记录一下关于plt.scatter(X[y==1,0], X[y==1,1])的解读

最新推荐文章于 2023-05-22 20:36:15 发布
最新推荐文章于 2023-05-22 20:36:15 发布
阅读量5.8k 收藏 38
点赞数 19
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45576847/article/details/117436597
版权 
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt

X, y = make_moons(n_samples=50, random_state=123)
print(X,y)
plt.scatter(X[y==0,0], X[y==0,1], color='red', marker='^', alpha=0.5)
plt.scatter(X[y==1,0], X[y==1,1], color='blue', marker='o', alpha=0.5)
plt.show()

在此，数组X将会生成一个50行2列的二维数组

[[ 2.58819045e-01  9.65925826e-01]
 [-1.30526192e-01  9.91444861e-01]
 [ 2.06646660e-01 -1.08761429e-01]
 [ 1.92387953e+00  1.17316568e-01]
 [-7.07106781e-01  7.07106781e-01]

 [.......................................................]

 [ 1.86602540e+00 -3.33066907e-16]]

y对应的是这些数据的分类结果[0 0 1 1 0 0 1 0 1 0 0 1。。。。。。0 1]。

也就是坐标点[ 2.58819045e-01  9.65925826e-01]的对应的编号为0

 [-1.30526192e-01  9.91444861e-01]的对应的编号为0

 [ 2.06646660e-01 -1.08761429e-01]的对应的编号为1

所以X[y==0,:],是所有编号为0的坐标点，X[y==0,0],是所有编号为0的X坐标，也就是2.58819045e-01、-1.30526192e-01、-7.07106781e-01。X[y==0,1]是所有编号为0的Y坐标,也就是9.65925826e-01、9.91444861e-01、7.07106781e-01

 

weixin_45576847
关注
  • 19
    点赞
  • 踩
  • 38
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
【Python知识】可视化函数plt.scatter
gongdiwudu的专栏
04-04 3万+
关于matplotlib的scatter函数有许多活动参数，如果不专门注解，是无法掌握精髓的，本文专门针对scatter的参数和调用说起，并配有若干案例。
一文了解可视化的主成分分析（附教程）
PUSHIAI的博客
11-11 1954
主成分分析 (PCA) 是一种无监督的机器学习技术。也许主成分分析最流行的用途是降维。但是，除了使用 PCA 作为数据准备技术之外，我们还可以使用它来帮助可视化数据。一张图片胜过千言万语。通过可视化数据，我们更容易获得一些见解并决定机器学习模型的下一步。 小普发布本次文章后，您将了解如何使用 PCA 将数据可视化，以及如何使用可视化来帮助确定降维参数。先赞后看是个好习惯。 完成本教程后，您将了解： 如何使用可视化高维数据 什么是PCA中的解释方差 从高维数据的PCA结果中直观地观察解释方差 让..
plt.scatter()参数详解
weixin_43461341的博客
09-16 6721
matplotlib.pyplot 包下的scatter散点图的详细参数 def 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, hold=None, dat...
第11章 支撑向量机 SVM 学习笔记 中
moonlightpeng的博客
06-12 522
目录 实际使用svm scikit-learn中的SVM 实际使用svm 和knn一样，要做数据标准化处理 涉及距离 尺度不一样，纵向很小的距离表示一个很大的数 特征在不同的维度上相差很大，很影响最后的计算结果 scikit-learn中的SVM import numpy as np import matplotlib.pyplot as plt from sklearn import datasets iris = datasets.load_iris() .
Matplotlib 可视化50图：散点图（1）
冷冻工厂
11-28 1596
导读 本系列将持续更新50个matplotlib可视化示例，主要参考Selva Prabhakaran 在MachineLearning Plus上发布的博文：Python可视化50图。 定义 关联图是查看两个事物之间关系的图像，它能够展示出一个事物随着另一个事物是如何变化的。关联图的类型有：折线图，散点图，相关矩阵等。 关联图 散点图 散点图 测试 导入需要使用的库 import numpy as npimport pandas as pdim
python实现knn算法
weixin_39587440的博客
10-24 484
import numpy as np from math import sqrt from collections import Counter x=np.random.randint(1,5,size=(4,5)) x x=np.reshape(x,(-1,2)) y=np.random.randint(0,2,10)#创建一个一维数组，并且指定范围为0,1，大小为10 print(y.sha...
关于plt.scatter()的使用
meini32的博客
08-24 1万+
【代码】关于plt.scatter()的使用。
解读：#12_1用散点图展示销量与价格的关系。 import matplotlib . pyplot as plt ＃用运行时配置参数对象 rcParams ，将字体配置为黑体 plt . rcParams [' font . sans - serif ' =[' SimHei '] price =[1.23,2.5,3.25,4.02,4.4,5.0] sales =[62,34,22 49,19,13] ＃各点的面积为100，颜色为绿色，形状为五角星 plt . scatter ( price , sales , s =100, c =' green ', marker ='*') plt . title ('价格和销量的关系') plt . xlabel ('价格') plt . ylabel ('销量') plt . show ) ＃总体来说，价格上升，销量下降
06-13
最后通过 plt.title()、plt.xlabel() 和 plt.ylabel() 分别设置图表的标题、x 轴标签和 y 轴标签，并使用 plt.show() 函数显示图表。 根据散点图可以看出，价格上升，销量下降，这符合一般的经济学规律。同时可以...
import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.datasets import load_iris from sklearn.decomposition import PCA iris = load_iris() X = iris.data y = iris.target pca = PCA(n_components=2) X_pca = pca.fit_transform(X) def dbscan(X, eps, min_samples): labels = np.zeros(len(X)) C = 0 visited = set() for i in range(len(X)): if i not in visited: visited.add(i) neighbors = find_neighbors(X, i, eps) if len(neighbors) < min_samples: labels[i] = -1 else: C += 1 labels[i] = C expand_cluster(X, labels, i, neighbors, C, eps, min_samples, visited) return labels def find_neighbors(X, i, eps): neighbors = [] for j in range(len(X)): if np.linalg.norm(X[i] - X[j]) < eps: neighbors.append(j) return neighbors def expand_cluster(X, labels, i, neighbors, C, eps, min_samples, visited): for j in neighbors: if j not in visited: visited.add(j) neighbors_j = find_neighbors(X, j, eps) if len(neighbors_j) >= min_samples: neighbors.extend(neighbors_j) if labels[j] == 0: labels[j] = C eps = 0.5 min_samples = 5 labels = dbscan(X_pca, eps, min_samples) plt.scatter(X_pca[:, 0], X_pca[:, 1], c=labels) plt.xlabel('PCA Component 1') plt.ylabel('PCA Component 2') plt.title('DBSCAN Clustering with PCA') plt.show()将上述代码解读并加以注释
06-06
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=labels) plt.xlabel('PCA Component 1') plt.ylabel('PCA Component 2') plt.title('DBSCAN Clustering with PCA') plt.show() ``` 这段代码演示了如何使用Python和...
import numpy as np import matplotlib.pyplot as plt import sympy from scipy.interpolate import interp1d gamma = 1.2 R = 8.314 T0 = 500 Q = 50 * R * T0 a0 = np.sqrt(gamma * R * T0) M0 = 6.216 P_P0 = sympy.symbols('P_P0') num = 81 x0 = np.linspace(0,1,num) t_t0 = np.linspace(0,15,num) x = x0[1:] T_T0 = t_t0[1:] h0 = [] h1 = []#创建拉姆达为1的空数组 r = [] t = [] c = [] s = [] i = 0 for V_V0 in x: n1 = sympy.solve(1 / (gamma-1) * (P_P0 * V_V0 - 1) - 0.5 * (P_P0 + 1) * (1 - V_V0)- gamma * 0 * Q / a0 ** 2,P_P0)#lamuda=0的Hugoniot曲线方程 n2 = sympy.solve(1 / (gamma-1) * (P_P0 * V_V0 - 1) - 0.5 * (P_P0 + 1) * (1 - V_V0)- gamma * 1 * Q / a0 ** 2,P_P0)#lamuda=1的Hugoniot曲线方程 n3 = sympy.solve(-1 * P_P0 + 1 - gamma * M0 ** 2 * (V_V0 - 1),P_P0)#Reyleigh曲线方程 n4 = 12.014556 / V_V0#等温线 n5 = sympy.solve((P_P0 - 1 / (gamma+1) )* (V_V0-gamma / (gamma + 1)) - gamma / ((gamma + 1) ** 2),P_P0)#声速线 n6 = 10.6677 / np.power(V_V0,1.2)#等熵线 h0.append(n1) h1.append(n2) r.append(n3) t.append(n4) c.append(n5) s.append(n6) i = i+1 h0 = np.array(h0) h1 = np.array(h1) r = np.array(r) t = np.array(t) c = np.array(c) s = np.array(s) plt.plot(x,r,label='Rayleigh') plt.plot(x,t,color='purple',label='isothermal') plt.plot(x,s,color='skyblue',label='isentropic') a = np.where(h0 < 0) b = np.where(c < 0) h0 = np.delete(h0,np.where(h0 < 0)[0],axis = 0)#去除解小于0的值 h1 = np.delete(h1,np.where(h1 < 0)[0],axis = 0)#去除解小于0的值 c = np.delete(c,np.where(c < 0)[0],axis = 0)#去除解小于0的值 x0 = np.delete(x,a,axis = 0)#对应去除x轴上错误值的坐标 x1 = np.delete(x,b,axis = 0) plt.plot(x0,h0,label='Hugoniot(lambda=0)') plt.plot(x0,h1,label='Hugoniot(lambda=1)') plt.plot(x1,c,color='yellow',label='soniclocus') plt.ylim((0,50)) plt.legend() # 显示图例 plt.xlabel('V/V0') plt.ylabel('P/P0') f1 = interp1d(x1, c.T, kind='cubic') f2 = interp1d(x,r.T,kind='cubic') f3 = interp1d(x, t.T, kind='cubic') epsilon = 0.0001 x0 = 0.56 y0 = f1(x0) - f2(x0) while abs(y0) > epsilon: df = (f1(x0 + epsilon) - f2(x0 + epsilon) - y0) / epsilon x0 -= y0 / df y0 = f1(x0) - f2(x0) plt.scatter(x0, y0, 50, color ='red') plt.show()
06-08
这是一个 Python 代码，我可以解读出来。这段代码主要是用来绘制气体动力学中的一些图形，包括 Hugoniot 曲线、Rayleigh 曲线、等温线、等熵线和声速线等等。其中用到了一些科学计算库，比如 numpy、matplotlib、...
import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression # -------------1. 数据--------- #points = np.genfromtxt('data.csv', delimiter=',') data = np.array([[32, 31], [53, 68], [61, 62], [47, 71], [59, 87], [55, 78], [52, 79], [39, 59], [48, 75], [52, 71], [45, 55], [54, 82], [44, 62], [58, 75], [56, 81], [48, 60], [44, 82], [60, 97], [45, 48], [38, 56], [66, 83], [65, 118], [47, 57], [41, 51], [51, 75], [59, 74], [57, 95], [63, 95], [46, 79], [50, 83]]) # 提取points中的两列数据，分别作为x，y x = data[:, 0] y = data[:, 1] # --------------2. 定义损失函数-------------- # 损失函数是系数的函数，另外还要传入数据的x，y def compute_cost(w, b, data): total_cost = 0 M = len(data) # 逐点计算平方损失误差，然后求平均数 for i in range(M): x = data[i, 0] y = data[i, 1] total_cost += (y - w * x - b) ** 2 return total_cost / M lr = LinearRegression() x_new = x.reshape(-1, 1) y_new = y.reshape(-1, 1) lr.fit(x_new, y_new) # 从训练好的模型中提取系数和偏置 w = lr.coef_[0][0] b = lr.intercept_[0] print("w is: ", w) print("b is: ", b) cost = compute_cost(w, b, data) print("cost is: ", cost) plt.scatter(x, y) # 针对每一个x，计算出预测的y值 pred_y = w * x + b plt.plot(x, pred_y, c='r') plt.show() 解读上面的代码
最新发布
07-14
这段代码是一个简单的线性回归模型的实现。首先，导入了必要的库，包括numpy、matplotlib和sklearn的LinearRegression模型。...最后，根据训练得到的系数和偏置，计算出预测值pred_y，并使用matplotlib进行可视化展示。
plt.scatter()函数
weixin_54606863的博客
12-26 978
函数用于生成一个scatter散点图。
机器学习:plt.scatter()函数
weixin_43597208的博客
05-22 1462
调用方法：plt.scatter(x, y, s, c, marker, cmap, norm, alpha, linewidths, edgecolorsl)cmap: 指定特定颜色图，该参数一般不用，有默认值。‘pentagram’ 或 ‘p’ 五角星（五角形）‘hexagram’ 或 ‘h’ 六角星（六角形）edgecolors: 设置散点边框的颜色。linewidths: 散点边框的宽度。‘diamond’ 或 ‘d’ 菱形。‘square’ 或 ‘s’ 方形。alpha: 散点的透明度。
python中x y 1_Python的X[y==1, 0]
weixin_39724748的博客
12-08 4135
最近研究逻辑回归，Iris花的经典示例，代码就不全粘贴了，具体代码参看“Iris花逻辑回归与实现”1 plt.plot(X[y==0, 0], X[y==0,1], "bs")2 plt.plot(X[y==1, 0], X[y==1, 1], "g^")X[y==0, 0]中的y==0是个什么东东，为什么可以占据X的第一个位置？首先我们看一下X是个什么？1 from sklearn import...
探索影响收入与支出的因素
weixin_53029015的博客
06-06 375
项目背景 本数据报告以某地区人员全年收入支出数据为数据集。使用KMeans聚类分析探索影响收入与支出的因素。 数据清洗 from sklearn.cluster import KMeans import numpy as np import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv(r"D:\data.csv") df.head() CustomerID Gend
python对excel数据可视化 plotly_Python数据可视化之Plotly
weixin_39804523的博客
12-03 426
1、plotly基础知识1.1、offline.plot和offline.iplot使用plotly.offline.plot(data,filename='file.html')函数可以在本地新建一个HTML文件，并可以选择是否在浏览器中打开这个文件。使用py.offline.init_notebook_mode()进行初始化，利用plotly.offline.iplot函数可在Jypyter ...
plt.scatter()函数使用
小C的博客
01-13 9037
【时间】2020.01.13 【题目】plt.scatter()函数使用 具体见：plt.scatter() matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=N...
plt.plot() 函数详解
热门推荐
weixin_47989730的博客
04-22 7万+
plt.plot()函数是matplotlib.pyplot模块下的一个函数,用于画图 它可以绘制点和线, 并且对其样式进行控制. 由浅入深介绍如下 1.plt.plot(x, y) 1.1 x为x轴数据, y为y轴数据 import matplotlib.pyplot as plt x=[3,4,5] # [列表] y=[2,3,2] # x,y元素个数N应相同 plt.plot(x,y) plt.show() 1.2 x, y可传入(元组), [列表], np.array, pd.S.
plt.scatter()和sklearn.datasets.make_circles()
九袋面的博客
08-31 913
plt.scatter() 官方文档 https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.scatter.html 例子：plt.scatter(train_X[:, 0], train_X[:, 1], c=train_Y, s=40, cmap=plt.cm.Spectral); matplotlib.pyplot.scatter( x , y , s = None , c = None , marker = None , cmap =
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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