6.4 差异可视化-多维量法（MDS）

第1关：美国国家教育统计中心数据——降维

# -*- coding: utf-8 -*-
import pandas as pd #用于生成满足绘图要求的数据格式
from sklearn.manifold import MDS #用于MDS降维
import matplotlib.pyplot as plt #用于绘制撒点图
from sklearn.cluster import KMeans #用于Kmeans聚类
from scipy.spatial import distance #用于计算获取距离矩阵
edu=pd.read_csv(r"MDS/csv/education.csv") #读取csv数据，返回值为二维标记数据结构 DataFrame
def plot():# ********* Begin *********#edu_x=edu.iloc[:,1:7] #选择edu中的第 1 列到第 6 列  DM_dist = distance.squareform(distance.pdist(edu_x, metric="euclidean")) #计算距离矩阵 clf2 = MDS(n_components=2,dissimilarity="precomputed") edu_t2 = clf2.fit_transform(DM_dist)  fig,ax=plt.subplots() ax.scatter(edu_t2[:,0],edu_t2[:,1]) names=list(edu.iloc[:,0]) for i in range(len(names)):  plt.annotate(names[i], xy = (edu_t2[:,0][i],edu_t2[:,1][i]), xytext=(-20, 5), textcoords='offset points') # ********* End *********#plt.savefig("MDS/studentanswer/level_1/education.png")plt.close()

第2关：美国国家教育统计中心数据——分别按特征和聚

# -*- coding: utf-8 -*-
import pandas as pd #用于生成满足绘图要求的数据格式
from sklearn.manifold import MDS #用于MDS降维
import matplotlib.pyplot as plt #用于绘制撒点图
from sklearn.cluster import KMeans #用于Kmeans聚类
from scipy.spatial import distance #用于计算获取距离矩阵
edu=pd.read_csv(r"MDS/csv/education.csv") #读取csv数据，返回值为二维标记数据结构 DataFrame
def plot():# ********* Begin *********#edu_x=edu.iloc[:,1:7] #选择edu中的第 1 列到第 6 列  DM_dist = distance.squareform(distance.pdist(edu_x, metric="euclidean")) #计算距离矩阵 clf2 = MDS(n_components=2,dissimilarity="precomputed") edu_t2 = clf2.fit_transform(DM_dist)  fig,ax=plt.subplots()   reading_colors_list=[] average=sum(edu_x["reading"])/len(edu_x["reading"]) #计算阅读平均值  for i in range(0,len(edu_x["reading"])):  if edu_x["reading"][i] < average:  reading_colors_list.append("#DB7093") #小于平均值的数据为粉红色，并添加到颜色列表else:  reading_colors_list.append("#5F9F9F") #大于平均值的数据为灰绿色，并添加到颜色列ax.scatter(edu_t2[:,0],edu_t2[:,1],color=reading_colors_list) names=list(edu.iloc[:,0]) #选择州名这一列数据  for i in range(len(names)):  plt.annotate(names[i], xy = (edu_t2[:,0][i],edu_t2[:,1][i]), xytext=(-20, 5), textcoords='offset points',color=reading_colors_list[i])plt.show()   # ********* End *********#plt.savefig("MDS/studentanswer/level_2/education.png")plt.close()

6.4 差异可视化-多维量法（MDS）相关推荐

Nat. Biotechnol | PHATE：高维生物数据的可视化方法
高维生物数据的可视化能帮助研究者以直观的方式了解数据.今天介绍2019年12月发表在Nature Biotechnology的可视化工作. 1 研究背景高维数据需要可视化工具,以直观的方式显示数据结 ...
【ceph】ceph分布式存储MDS(各种状态、源码)
目录 1. mds存储 2. mds冷备/热备 3. mds主备切换策略 4. 节点失效机制 5. 恢复过程 6. resolve阶段的事件 7. 重建分布式缓存和锁状态 Ceph MDS State ...
Nature子刊：教你零基础开展微生物组数据分析和可视化
使用MicrobiomeAnalyst进行微生物组数据的全面统计.功能和元分析 Using MicrobiomeAnalyst for comprehensive statistical, funct ...
可视化网络拓扑：两天之内从零到英雄
Visualizing Network Topologies: Zero to Hero in Two Days / Habrhttps://habr.com/en/post/534716/ 翻译原 ...
R语言差异检验：单因素方差分析
文章目录 @[toc] 方差分析介绍适用条件分类 R语言单因素方差分析示例数据集示例多重比较评估检验的假设条件 t检验可以解决单样本.双样本时的均数比较.当要比较的组多于两个时,t检验方 ...
流形学习（manifold learning）综述（数据可视化）
假设数据是均匀采样于一个高维欧氏空间中的低维流形,流形学习就是从高维采样数据中恢复低维流形结构,即找到高维空间中的低维流形,并求出相应的嵌入映射,以实现维数约简或者数据可视化.它是从观测到的现象中去寻 ...
反欺诈中所用到的机器学习模型有哪些？
作者 | 微调(知乎ID微调,普华永道高级数据科学家) 反欺诈方向的实际应用很多,我有做过保险业反欺诈和零售快消业的欺诈检测,抛砖引玉的谈谈反欺诈项目的"道"和"术&qu ...
随机森林RandomForest挖掘生物标记预测分类
随机森林简介如果读者接触过决策树(Decision Tree)的话,那么会很容易理解什么是随机森林.随机森林就是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,而它的本质属于机器学习 ...
RandomForest：随机森林预测生物标记biomarker——分类
随机森林简介 R randomForest包安装与加载分类Classification 分类结果主坐轴分析随机选取2/3预测,1/3验证无监督分类分层抽样 Reference 猜你喜欢写在 ...

6.4 差异可视化-多维量法（MDS）

6.4 差异可视化-多维量法（MDS）相关推荐

最新文章

热门文章