在百度地图自由画线---利用拆线-自定义可编辑路线

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" " http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns=" http://www.w3.org/1999/xhtml">
<head>
<meta name="keywords" content="百度地图,百度地图API,百度地图自定义工具,百度地图所见即所得工具" />
<meta name="description" content="百度地图API自定义地图,帮助用户在可视化操作下生成百度地图" />
<meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
<title>自定义可编辑路线</title>
<script type="text/javascript" src=" http://api.map.baidu.com/api?key=46ce9d0614bf7aefe0ba562f8cf87194&v=1.1&services=true">
</script>
</head>
<body>
<div style="width:520px;height:340px;border:1px solid gray" id="container">
</div>
</body>
<script type="text/javascript">
var map = new BMap.Map("container");
map.centerAndZoom(new BMap.Point(116.404, 39.915), 18);
var e1, e2;
var p = []; //用来存储折线的点
var polyline;
var doneDraw = 0; //判断是否绘制折线结束
map.addEventListener("click", function (e1) { //当鼠标单击时
if (doneDraw == 0) { //判断是否绘制曲线完毕
p.push(new BMap.Point(e1.point.lng, e1.point.lat)) //存储曲线上每个点的经纬度
if (polyline) { polyline.setPoints(p); } //如果曲线存在,则获取折线上的点
else { polyline = new BMap.Polyline(p); } //如果折线不存在,就增加此点
if (p.length < 2) { return; } //当折线上的点只有一个时,不绘制
map.addOverlay(polyline); //绘制曲线
}
});
map.addEventListener("dblclick", function (e2) { //当鼠标双击时:结束绘制,并可以编辑曲线
alert("绘制完成");
doneDraw = 10;
polyline.enableEditing();
});
</script>
</html>
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,我明白了您的问题。以下是我的回答: 首先,我们需要使用Python中的NumPy和Matplotlib库生成100个随机数,并使用随机数生成3-10个簇。代码如下: ```python import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans # 生成100个随机数 X = np.random.rand(100, 1) # 随机生成3-10个簇 K = range(3, 11) ``` 接下来,我们可以使用KMeans算法对生成的随机数进行聚类,代码如下: ```python # 使用KMeans算法进行聚类 sse = [] for k in K: kmeans = KMeans(n_clusters=k) kmeans.fit(X) sse.append(kmeans.inertia_) ``` 在聚类完成后,我们可以使用“手肘法”确定最佳簇个数。手肘法是通过绘制每种聚类的SSE值(即误差平方和)的拆线图进行比较,找到SSE开始急剧下降的拐点,该拐点对应的簇个数即为最佳簇个数。代码如下: ```python # 绘制SSE值的拆线图 plt.plot(K, sse, 'bx-') plt.xlabel('簇的个数') plt.ylabel('SSE') plt.title('手肘法') plt.show() ``` 最后,我们可以使用评估方法来评估KMeans聚类的有效性。常用的评估方法有轮廓系数和Calinski-Harabasz指数等。这里以轮廓系数为例,代码如下: ```python from sklearn.metrics import silhouette_score # 计算轮廓系数 silhouette = [] for k in K: kmeans = KMeans(n_clusters=k) kmeans.fit(X) score = silhouette_score(X, kmeans.labels_) silhouette.append(score) ``` 以上就是使用KMeans聚类对100个随机数进行聚类,并使用“手肘法”确定最佳簇个数,并通过评估方法评估方法有效性的一般步骤。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值