make_blobs() and plt.scatter()

eg.

from sklearn.datasets import make_blobs
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split

data = make_blobs(n_samples=200, centers=2, random_state=8)
X, y = data    #将data赋值给X, y
plt.scatter(X[:,0], X[:,1], c=y, cmap=plt.cm.spring, edgecolor='k')
plt.show()

--------------------------------------------

make_blobs()

make_blobs()函数用于生成一个样本数量, 为聚类产生数据集。

sklearn.datasets.make_blobs(n_samples, n_features, centers, cluster_std, center_box, shuffle, random_state)

• n_samples：待生成的样本的总数。
• n_features：每个样本的特征数，默认值是2。
• centers：类别数，默认值3。
• cluster_std：数据集的标准差，浮点数或者浮点数序列，默认值1.0。
• center_box：中心确定之后的数据边界，默认值(-10.0, 10.0)
• shuffle ：洗乱，默认值是True
• random_state:官网解释是随机生成器的种子

plt.scatter()

plt.scatter()用于绘制散点图

函数的原型：

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)
 

• x，y：数组，散点图的数据点
• c: color
• marker: 标记的样式
• cmap: Colormap实体或者是一个colormap的名字，cmap仅仅当c是一个浮点数数组的时候才使用。如果没有申明就是image.cmap
• norm: Normalize实体来将数据亮度转化到0-1之间，也是只有c是一个浮点数的数组的时候才使用。如果没有申明，就是默认为colors.Normalize。

 

在感知机模型中，其中有一条语句如下，x，y后面跟随一个属性，则表示只对该属性进行切片。（其中'sepal length' 是df的一个属性）

plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0') #前50个数据
#df[:50]['sepal length'],只对'sepal length'这个标量进行切分