精华内容
下载资源
问答
  • 整个圆饼代表数据的总量;每个区域表示该分类占总体的比例大小;所有区块的加和等于100%饼图缺点饼图不适合用于多分类的数据,原则上不可多于9个分类;相比具备同样功能的其他图表(百分比堆积图、圆环图),饼图需要...

    e1eb011b77017264053a7b11213a2865.png

    饼状图系列

    饼图(pie chart)

    • 广泛应用各个领域,用于表示不同分类的占比情况;

    • 通过弧度大小对比各种分类;

    • 饼图是将一个圆饼按照分类的占比划分成多个区块;

    • 整个圆饼代表数据的总量;

    • 每个区域表示该分类占总体的比例大小;

    • 所有区块的加和等于100%

    饼图缺点

    • 饼图不适合用于多分类的数据,原则上不可多于9个分类;

    • 相比具备同样功能的其他图表(百分比堆积图、圆环图),饼图需要占据更大画布空间;

    • 当很难对多个饼图之间的数值进行比较,可以使用百分比堆积图替代;

    • 不适合多变量的连续数据的占比可视化,可以使用百分比堆积面积图展示数据;

    排序问题

    • 绘制饼图前一定注意把多个类别按一定的规则排序,不建议按顺时针方向展示;

    • 阅读饼图就如同阅读钟表一样,人们自然会从12点位置开始顺时针往下阅读;

    • 如果数据大占比超过50%,推荐将饼图的最大部分放置在12点位置右边;

    • 再将第二大占比部分放置在12点位置左边;

    • 剩余的类别则按逆时针方向放置;

    绘制饼图

    • matplotlib包中的pie()函数可以绘制饼图;

    • 绘制前要先对数据进行降序处理;

    • 再使用pie()函数绘制饼图;

    • 最后使用annotate()函数添加引导线;

    饼图1

    import pandas as pd

    import numpy as np

    import matplotlib.pyplot as plt

    from matplotlib import cm,colors

    #a

    df=pd.DataFrame(dict(labels =['LVS','SJM','MCE','Galaxy','MGM','Wynn'],

    sizes = [24.20,75.90,12.50,12.30,8.10,12.10]))

    df=df.sort_values(by='sizes',ascending=False)

    df=df.reset_index()

    index=np.append(0,np.arange(df.shape[0]-1,0,-1))

    df=df.iloc[index,:]

    df=df.reset_index()

    cmap=cm.get_cmap('Reds_r',6)

    color=[colors.rgb2hex(cmap(i)[:3]) for i in index ]

    fig, ax = plt.subplots(figsize=(6, 3), subplot_kw=dict(aspect="equal"))

    wedges, texts = ax.pie(df['sizes'].values,

    startangle=90, shadow=True, counterclock=False,colors=color,

    wedgeprops =dict(linewidth=0.5, edgecolor='k'))

    bbox_props = dict(boxstyle="square,pad=0.3", fc="w", ec="k", lw=0.72)

    kw = dict(xycoords='data', textcoords='data', arrowprops=dict(arrowstyle="-"),

    bbox=bbox_props, zorder=0, va="center")

    for i, p in enumerate(wedges):

    print(i)

    ang = (p.theta2 - p.theta1)/2. + p.theta1

    y = np.sin(np.deg2rad(ang))

    x = np.cos(np.deg2rad(ang))

    horizontalalignment = {-1: "right", 1: "left"}[int(np.sign(x))]

    connectionstyle = "angle,angleA=0,angleB={}".format(ang)

    kw["arrowprops"].update({"connectionstyle": connectionstyle})

    ax.annotate(df['labels'][i], xy=(x, y), xytext=(1.2*x, 1.2*y),

    horizontalalignment=horizontalalignment,

    arrowprops=dict(arrowstyle='-'))

    plt.show()

    饼图2

    import pandas as pd

    import numpy as np

    import matplotlib.pyplot as plt

    from matplotlib import cm,colors

    #-

    df=pd.DataFrame(dict(labels =['LVS','SJM','MCE','Galaxy','MGM','Wynn'],

    sizes = [24.20,75.90,12.50,12.30,8.10,12.10]))

    df=df.sort_values(by='sizes',ascending=False)

    df=df.reset_index()

    cmap=cm.get_cmap('Reds_r',6)

    color=[colors.rgb2hex(cmap(i)[:3]) for i in range(cmap.N) ]

    fig, ax = plt.subplots(figsize=(6, 3), subplot_kw=dict(aspect="equal"))

    wedges, texts = ax.pie(df['sizes'].values,

    startangle=90, shadow=True, counterclock=False,colors=color,

    wedgeprops =dict(linewidth=0.5, edgecolor='k'))

    bbox_props = dict(boxstyle="square,pad=0.3", fc="w", ec="k", lw=0.72)

    kw = dict(xycoords='data', textcoords='data', arrowprops=dict(arrowstyle="-"),

    bbox=bbox_props, zorder=0, va="center")

    for i, p in enumerate(wedges):

    print(i)

    ang = (p.theta2 - p.theta1)/2. + p.theta1

    y = np.sin(np.deg2rad(ang))

    x = np.cos(np.deg2rad(ang))

    horizontalalignment = {-1: "right", 1: "left"}[int(np.sign(x))]

    connectionstyle = "angle,angleA=0,angleB={}".format(ang)

    kw["arrowprops"].update({"connectionstyle": connectionstyle})

    ax.annotate(df['labels'][i], xy=(x, y), xytext=(1.2*x, 1.2*y),

    horizontalalignment=horizontalalignment,

    arrowprops=dict(arrowstyle='-'))

    plt.show()

    展开全文
  • 局部特征融合为全局特征笔记

    千次阅读 2018-03-29 20:46:00
    图像特征分为全局特征和局部特征两种,其中全局特征代表了图像的整体表现特性,比如颜色直方图,而局部特征代表了图像的局部特性,往往能够从一幅图片中提取出若干个数量不等的局部特征, 这些局部特征组合起来代表...

    图像特征分为全局特征和局部特征两种,其中全局特征代表了图像的整体表现特性,比如颜色直方图,而局部特征代表了图像的局部特性,往往能够从一幅图片中提取出若干个数量不等的局部特征,
    这些局部特征组合起来代表了整幅图像的特征分布。其中局部特征提取算法(比如SIFT)提取出来的局部特征称为描述子,比如SIFT描述子的维度为128,那么如果从一张图像中提取出m个描述子,
    该幅图像的描述子矩阵为m*128。每一张图片提取出的局部特征数可能是不同的,那么我们需要将这些不同数目的描述子融合成一个特征向量(假设维度为n)来表征整个图像,这样一张图片就可以用一个1*k
    的向量来表征。这样做后就可以方便的实现图片检索,分类任务。

    其中将局部特征融合为图片全局特征表示需要一个模型来转化。

    BOW
    其中源自文本分类领域的词袋模型(BOW)被应用于此就是一个很成功的应用案例。词袋模型通过对局部特征描述子进行聚类得到视觉单词,有了视觉单词就可以很方便地构建视觉词典。BOW典型的做法是计算图片所有描述子映射到离描述子最近的视觉单词,通过计算视觉单词词频来表征图片特征,其中这儿可以类似文本分类算法计算视觉单词的权重系数(IDF
    inverse document frequency)来优化特征向量,还可以进行正则化(L2正则)。BOW得到的特征向量维度和视觉词典大小有关(也就是聚类中心数有关)

    Fisher vector
    fisher vector是通过fisher kernel计算。。。这儿fisher vector的计算过程很复杂,参考论文。
    其中VLFEAT提供了fisher vector的计算接口,可以得到2*D*K维的fisher vector向量,该向量就是将一张图片中
    的m*128维(假设用SIFT提取的特征)的描述子转化为一条表征整个图片的特征向量,最后得到的特征向量和BOW模型得到的特征向量是一样的效用。

    聚类分为hard,soft聚类

    hard聚类是非1即0型也就是说某个待聚类样本只能属于某个聚类中心,不属于其他聚类中心。(此方法的hard就这个感觉)

    soft聚类以概率表征待聚类样本属于哪个聚类中心,这也比较合理。(某些样本离某些聚类中心又不近又不远,用概率表示归属于哪个聚类中心也比较符合自然感受)

    典型的聚类算法有Kmeans,GMM等

    GMM算法主要采用EM算法来计算聚类中心,Kmeans类似

    EM算法可以说是用极大似然估计求参数估计的升级版本,EM算法是求得含有隐变量的利器,在求GMM算法的参数估计中发现样本标签算得上是隐变量了,EM求GMM参数估计的核心思路就是先初始化GMM参数值,计算在当前GMM参数下样本的聚类结果(分类结果,也就是求得了隐变量),该步骤称为E步骤。接下来再根据上面求得得样本标签(也就是隐变量)来求似然函数的极大参数估计,此步骤称为M步。接下来将M步求得的GMM参数计算E步,如此反复迭代,直到模型收敛且估计的参数不再有大变动。其中EM算法求得的GMM参数也可能是局部极值。

    参考python实现fv,vlad,bow https://github.com/jeromewang-github/computer_vision

    参考资料:论文,http://yongyuan.name/blog/CBIR-BoF-VLAD-FV.html

    展开全文
  • 我们详细介绍了双局部全息术中包含的基本成分,代表了一种构造方案,用于在Vectorial / AdS对偶中重建AdS整体理论。 到大量AdS和更高自旋场的显式映射被认为是通过双重傅里叶变换给出的。 通过集体行动明确指定所有...
  • 近年来, 智能机器人技术逐步成熟, 以目标识别为代表的机器视觉技术是其核心。现有目标识别算法通常先根据颜色信息分割场景, 再提取特征以识别目标。但对于颜色信息比较复杂的场景, 往往存在过分割现象, 影响后续目标...
  • t检验

    千次阅读 2019-05-31 10:56:57
    直接比较两个样本集的均值只能给出已知差异(描述统计学), 但是无法保证两个样本集所各自代表的整体也具有同样的差异, 因为结果可能是偶然性造成的(无法用局部代表整体). 要通过已知样本来理解整体, 需要用到推论...

    参考视频: StatsCast: What is a t-test?(需要梯子)

    t检验的目的

    t检验的目的是判断两个样本集某个属性的均值是否有显著差异

    为什么需要t检验

    直接比较两个样本集的均值只能给出已知差异(描述统计学), 但是无法保证两个样本集所各自代表的整体也具有同样的差异, 因为结果可能是偶然性造成的(无法用局部代表整体).
    要通过已知样本来理解整体, 需要用到推论统计学, t检验就是属于推论统计学的内容. t检验要通过样本数据, 得到样本所代表的整体之间的差异.

    t检验的分类

    单样本t检验

    适用于一个样本群体某种属性的均值与某个特定值的比较;例如实验中,对做某种处理的一组小白鼠的体重与正常小白鼠体重(已知值)比较

    两独立样本 T 检验

    前提:先进行方差的齐性检验
    若方差相同,则使用同方差检验
    若方差不同,则使用异方差检验

    适用于两个相对独立的群体某个相同属性均值的比较,比如男性、女性群体的身高比较。

    成对样本 T 检验

    适用于对同一组样本两次测量的均值比较,例如同一年级学生的两次考试.

    t检验的两个指标: t值与p值的理解

    t=t = \frac{样本之间的方差}{样本内部的方差}t越大, 说明两个样本集之间差异就越大, 反之差异越小. 如果样本集的数据点越分散(样本内部方差大), 越难判断样本集间的差异大小.

    但得到的t值只是已知样本集之间的差异大小, 这个t值能有多大的置信度代表整体之间的差异? 这由p值来表示.

    p值: p值是指 (t所代表的样本集之间的差异可能是由随机数据导致的) 的概率大小. 换言之, p值是量化表示 样本集之间的差异是真实差异 还是 偶然因素造成的.

    例如, p=0.05, 表示有5%的可能性t所代表的这种差异是随机因素造成的. 换言之, 就是有5%的可能性两个样本集所代表的整体之间是完全一样的.

    一般设置p=0.05为阈值, 当p小于0.05时, 认为两个样本集所表示的整体之间有显著差异. 就是说, 如果p=0.01, 这种差异是随机因素造成的的概率只有1%, 99%的概率可能是真实差异, 概率足够大, 我们就认为是有显著差异的.

    注意: p值的计算公式里是除以了t值的, 表示是在同样的t值差异下来量化p所代表的概率.

    应用t检验的一些限制

    1. 样本和整体应该是正态分布的, 离均值越远的比例越低, 否则p值可能不准确.
    2. 两个样本集的数量应该是相等的. 不相等的样本集可能导致结果不准确.
    3. 样本集内部每个样本之间应该是相互独立的, 不会相互影响.

    如何写t检验的结果

    两独立样本t检验被应用于确定xx减肥药的效果, t(99) = 0.33, p = 0.37, 发现两组人群体重没有显著差别(实验组M=60, 对照组M=62).
    注: 99表示自由度, 为样本数量-1, 所以可知样本数量为100人; M表示实验组和对照组的体重均值.

    展开全文
  • 指的是局部代表整体的几何学,实际上在现实生活中也有很多应用,比如说,外面飘的雪花就是一个例子,雪花,如果你仔细看的话,你会发现,它的每一个角的形状与它整体的形状很接近,这就是分形几何。 下面给出今天的...

    科赫曲线 属于分形几何的范畴。指的是局部代表整体的几何学,实际上在现实生活中也有很多应用,比如说,外面飘的雪花就是一个例子,雪花,如果你仔细看的话,你会发现,它的每一个角的形状与它整体的形状很接近,这就是分形几何。
    下面给出今天的实例8:绘制科赫曲线小雪花的代码,主要用到的是递归思想与函数

    #科赫曲线小雪花
    import turtle as t
    def koch(size,n):
        if n == 0:
            t.fd(size)
        else:
            for angle in [0,60,-120,60]:
                t.left(angle)
                koch(size/3,n-1)
    def main():
        t.setup(600,600)
        t.pu()
        t.goto(-200,100)
        t.pd()
        t.pensize(2)
        level = 3
        koch(400,level)
        t.right(120)
        koch(400,level)
        t.right(120)
        koch(400,level)
        t.hideturtle()
    main()
        
    
    

    感兴趣的话,你可以安装第三方库函数pyinstaller,对这段代码进行打包,这样就更完美了呦…

    展开全文
  • k-中心点 基于代表的划分概述算法整体算法损失计算优化优点缺点讨论实现 概述 在 k-means, 我们使用了基于形心(簇均值)来对数据进行划分, 也讨论了 k-means 的初始值选取之重要, 若选得不好, 很容易陷入局部最优解的...
  • 面向过程的思想:当需要实现一个功能的时候,看中的是每一个步骤怎么做,整体的过程是怎么样的,每个操作都需要亲力亲为。 面向对象的思想:当需要实现一个功能的时候,不看重具体的过程与步骤,只关系谁可以帮我做...
  • 在数字手写体识别中,LeNet-5卷积神经网络框架是每一个深度学习入门新手都必须要掌握的基本框架... S层是一个下采样层,利用图像局部相关性的原理,对图像进行子抽样,可以减少数据处理量同时保留有用信息。下面针对每
  • 算法第四章作业

    2018-12-02 19:21:00
    如果局部最优并不代表整体最优的话,那么贪心算法就失去了作用。印象特别深的是上课时老师举了收银员找钱的例子。当货币面额为1,2,5的时候,找6块钱是可以使用贪心算法(即局部最优代表整体最优)的。但是,当货币...
  • 我对接口与抽象类的理解

    千次阅读 2011-02-20 00:43:00
    接口是从对象的局部特征或者功能来进行的,但它并不代表对象。因此类表述的是一种“是(IS)”的概念,而接口表述的是一种“具有”或者“拥有”(HAS)的概念。至于抽象的概念,严格的讲,在这个层次上,类本身就是一...
  • 该方法在所有未超过阈值的对象中选择具有最大全局值的对象作为代表,通过调整因子使得代表对象调整后的局部值在每个节点上看来都是最大,因此只需对代表对象进行持续监控即可保证正确性;将多个对象的持续监控变为对...
  • 偏微分是描述的局部细微变化,全微分整体上细微的变化,这里微分对应:细微变化,偏和全代表局部整体。应用在生活或者工业生产就是偏微分:单个条件对变化产生的影响。 全微分方程辨别;分别求偏导相等就是全...
  • 策略思维 mobi

    2018-04-02 00:29:10
    囚徒困境是非零和博弈中具有代表性的例子,反映了个人最佳选择并不是团体最佳选择(接触过编码的同学在解决最优路径的问题的时候经常会使用局部最优来促使整体最优的方法,但其实大家都了解经常不会得到整体最优的...
  • 贪心算法介绍与使用

    千次阅读 2016-05-08 20:23:01
    对于有些问题局部最优不能代表整体最优选择,是不能使用贪心算法,例如01背包问题. 贪心算法是自顶向下的方式分解各子问题, 用迭代的方式相继做出贪心选择, 每一次的选择的子问题再简化成规模更小的问题来选择。 ...
  • 我们这里遵从先外向里的原则,先局部整体的原则吧。首先看看他的整体的结构吧!如图所示: 这里没有用分层的概念,而是一个文件夹代表了一个层。层确实蛮多的,但是与这个有关的核心的文件夹只有这几个Images...
  • 常用算法总结

    2014-08-19 21:26:17
    通过局部尽可能达到最优(贪婪的名字由来), 从而实现整体的最优, 贪婪算法不一定总是正确的, 因为每个局部最优并不代表整体最优, 但是在某些时候, 它是正确. 例如: 为了找出找出17美元61美分(用最少的纸币), 肯定是...
  • 5. 最长回文子串 ...看了视频,感觉动态规划方法是局部整体,逐步转移。 int j = i + l;这个体现了逐步转移。 dp[i + 1][j - 1],这个代表除去首尾的其他字符的动态规划表格值,i + 1代表下一行,j - 1代表.
  • 比如客户端写入的数据并不直接写入磁盘,而是写入到这一段物理内存中即代表已经写完,这样由内存本身的高速读写性能是能够提升系统整体io性能。 基本管理单位:页 原理: 页高速缓存的淘汰原理是根据:时间局部原理...
  • 链栈其实也是线性表的单链表,只不过它是只能栈顶进出元素(线性表的表尾),我们看一下单链表和链栈的UML类图,LinkedList与LinkedStack是聚合关系,聚合关系是关联的一种形式,代表两个类之间的整体/局部关系。...
  • 1.依赖关系:体现为局部变量,方法参数,静态方法的调用 2....合成关系:比聚合更强的关联关系,代表整体的部分负责代表部分的对象的生命周期,合成 关系是不能共享的。例如:人和四肢。
  • 《阿里铁军》感悟

    千次阅读 2018-08-25 07:44:24
    珍惜帮你扫街的人,是他们建立了最难得的第一桶信誉。 1....局部信誉到整体信誉–上市,支付宝,体量增大。 5.阿里为什么转型做一家科技科研公司。科技代表生产力,代表力量,科技代表未来,...
  • 数组

    2016-10-31 16:44:30
    1 数组的形式 数据类型 数组名[整数]; 2 分为定义行:中括号中整数代表...4 数组是不能进行整体操作的,包括:不能整体输入输出,不能整体赋值,不能整体比较。 5 数组的初始化 eg: int a[3]={1,2,3} 局部初始化
  • 北京3dmax培训课程:学习3D MAX的操作知识、技巧及在室内设计领域中应用,并详细讲述多种有代表性室内设计部件绘制及局部整体效果图的绘制,深入学习三维效果图的制作概念、软件的学习技巧和工作方向 重点是通过对...
  • 卷积

    2019-04-15 11:43:38
    卷积核:可以看作对某个局部的加权求和,它是对应局部感知,它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体,而是先从局部开始认识,这就对应了卷积。卷积核的大小一般有1x1,3x3和5x5的尺寸。...
  • 工厂模式总结

    2017-06-04 17:30:00
    一. Builder模式 用于构建复杂对象,将复杂对象的构建与表示分离。主要对象有Director导向器,Builder生成器,最终要生成的...Director代表整体的全局表示,Builder代表每一个局部对象的构建。 2.生成的最...

空空如也

空空如也

1 2 3 4 5
收藏数 100
精华内容 40
关键字:

局部代表整体