#赣州身边事# 【赣州市综合文化艺术馆大剧院又有新消息】赣州市综合文化艺术馆项目位于章江新区F27、F28地块,赣州市博物馆北面。该项目动态一直备受广大市民的关注。近日,小编获悉,赣州市综合文化艺术馆项目大剧院精装修、舞台声光电等施工总承包工程正在招标,即将建设。项目总投资86600.0万元,本项目投资20800.0万元,目前资金已全部落实。项目建筑面积84123.84 平方米。[围观]赣州市综合文化艺术馆项目位于章江新区,地处东江源大道与城市中央公园之间。据了解,综合文化艺术馆由图书馆、群艺馆和大剧场三大功能分区组成,其中图书馆面积约20025平方米,群艺馆面积约8188平方米,大剧场面积约25044平方米,配套商业面积约2083平方米,停车库面积约27882平方米。项目建成后,可为广大市民提供丰富多彩的公共文化服务,极大地丰富市民的文化生活,有利于进一步涵养城市文化土壤、提升城市文化品位。
#python#
#machine learning#
如何用pyplot 画出带格子的数据图。格子对于一些分类算法,比较重要,可以看出数据所在的区间。ax.set_xticks([0, 5, 10,15])
ax.set_yticks([0, 5, 10,15])
可以规定格子的间距。全部代码如下
from sklearn.datasets.samples_generator import make_blobs
from matplotlib.pyplot import figure
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# generate 2d classification dataset
f11=np.random.uniform(0,5,25)
f12=np.random.uniform(5,10,20)
f13=np.random.uniform(10,15,18)
f14=np.random.uniform(0,5,33)
f15=np.random.uniform(5,10,23)
f16=np.random.uniform(10,15,7)
f17=np.random.uniform(0,5,10)
f18=np.random.uniform(5,10,11)
f19=np.random.uniform(10,15,26)
f1=np.concatenate((f11,f12,f13,f14,f15,f16,f17,f18,f19))
f21=np.random.uniform(0,5,25)
f22=np.random.uniform(0,5,20)
f23=np.random.uniform(0,5,18)
f24=np.random.uniform(5,10,33)
f25=np.random.uniform(5,10,23)
f26=np.random.uniform(5,10,7)
f27=np.random.uniform(10,15,10)
f28=np.random.uniform(10,15,11)
f29=np.random.uniform(10,15,26)
f2=np.concatenate((f21,f22,f23,f24,f25,f26,f27,f28,f29))
X=np.vstack((f1, f2)).T
y1=np.full((25, 1), 1)
y2=np.full((20, 1), 2)
y3=np.full((18, 1), 2)
y4=np.full((33, 1), 2)
y5=np.full((23, 1), 3)
y6=np.full((7, 1), 3)
y7=np.full((10, 1), 3)
y8=np.full((11, 1), 1)
y9=np.full((26, 1), 1)
y=np.concatenate((y1,y2,y3,y4,y5,y6,y7,y8,y9))
#print("y´s shape is :"+str(y.shape))
#print("x´s shape is :"+str(X.shape))
data = X=np.concatenate([X,y],axis = 1)
df = pd.DataFrame(data,columns=['feature1','feature2','label'])
colors = {1:'red', 2:'blue', 3:'green'}
fig, ax = plt.subplots(ncols=1, nrows=1)
ax.scatter(df['feature1'], df['feature2'], c=df['label'].apply(lambda x: colors[x]))
figure(frameon=False,num=None, figsize=(10, 10), dpi=80)
#adds a title and axes labels
ax.set_title('classification data')
ax.set_xlabel('feature1')
ax.set_ylabel('feature2')
ax.set_xticks([0, 5, 10,15])
ax.set_yticks([0, 5, 10,15])
#adds major gridlines
ax.grid(color='orange', linestyle='-', linewidth=1, alpha=5)
plt.show()
#machine learning#
如何用pyplot 画出带格子的数据图。格子对于一些分类算法,比较重要,可以看出数据所在的区间。ax.set_xticks([0, 5, 10,15])
ax.set_yticks([0, 5, 10,15])
可以规定格子的间距。全部代码如下
from sklearn.datasets.samples_generator import make_blobs
from matplotlib.pyplot import figure
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# generate 2d classification dataset
f11=np.random.uniform(0,5,25)
f12=np.random.uniform(5,10,20)
f13=np.random.uniform(10,15,18)
f14=np.random.uniform(0,5,33)
f15=np.random.uniform(5,10,23)
f16=np.random.uniform(10,15,7)
f17=np.random.uniform(0,5,10)
f18=np.random.uniform(5,10,11)
f19=np.random.uniform(10,15,26)
f1=np.concatenate((f11,f12,f13,f14,f15,f16,f17,f18,f19))
f21=np.random.uniform(0,5,25)
f22=np.random.uniform(0,5,20)
f23=np.random.uniform(0,5,18)
f24=np.random.uniform(5,10,33)
f25=np.random.uniform(5,10,23)
f26=np.random.uniform(5,10,7)
f27=np.random.uniform(10,15,10)
f28=np.random.uniform(10,15,11)
f29=np.random.uniform(10,15,26)
f2=np.concatenate((f21,f22,f23,f24,f25,f26,f27,f28,f29))
X=np.vstack((f1, f2)).T
y1=np.full((25, 1), 1)
y2=np.full((20, 1), 2)
y3=np.full((18, 1), 2)
y4=np.full((33, 1), 2)
y5=np.full((23, 1), 3)
y6=np.full((7, 1), 3)
y7=np.full((10, 1), 3)
y8=np.full((11, 1), 1)
y9=np.full((26, 1), 1)
y=np.concatenate((y1,y2,y3,y4,y5,y6,y7,y8,y9))
#print("y´s shape is :"+str(y.shape))
#print("x´s shape is :"+str(X.shape))
data = X=np.concatenate([X,y],axis = 1)
df = pd.DataFrame(data,columns=['feature1','feature2','label'])
colors = {1:'red', 2:'blue', 3:'green'}
fig, ax = plt.subplots(ncols=1, nrows=1)
ax.scatter(df['feature1'], df['feature2'], c=df['label'].apply(lambda x: colors[x]))
figure(frameon=False,num=None, figsize=(10, 10), dpi=80)
#adds a title and axes labels
ax.set_title('classification data')
ax.set_xlabel('feature1')
ax.set_ylabel('feature2')
ax.set_xticks([0, 5, 10,15])
ax.set_yticks([0, 5, 10,15])
#adds major gridlines
ax.grid(color='orange', linestyle='-', linewidth=1, alpha=5)
plt.show()
#python#
生成测试分类数据,并且显示出来。为了以后的分类算法做准备。
根据不同的类别,显示不同的数据点颜色。全部代码如下。
from sklearn.datasets.samples_generator import make_blobs
from matplotlib import pyplot
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# generate 2d classification dataset
f11=np.random.uniform(0,5,25)
f12=np.random.uniform(5,10,20)
f13=np.random.uniform(10,15,18)
f14=np.random.uniform(0,5,33)
f15=np.random.uniform(5,10,23)
f16=np.random.uniform(10,15,7)
f17=np.random.uniform(0,5,10)
f18=np.random.uniform(5,10,11)
f19=np.random.uniform(10,15,26)
f1=np.concatenate((f11,f12,f13,f14,f15,f16,f17,f18,f19))
f21=np.random.uniform(0,5,25)
f22=np.random.uniform(0,5,20)
f23=np.random.uniform(0,5,18)
f24=np.random.uniform(5,10,33)
f25=np.random.uniform(5,10,23)
f26=np.random.uniform(5,10,7)
f27=np.random.uniform(10,15,10)
f28=np.random.uniform(10,15,11)
f29=np.random.uniform(10,15,26)
f2=np.concatenate((f21,f22,f23,f24,f25,f26,f27,f28,f29))
X=np.vstack((f1, f2)).T
y1=np.full((25, 1), 1)
y2=np.full((20, 1), 2)
y3=np.full((18, 1), 2)
y4=np.full((33, 1), 2)
y5=np.full((23, 1), 3)
y6=np.full((7, 1), 3)
y7=np.full((10, 1), 3)
y8=np.full((11, 1), 1)
y9=np.full((26, 1), 1)
y=np.concatenate((y1,y2,y3,y4,y5,y6,y7,y8,y9))
print("y´s shape is :"+str(y.shape))
print("x´s shape is :"+str(X.shape))
data = X=np.concatenate([X,y],axis = 1)
df = pd.DataFrame(data,columns=['feature1','feature2','label'])
colors = {1:'red', 2:'blue', 3:'green'}
fig, ax = plt.subplots()
ax.scatter(df['feature1'], df['feature2'], c=df['label'].apply(lambda x: colors[x]))
plt.show()
生成测试分类数据,并且显示出来。为了以后的分类算法做准备。
根据不同的类别,显示不同的数据点颜色。全部代码如下。
from sklearn.datasets.samples_generator import make_blobs
from matplotlib import pyplot
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# generate 2d classification dataset
f11=np.random.uniform(0,5,25)
f12=np.random.uniform(5,10,20)
f13=np.random.uniform(10,15,18)
f14=np.random.uniform(0,5,33)
f15=np.random.uniform(5,10,23)
f16=np.random.uniform(10,15,7)
f17=np.random.uniform(0,5,10)
f18=np.random.uniform(5,10,11)
f19=np.random.uniform(10,15,26)
f1=np.concatenate((f11,f12,f13,f14,f15,f16,f17,f18,f19))
f21=np.random.uniform(0,5,25)
f22=np.random.uniform(0,5,20)
f23=np.random.uniform(0,5,18)
f24=np.random.uniform(5,10,33)
f25=np.random.uniform(5,10,23)
f26=np.random.uniform(5,10,7)
f27=np.random.uniform(10,15,10)
f28=np.random.uniform(10,15,11)
f29=np.random.uniform(10,15,26)
f2=np.concatenate((f21,f22,f23,f24,f25,f26,f27,f28,f29))
X=np.vstack((f1, f2)).T
y1=np.full((25, 1), 1)
y2=np.full((20, 1), 2)
y3=np.full((18, 1), 2)
y4=np.full((33, 1), 2)
y5=np.full((23, 1), 3)
y6=np.full((7, 1), 3)
y7=np.full((10, 1), 3)
y8=np.full((11, 1), 1)
y9=np.full((26, 1), 1)
y=np.concatenate((y1,y2,y3,y4,y5,y6,y7,y8,y9))
print("y´s shape is :"+str(y.shape))
print("x´s shape is :"+str(X.shape))
data = X=np.concatenate([X,y],axis = 1)
df = pd.DataFrame(data,columns=['feature1','feature2','label'])
colors = {1:'red', 2:'blue', 3:'green'}
fig, ax = plt.subplots()
ax.scatter(df['feature1'], df['feature2'], c=df['label'].apply(lambda x: colors[x]))
plt.show()
✋热门推荐