentT($p $df) { $v = ; $dv = ; $t = ; while($dv e ) { $t = ( / $v) ; $dv = $dv / ; if ( $this getStudentT($t $df) $p) { $v = $v $dv; } else { $v = $v + $dv; } } return $t; } function getFisherF($f $n $n ) { // implemented but not shown } function getInverseFisherF($p $n $n ) { // implemented but not shown } } ?

回頁(yè)首

圖形輸出

迄今為止 您已經(jīng)實(shí)現(xiàn)的輸出方法都以 HTML 格式顯示匯總值 它也適合于用 GIF JPEG 或 PNG 格式顯示這些數(shù)據(jù)的分布圖（scatter plot）或線圖（line plot）

與其親自編寫(xiě)生成線圖和分布圖的代碼 我認(rèn)為最好使用名為 JpGraph的基于 PHP 的圖形庫(kù) JpGraph 正由 Johan Persson 積極開(kāi)發(fā) 其 項(xiàng)目網(wǎng)站這樣描述它

無(wú)論是對(duì)于只有最少代碼的“以快捷但不恰當(dāng)方式獲得的”圖形 還是對(duì)于需要非常細(xì)粒度控制的復(fù)雜專(zhuān)業(yè)圖形 JpGraph 都可以使它們的繪制變得簡(jiǎn)單 JpGraph 同樣適用于科學(xué)和商業(yè)類(lèi)型的圖形

JpGraph 分發(fā)版中包含大量可以根據(jù)特定需求進(jìn)行定制的示例腳本 將 JpGraph 用于數(shù)據(jù)研究工具非常簡(jiǎn)單 只需找到功能與我的需求類(lèi)似的示例腳本 然后對(duì)該腳本進(jìn)行改寫(xiě)以滿足我的特定需求即可

清單 中的腳本是從樣本數(shù)據(jù)研究工具（ explore php）中抽取的 它演示了如何調(diào)用該庫(kù)以及如何將來(lái)自于 SimpleLinearRegression 分析的數(shù)據(jù)填入 Line 和 Scatter 類(lèi) 這段代碼中的注釋是 Johan Persson 編寫(xiě)的（JPGraph 代碼庫(kù)的文檔化工作做得很好）

清單 來(lái)自于樣本數(shù)據(jù)研究工具 explore php 的函數(shù)的詳細(xì)內(nèi)容

?php // Snippet extracted from explore php script include ("jpgraph/jpgraph php"); include ("jpgraph/jpgraph_scatter php"); include ("jpgraph/jpgraph_line php"); // Create the graph $graph = new Graph( auto ); $graph SetScale("linlin"); // Setup title $graph title Set("$title"); $graph img SetMargin( ); $graph xaxis SetTitle("$x_name" "center"); $graph yaxis SetTitleMargin( ); $graph yaxis title Set("$y_name"); $graph title SetFont(FF_FONT FS_BOLD); // make sure that the X axis is always at the // bottom at the plot and not just at Y= which is // the default position $graph xaxis SetPos( min ); // Create the scatter plot with some nice colors $sp = new ScatterPlot($slr Y $slr X); $sp mark SetType(MARK_FILLEDCIRCLE); $sp mark SetFillColor("red"); $sp SetColor("blue"); $sp SetWeight( ); $sp mark SetWidth( ); // Create the regression line $lplot = new LinePlot($slr PredictedY $slr X); $lplot SetWeight( ); $lplot SetColor( navy ); // Add the pltos to the line $graph Add($sp ); $graph Add($lplot); // and stroke $graph_name = "temp/test png"; $graph Stroke($graph_name); ? img src= ?php echo $graph_name ? vspace= ?

回頁(yè)首

數(shù)據(jù)研究腳本

該數(shù)據(jù)研究工具由單個(gè)腳本（ explore php）構(gòu)成 該腳本調(diào)用 SimpleLinearRegressionHTML 類(lèi)和 JpGraph 庫(kù)的方法

該腳本使用了簡(jiǎn)單的處理邏輯 該腳本的第一部分對(duì)所提交的表單數(shù)據(jù)執(zhí)行基本驗(yàn)證 如果這些表單數(shù)據(jù)通過(guò)驗(yàn)證 則執(zhí)行該腳本的第二部分

該腳本的第二部分所包含的代碼用于分析數(shù)據(jù) 并以 HTML 和圖形格式顯示匯總結(jié)果 清單 中顯示了 explore php腳本的基本結(jié)構(gòu)

清單 explore php 的結(jié)構(gòu)

lishixinzhi/Article/program/PHP/201311/21213

網(wǎng)頁(yè)名稱(chēng)：php數(shù)據(jù)曲線 php數(shù)據(jù)統(tǒng)計(jì)圖
瀏覽路徑：http://chinadenli.net/article18/ddpesgp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供云服務(wù)器、搜索引擎優(yōu)化、企業(yè)網(wǎng)站制作、外貿(mào)網(wǎng)站建設(shè)、商城網(wǎng)站、網(wǎng)站改版

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶(hù)投稿、用戶(hù)轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)