图嵌入高维转二维后的测量指标及处理方法

1. numpy+kmeans处理数组:

原文本是3维数据（点id, x坐标，y坐标），要读入后两维，组成向量后kmeans进行聚类，后得到一维标签，存入txt中

>>>import numpy
>>> from sklearn.cluster import KMeans
>>> kmean=KMeans(6)
>>> a=numpy.loadtxt('traffic_vec2D.txt',usecols=(1,2))
>>> result=kmean.fit_predict(a)
>>> numpy.savetxt('tra_label6.txt',result,fmt='%d')

2. id 与标签对应生成txt文件

因为数据格式要求为：id (label 1)，所以用python代码将一维数据转换一下。（ToIdLabel()）

3. 用学长的FDandPicture.py画图、得到各区域POI值

4. 把POI值导入到csv中（ToCsv()）

5. 计算熵值（excel中计算）

以下是两个处理的工具函数：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

'standared mudule'

__author__ = 'Tree'

import csv

def ToCsv():
    f_r=open('DF_random9_original.txt','r')
    csvfile=open('DF_random9_original.csv','a')
    writer=csv.writer(csvfile)
    all_line=f_r.readlines()
    for line in all_line:
        line=line.strip()
        line=line.split(':')
        if line[0].isdigit():
            writer.writerow([int(line[0])])
        else:
            writer.writerow([line[0],float(line[1])])

    f_r.close()
    csvfile.close()

def ToIdLabel():
    f_r1=open('traffic_vec2D.txt','r')
    f_r2=open('tra_label7.txt','r')
    f_w=open('tra_label7_ordered.txt','w')
    all_line1=f_r1.readlines()
    all_line2=f_r2.readlines()
    for i in range(813):
        line1=all_line1[i].strip()
        line1=line1.split(' ')
        id=int(line1[0])
        line2=all_line2[i].strip()
        line2=line2.split(' ')
        label=int(line2[0])
        f_w.write(str(id)+' ('+str(label)+' 1)\n')

    f_r2.close()
    f_r1.close()
    f_w.close()


if __name__=='__main__':
    ToCsv()