用python 画笛卡尔心形线_python在机器学习中的使用

#!/usr/bin/python#-*- coding:utf-8 -*-

#导入NumPy函数库，一般都是用这样的形式(包括别名np，几乎是约定俗成的)

importnumpy as npimportmatplotlibfrom mpl_toolkits.mplot3d importAxes3Dfrom matplotlib importcmimporttimefrom scipy.optimize importleastsqimportscipy.optimize as optimportscipyimportmatplotlib.pyplot as pltfrom scipy.stats importnorm, poissonfrom scipy.interpolate importBarycentricInterpolatorfrom scipy.interpolate importCubicSplineimportmathdefresidual(t, x, y):return y - (t[0] * x ** 2 + t[1] * x + t[2])defresidual2(t, x, y):print t[0], t[1]return y - t[0]*np.sin(t[1]*x)#x ** x x > 0#(-x) ** (-x) x < 0

deff(x):

y=np.ones_like(x)

i= x >0

y[i]=np.power(x[i], x[i])

i= x <0

y[i]= np.power(-x[i], -x[i])returnyif __name__ == "__main__":## 开场白：

#numpy是非常好用的数据包，如：可以这样得到这个二维数组

#[[ 0 1 2 3 4 5]

#[10 11 12 13 14 15]

#[20 21 22 23 24 25]

#[30 31 32 33 34 35]

#[40 41 42 43 44 45]

#[50 51 52 53 54 55]]

#a = np.arange(0, 60, 10).reshape((-1, 1)) + np.arange(6)

#print a

#正式开始 -:)

#标准Python的列表(list)中，元素本质是对象。

#如：L = [1, 2, 3]，需要3个指针和三个整数对象，对于数值运算比较浪费内存和CPU。

#因此，Numpy提供了ndarray(N-dimensional array object)对象：存储单一数据类型的多维数组。

## 1.使用array创建

#通过array函数传递list对象

#L = [1, 2, 3, 4, 5, 6]

#print "L = ", L

#a = np.array(L)

#print "a = ", a

#print type(a)

## # 若传递的是多层嵌套的list，将创建多维数组

#b = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

#print b

## #

## # # 数组大小可以通过其shape属性获得

#print a.shape

#print b.shape

## #

## # 也可以强制修改shape

#b.shape = 4, 3

#print b

## # # 注：从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变

## #

## # 当某个轴为-1时，将根据数组元素的个数自动计算此轴的长度

#b.shape = 2, -1

#print b

#print b.shape

## #

#b.shape = 3, 4

## # 使用reshape方法，可以创建改变了尺寸的新数组，原数组的shape保持不变

#c = b.reshape((4, -1))

#print "b = \n", b

#print 'c = \n', c

##

## # 数组b和c共享内存，修改任意一个将影响另外一个

#b[0][1] = 20

#print "b = \n", b

#print "c = \n", c

## #

## # 数组的元素类型可以通过dtype属性获得

#print a.dtype

#print b.dtype

## #

## # # 可以通过dtype参数在创建时指定元素类型

#d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.float)

#f = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.complex)

#print d

#print f

## #

## # 如果更改元素类型，可以使用astype安全的转换

#f = d.astype(np.int)

#print f

##

## # 但不要强制仅修改元素类型，如下面这句，将会以int来解释单精度float类型

#d.dtype = np.int

#print d

# #2.使用函数创建

#如果生成一定规则的数据，可以使用NumPy提供的专门函数

#arange函数类似于python的range函数：指定起始值、终止值和步长来创建数组

#和Python的range类似，arange同样不包括终值；但arange可以生成浮点类型，而range只能是整数类型

#a = np.arange(1, 10, 0.5)

#print a

## #

## # linspace函数通过指定起始值、终止值和元素个数来创建数组，缺省包括终止值

#b = np.linspace(1, 10, 10)

#print 'b = ', b

## #

## 可以通过endpoint关键字指定是否包括终值

#c = np.linspace(1, 10, 10, endpoint=False)

#print 'c = ', c

## #

## 和linspace类似，logspace可以创建等比数列

## 下面函数创建起始值为10^1，终止值为10^2，有20个数的等比数列

#d = np.logspace(1, 2, 10, endpoint=True)

#print d

## #

## # 下面创建起始值为2^0，终止值为2^10(包括)，有10个数的等比数列

#f = np.logspace(0, 10, 11, endpoint=True, base=2)

#print f

## #

## # 使用 frombuffer, fromstring, fromfile等函数可以从字节序列创建数组

#s = 'abcd'

#g = np.fromstring(s, dtype=np.int8)

#print g

##

#3.存取

#3.1常规办法：数组元素的存取方法和Python的标准方法相同

#a = np.arange(10)

#print a

## # 获取某个元素

#print a[3]

## # # 切片[3,6)，左闭右开

#print a[3:6]

## # # 省略开始下标，表示从0开始

#print a[:5]

## # # 下标为负表示从后向前数

#print a[3:]

## # # 步长为2

#print a[1:9:2]

## # # 步长为-1，即翻转

#print a[::-1]

## # # 切片数据是原数组的一个视图，与原数组共享内容空间，可以直接修改元素值

#a[1:4] = 10, 20, 30

#print a

## # # 因此，在实践中，切实注意原始数据是否被破坏，如：

#b = a[2:5]

#b[0] = 200

#print a

# ## 3.2 整数/布尔数组存取

## 3.2.1

#根据整数数组存取：当使用整数序列对数组元素进行存取时，

#将使用整数序列中的每个元素作为下标，整数序列可以是列表(list)或者数组(ndarray)。

#使用整数序列作为下标获得的数组不和原始数组共享数据空间。

#a = np.logspace(0, 9, 10, base=2)

#print a

#i = np.arange(0, 10, 2)

#print i

## # # 利用i取a中的元素

#b = a[i]

#print b

## # b的元素更改，a中元素不受影响

#b[2] = 1.6

#print b

#print a

## 3.2.2

#使用布尔数组i作为下标存取数组a中的元素：返回数组a中所有在数组b中对应下标为True的元素

## 生成10个满足[0,1)中均匀分布的随机数

#a = np.random.rand(10)

#print a

## # 大于0.5的元素索引

#print a > 0.5

## # # 大于0.5的元素

#b = a[a > 0.5]

#print b

## # # 将原数组中大于0.5的元素截取成0.5

#a[a > 0.5] = 0.5

#print a

## # # b不受影响

#print b

#3.3 二维数组的切片

#[[ 0 1 2 3 4 5]

#[10 11 12 13 14 15]

#[20 21 22 23 24 25]

#[30 31 32 33 34 35]

#[40 41 42 43 44 45]

#[50 51 52 53 54 55]]

#a = np.arange(0, 60, 10) # 行向量

#print 'a = ', a

#b = a.reshape((-1, 1)) # 转换成列向量

#print b

#c = np.arange(6)

#print c

#f = b + c # 行 + 列

#print f

## 合并上述代码：

#a = np.arange(0, 60, 10).reshape((-1, 1)) + np.arange(6)

#print a

## 二维数组的切片

#print a[(0,1,2,3), (2,3,4,5)]

#print a[3:, [0, 2, 5]]

#i = np.array([True, False, True, False, False, True])

#print a[i]

#print a[i, 3]

## 4. numpy与Python数学库的时间比较

#for j in np.logspace(0, 7, 10):

#j = int(j)

#x = np.linspace(0, 10, j)

#start = time.clock()

#y = np.sin(x)

#t1 = time.clock() - start

# #x = x.tolist()

#start = time.clock()

#for i, t in enumerate(x):

#x[i] = math.sin(t)

#t2 = time.clock() - start

#print j, ": ", t1, t2, t2/t1

#5.绘图

#5.1 绘制正态分布概率密度函数

#mu = 0

#sigma = 1

#x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 50)

#y = np.exp(-(x - mu) ** 2 / (2 * sigma ** 2)) / (math.sqrt(2 * math.pi) * sigma)

#print x.shape

#print 'x = \n', x

#print y.shape

#print 'y = \n', y

## plt.plot(x, y, 'ro-', linewidth=2)

#plt.plot(x, y, 'r-', x, y, 'go', linewidth=2, markersize=8)

#plt.grid(True)

#plt.show()

#matplotlib.rcParams['font.sans-serif'] = [u'SimHei'] #FangSong/黑体 FangSong/KaiTi

#matplotlib.rcParams['axes.unicode_minus'] = False

#5.2 损失函数：Logistic损失(-1,1)/SVM Hinge损失/ 0/1损失

x = np.array(np.linspace(start=-2, stop=3, num=1001, dtype=np.float))

y_logit= np.log(1 + np.exp(-x)) / math.log(2)

y_boost= np.exp(-x)

y_01= x <0

y_hinge= 1.0 -x

y_hinge[y_hinge< 0] =0

plt.plot(x, y_logit,'r-', label='Logistic Loss', linewidth=2)

plt.plot(x, y_01,'g-', label='0/1 Loss', linewidth=2)

plt.plot(x, y_hinge,'b-', label='Hinge Loss', linewidth=2)

plt.plot(x, y_boost,'m--', label='Adaboost Loss', linewidth=2)

plt.grid()

plt.legend(loc='upper right')#plt.savefig('1.png')

plt.show()## # 5.3 x^x

#x = np.linspace(-1.3, 1.3, 101)

#y = f(x)

#plt.plot(x, y, 'g-', label='x^x', linewidth=2)

#plt.grid()

#plt.legend(loc='upper left')

#plt.show()

## 5.4 胸型线

#x = np.arange(1, 0, -0.001)

#y = (-3 * x * np.log(x) + np.exp(-(40 * (x - 1 / np.e)) ** 4) / 25) / 2

#plt.figure(figsize=(5,7))

#plt.plot(y, x, 'r-', linewidth=2)

#plt.grid(True)

#plt.show()

#5.5 心形线

#t = np.linspace(0, 7, 100)

#x = 16 * np.sin(t) ** 3

#y = 13 * np.cos(t) - 5 * np.cos(2*t) - 2 * np.cos(3*t) - np.cos(4*t)

#plt.plot(x, y, 'r-', linewidth=2)

#plt.grid(True)

#plt.show()

## 5.6 渐开线

#t = np.linspace(0, 50, num=1000)

#x = t*np.sin(t) + np.cos(t)

#y = np.sin(t) - t*np.cos(t)

#plt.plot(x, y, 'r-', linewidth=2)

#plt.grid()

#plt.show()

## Bar

#matplotlib.rcParams['font.sans-serif'] = [u'SimHei'] #黑体 FangSong/KaiTi

#matplotlib.rcParams['axes.unicode_minus'] = False

#x = np.arange(0, 10, 0.1)

#y = np.sin(x)

#plt.bar(x, y, width=0.04, linewidth=0.2)

#plt.plot(x, y, 'r--', linewidth=2)

#plt.title(u'Sin曲线')

#plt.xticks(rotation=-60)

#plt.xlabel('X')

#plt.ylabel('Y')

#plt.grid()

#plt.show()

## 6. 概率分布

## 6.1 均匀分布

#x = np.random.rand(10000)

#t = np.arange(len(x))

#plt.hist(x, 30, color='m', alpha=0.5)

## plt.plot(t, x, 'r-', label=u'均匀分布')

#plt.legend(loc='upper left')

#plt.grid()

#plt.show()

# ## # 6.2 验证中心极限定理

#t = 10000

#a = np.zeros(1000)

#for i in range(t):

#a += np.random.uniform(-5, 5, 1000)

#a /= t

#plt.hist(a, bins=30, color='g', alpha=0.5, normed=True)

#plt.grid()

#plt.show()

## 6.3 Poisson分布

#x = np.random.poisson(lam=5, size=10000)

#print x

#pillar = 15

#a = plt.hist(x, bins=pillar, normed=True, range=[0, pillar], color='g', alpha=0.5)

#plt.grid()

## plt.show()

#print a

#print a[0].sum()

## 6.4 直方图的使用

#mu = 2

#sigma = 3

#data = mu + sigma * np.random.randn(1000)

#h = plt.hist(data, 30, normed=1, color='#a0a0ff')

#x = h[1]

#y = norm.pdf(x, loc=mu, scale=sigma)

#plt.plot(x, y, 'r--', x, y, 'ro', linewidth=2, markersize=4)

#plt.grid()

#plt.show()

## 6.5 插值

#rv = poisson(5)

#x1 = a[1]

#y1 = rv.pmf(x1)

#itp = BarycentricInterpolator(x1, y1) # 重心插值

#x2 = np.linspace(x.min(), x.max(), 50)

#y2 = itp(x2)

#cs = scipy.interpolate.CubicSpline(x1, y1) # 三次样条插值

#plt.plot(x2, cs(x2), 'm--', linewidth=5, label='CubicSpine') # 三次样条插值

#plt.plot(x2, y2, 'g-', linewidth=3, label='BarycentricInterpolator') # 重心插值

#plt.plot(x1, y1, 'r-', linewidth=1, label='Actural Value') # 原始值

#plt.legend(loc='upper right')

#plt.grid()

#plt.show()

#7. 绘制三维图像

#x, y = np.ogrid[-3:3:100j, -3:3:100j]

## u = np.linspace(-3, 3, 101)

## x, y = np.meshgrid(u, u)

#z = x*y*np.exp(-(x**2 + y**2)/2) / math.sqrt(2*math.pi)

## z = x*y*np.exp(-(x**2 + y**2)/2) / math.sqrt(2*math.pi)

#fig = plt.figure()

#ax = fig.add_subplot(111, projection='3d')

## ax.plot_surface(x, y, z, rstride=5, cstride=5, cmap=cm.coolwarm, linewidth=0.1) #

#ax.plot_surface(x, y, z, rstride=5, cstride=5, cmap=cm.Accent, linewidth=0.5)

#plt.show()

## cmaps = [('Perceptually Uniform Sequential',

## ['viridis', 'inferno', 'plasma', 'magma']),

## ('Sequential', ['Blues', 'BuGn', 'BuPu',

## 'GnBu', 'Greens', 'Greys', 'Oranges', 'OrRd',

## 'PuBu', 'PuBuGn', 'PuRd', 'Purples', 'RdPu',

## 'Reds', 'YlGn', 'YlGnBu', 'YlOrBr', 'YlOrRd']),

## ('Sequential (2)', ['afmhot', 'autumn', 'bone', 'cool',

## 'copper', 'gist_heat', 'gray', 'hot',

## 'pink', 'spring', 'summer', 'winter']),

## ('Diverging', ['BrBG', 'bwr', 'coolwarm', 'PiYG', 'PRGn', 'PuOr',

## 'RdBu', 'RdGy', 'RdYlBu', 'RdYlGn', 'Spectral',

## 'seismic']),

## ('Qualitative', ['Accent', 'Dark2', 'Paired', 'Pastel1',

## 'Pastel2', 'Set1', 'Set2', 'Set3']),

## ('Miscellaneous', ['gist_earth', 'terrain', 'ocean', 'gist_stern',

## 'brg', 'CMRmap', 'cubehelix',

## 'gnuplot', 'gnuplot2', 'gist_ncar',

## 'nipy_spectral', 'jet', 'rainbow',

## 'gist_rainbow', 'hsv', 'flag', 'prism'])]

#8.1 scipy

#线性回归例1

#x = np.linspace(-2, 2, 50)

#A, B, C = 2, 3, -1

#y = (A * x ** 2 + B * x + C) + np.random.rand(len(x))*0.75

# #t = leastsq(residual, [0, 0, 0], args=(x, y))

#theta = t[0]

#print '真实值：', A, B, C

#print '预测值：', theta

#y_hat = theta[0] * x ** 2 + theta[1] * x + theta[2]

#plt.plot(x, y, 'r-', linewidth=2, label=u'Actual')

#plt.plot(x, y_hat, 'g-', linewidth=2, label=u'Predict')

#plt.legend(loc='upper left')

#plt.grid()

#plt.show()

## 线性回归例2

#x = np.linspace(0, 5, 100)

#A = 5

#w = 1.5

#y = A * np.sin(w*x) + np.random.rand(len(x)) - 0.5

# #t = leastsq(residual2, [3, 1], args=(x, y))

#theta = t[0]

#print '真实值：', A, w

#print '预测值：', theta

#y_hat = theta[0] * np.sin(theta[1] * x)

#plt.plot(x, y, 'r-', linewidth=2, label='Actual')

#plt.plot(x, y_hat, 'g-', linewidth=2, label='Predict')

#plt.legend(loc='lower left')

#plt.grid()

#plt.show()

## 8.2 使用scipy计算函数极值

#a = opt.fmin(f, 1)

#b = opt.fmin_cg(f, 1)

#c = opt.fmin_bfgs(f, 1)

#print a, 1/a, math.e

#print b

#print c

#marker description

#”.” point

#”,” pixel

#“o” circle

#“v” triangle_down

#“^” triangle_up

#“

#“>” triangle_right

#“1” tri_down

#“2” tri_up

#“3” tri_left

#“4” tri_right

#“8” octagon

#“s” square

#“p” pentagon

#“*” star

#“h” hexagon1

#“H” hexagon2

#“+” plus

#“x” x

#“D” diamond

#“d” thin_diamond

#“|” vline

#“_” hline

#TICKLEFT tickleft

#TICKRIGHT tickright

#TICKUP tickup

#TICKDOWN tickdown

#CARETLEFT caretleft

#CARETRIGHT caretright

#CARETUP caretup

#CARETDOWN caretdown