K近邻改进约会网站(二):数据图形化展示
2018-01-16 14:54
309 查看
简单绘制散点图的方法(无法添加图例):
from numpy import *
import kNN
import matplotlib.pyplot as plt
datingDataMat, datingLabels = kNN.file2matrix('datingTestSet2.txt')
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:, 1], datingDataMat[:, 2], 15.0 * array(datingLabels), 15.0 * array(datingLabels))
#以第二列特征和第三列特征绘制散点图,括号内的内容依次为x,y,大小s,颜色,颜色用4种数字表示,随机产生4中不同颜色
plt.show()标准绘图:
import matplotlib.pyplot as plt
import kNN
plt.rcParams['font.sans-serif']=['Simhei'] #解决字体,和坐标轴符号问题
plt.rcParams['axes.unicode_minus']=False
datingDataMat, datingLabels = kNN.file2matrix('datingTestSet2.txt')
plt.figure()
axes = plt.subplot(111)
type1_x = [] #定义3中类型
type1_y = []
type2_x = []
type2_y = []
type3_x = []
type3_y = []
for i in range(len(datingLabels)): #每组数按标签划分类别
if datingLabels[i] == 1:
type1_x.append(datingDataMat[i][0])
type1_y.append(datingDataMat[i][1])
if datingLabels[i] == 2:
type2_x.append(datingDataMat[i][0])
type2_y.append(datingDataMat[i][1])
if datingLabels[i] == 3:
type3_x.append(datingDataMat[i][0])
type3_y.append(datingDataMat[i][1])
type1 = axes.scatter(type1_x, type1_y, s=20, c='r') #分别设置大小颜色等属性
type2 = axes.scatter(type2_x, type2_y, s=40, c='b')
type3 = axes.scatter(type3_x, type3_y, s=60, c='k')
plt.legend((type1, type2, type3), ('不喜欢', '魅力一般', '极具魅力')) #添加图例
plt.show()
from numpy import *
import kNN
import matplotlib.pyplot as plt
datingDataMat, datingLabels = kNN.file2matrix('datingTestSet2.txt')
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:, 1], datingDataMat[:, 2], 15.0 * array(datingLabels), 15.0 * array(datingLabels))
#以第二列特征和第三列特征绘制散点图,括号内的内容依次为x,y,大小s,颜色,颜色用4种数字表示,随机产生4中不同颜色
plt.show()标准绘图:
import matplotlib.pyplot as plt
import kNN
plt.rcParams['font.sans-serif']=['Simhei'] #解决字体,和坐标轴符号问题
plt.rcParams['axes.unicode_minus']=False
datingDataMat, datingLabels = kNN.file2matrix('datingTestSet2.txt')
plt.figure()
axes = plt.subplot(111)
type1_x = [] #定义3中类型
type1_y = []
type2_x = []
type2_y = []
type3_x = []
type3_y = []
for i in range(len(datingLabels)): #每组数按标签划分类别
if datingLabels[i] == 1:
type1_x.append(datingDataMat[i][0])
type1_y.append(datingDataMat[i][1])
if datingLabels[i] == 2:
type2_x.append(datingDataMat[i][0])
type2_y.append(datingDataMat[i][1])
if datingLabels[i] == 3:
type3_x.append(datingDataMat[i][0])
type3_y.append(datingDataMat[i][1])
type1 = axes.scatter(type1_x, type1_y, s=20, c='r') #分别设置大小颜色等属性
type2 = axes.scatter(type2_x, type2_y, s=40, c='b')
type3 = axes.scatter(type3_x, type3_y, s=60, c='k')
plt.legend((type1, type2, type3), ('不喜欢', '魅力一般', '极具魅力')) #添加图例
plt.show()
相关文章推荐
- K近邻改进约会网站(一):文本数据的处理
- k-近邻算法(KNN)--2改进约会网站的配对效果---by香蕉麦乐迪
- 《机器学习实战》之k-近邻算法(改进约会网站的配对效果)
- 机器学习实战——K-近邻算法【2:改进约会网站配对效果】
- 【机器学习实战02】使用k-近邻算法改进约会网站的配对效果
- K近邻改进约会网站(四):测试算法
- 『机器学习实战』使用 k-近邻算法改进约会网站的配对效果
- 机器学习 & python 使用k-近邻算法改进约会网站的配对效果
- K近邻改进约会网站(五):使用算法进行预测
- 使用k-近邻算法改进约会网站的配对效果
- K-近邻:改进约会网站的配对效果
- k-近邻算法改进约会网站的配对效果
- 读懂《机器学习实战》代码—K-近邻算法改进约会网站配对效果
- 机器学习—使用k-近邻算法改进约会网站的配对效果
- 使用k-近邻算法改进约会网站的配对效果
- k-近邻算法1(kNN)使用kNN算法改进约会网站的配对效果
- 【Machine Learning in Action --2】K-近邻算法改进约会网站的配对效果
- k近邻 - 改进约会网站的匹配效果
- K-近邻算法改进约会网站的配对效果
- 机器学习实战(第二篇)-k-近邻算法改进约会网站配对结果