精华内容
下载资源
问答
  • 2019-08-15 22:57:08

    之前的文章是《入门操作:创建画布/调整子图/创建“AXES轴域”》:link.
    本文将介绍“折线图”相关内容


    plt.plot()函数中的参数非常多,书写参数的方式也不同,下面列出几种常见的参数书写形式:
    (1)plot(X,Y)
    (2)plot(X,Y,LineSpec)
    (3)plot(___,Name,Value)

    其中(2)和(3)是两种设置线型,符号,颜色等参数的不同方式;区别在于(2)中的LineSpec参数只有三部分内容(线型,数据标记符号和颜色,且线点颜色不能区分),而(3)中的“Name,Value”参数则可以分别定义各个“Name”的值(可以设置的内容更多)

    • LineSpec参数描述:一个字符串,分别表示线型、标记和颜色
      在这里插入图片描述
      在这里插入图片描述
      在这里插入图片描述
    • Name,Value参数描述(不区分大小写):

    (1) ‘Color’ - 线条颜色
    (2)‘LineStyle’ - 线型
    (3)‘LineWidth’ - 线条宽度,默认值0.5
    (4) ‘Marker’ - 标记符号
    (5)‘MarkerSize’ - 标记大小
    (6)‘MarkerEdgeColor’ - 标记轮廓颜色
    (7)‘MarkerFaceColor’ - 标记填充颜色

    • 画一组数据

    (1)XY值分别是一个点:直线

    # 两点直接的直线
    from matplotlib import pyplot as plt
    plt.plot([1,2],[8,9])
    plt.show()
    

    (2)XY值分别是一个向量,要求长度一致:折线

    # 一条折线,由(X1,Y1),(X2,Y2)画到(Xn,Yn)
    from matplotlib import pyplot as plt
    X = [0, 1, 2, 3, 4, 5, 6]
    Y = [10, 12, 12, 10, 14, 22, 24]
    plt.plot(X, Y)
    plt.show()
    
    • 画多组数据

    (1)X是一个矩阵(n*m),Y是一个向量(n个元素):m条折线,使用相同的Y值,对应不同的X

    解释:这听起来可能有点绕,但是我们可以想像成多组X值,和一组Y值,即:
    X1=(x1,x2,x3,x4,x5…)
    X2=(x1,x2,x3,x4,x5…)
    X3=(x1,x2,x3,x4,x5…)
    Y = (y1,y2,y3,y4,y5…)
    分别使用plt.plot()函数画:(X1,Y),(X2,Y),(X3,Y)
    不同的是,我们只是将X1,X2,X3以列的方向写成矩阵的形式

    from matplotlib import pyplot as plt
    X = [[0,1,4],[3,5,7],[4,7,10],[6,10,15]]
    Y = [0,1,2,3]
    plt.plot(X,Y)
    plt.show()
    

    在这里插入图片描述
    (2)X是一个矩阵(nm),Y也是一个矩阵要求大小一致(nm):列列对应,m条折线

    from matplotlib import pyplot as plt
    X = [[6,10,15],[3,5,7],[8,7,10]]
    Y = [[2,1,3],[9,2,6],[7,3,9]]
    plt.plot(X,Y)
    plt.show()
    

    在这里插入图片描述

    • 给多组数据添加解释图标
    # 两个参数:一个以字符串为元素的列表(有几组内容列几个名字);图标显示的位置
    # !!!需要注意的是,多组数据的操作实际上都是通过Y来标记X的列,所以命名数据标示时,名字应该就是X矩阵中的每列的名称
    plt.legend(['Column1', 'Column2'...], loc=6,fontsize=12)
    
    # 其中loc参数含义:
    	0	best
    	1	upper right
    	2	upper left
    	3	lower left
    	4	lower right
    	5	right
    	6	center left
    	7	center right
    	8	lower center
    	9	upper center
    	10	center
    
    • 放大折线图的部分样子
    #  plt.axis([min_x,max_x,min_y,max_y])两轴展示最小值到最大值之间的图形
    
    x = [0, 1, 2, 3, 4]
    y = [0, 1, 4, 9, 16]
    plt.plot(x, y)
    plt.axis([0, 3, 2, 5])
    plt.show()
    
    # 设置坐标轴边界 xlim ylim
    plt.xlim(min_x, max_x)
    plt.ylim(min_y, max_y)
    
    • 阴影:plt.fill_between()函数

    其中单个必填参数,一个选填参数:
    (1)X轴
    (2)y轴的下限:设置阴影区域的底部
    (3)y轴的上限:设置阴影区域的顶部
    (4)alpha = n :取之在(0,1)表示阴影的透明度

    from matplotlib import pyplot as plt
    
    months = range(12)
    month_names = ["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep", "Oct", "Nov", "Dec"]
    revenue = [16000, 14000, 17500, 19500, 21500, 21500, 22000, 23000, 20000, 19500, 18000, 16500]
    
    plt.plot(months,revenue)
    ax=plt.subplot()
    ax.set_xticks(months)
    ax.set_xticklabels(month_names)
    
    y_lower=[i-0.1*i for i in revenue]
    y_upper=[i+0.1*i for i in revenue]
    plt.fill_between(months,y_lower,y_upper,alpha=0.2)
    
    plt.show()
    

    在这里插入图片描述

    更多相关内容
  • ![图片说明]... js代码是这样的!... ...[图片说明](https://img-ask.csdn.net/upload/201804/09/1523252398_891616.png)是没有别的东西的 为啥就来了一个undefined了呢 求大神指教指教
  • 摘要:本文对机器学习中的UCI数据集进行介绍,带你从UCI数据集官网出发步步深入认识数据集,并就下载的原始数据详细讲解了不同类型的数据集整理如何通过程序进行整理。为了方便使用,博文中附上了包括数据集整理及...

    介绍图
    摘要:本文对机器学习中的UCI数据集进行介绍,带你从UCI数据集官网出发一步步深入认识数据集,并就下载的原始数据详细讲解了不同类型的数据集整理如何通过程序进行整理。为了方便使用,博文中附上了包括数据集整理及数据预处理在内的所有代码及处理好的数据集,同时对代码进行了解释,其要点如下:

    点 击 跳 转 至 博 文 涉 及 的 全 部 文 件 下 载 页 \color{#4285f4}{点}\color{#ea4335}{击}\color{#fbbc05}{跳}\color{#4285f4}{转}\color{#34a853}{至}\color{#ea4335}{博}\color{#4285f4}{文}\color{#ea4335}{涉}\color{#fbbc05}{及}\color{#4285f4}{的}\color{#34a853}{全}\color{#ea4335}{部}\color{#fbbc05}{文}\color{#4285f4}{件}\color{#34a853}{下}\color{#ea4335}{载}\color{#fbbc05}{页}


    前言

       U C I \color{#4285f4}{U}\color{#ea4335}{C}\color{#fbbc05}{I}\color{#4285f4} UCI数据集作为机器学习算法比较中的绝对经典经常出现在大多数论文或研究中。为了验证机器学习算法性能,UCI数据集通常用作为通用数据集,但官网提供的原始数据可能有格式不一致、缺失数据、包含特殊字符等问题,通常不能直接用于算法程序中,数据集的查找、下载、整理等可能会给初学者带来一定困扰。

    UCI官网配图
      对于数据集的查找整理确实是件费时费力的事情,是不是总有“论文就一篇,数据找半天”的问题?这里就来探讨下数据集整理的那些事。其实早前作者就写了一篇关于UCI数据集处理的博文:UCI数据集整理(附论文常用数据集)介绍了如何用程序整理数据集,这里会更加深入地介绍不同类型的数据集处理方法及数据预处理。本文较长建议结合右侧的目录阅读。


    1.UCI数据集介绍

      这一节先从UCI数据集官网出发介绍数据集的属性、格式等信息,在我的博文:UCI数据集整理(附论文常用数据集)中也有部分介绍,对数据集熟悉或想看数据处理代码干货的朋友也可以直接跳转至下一节。下面先看一下对UCI数据集的介绍。

    1.1 UCI数据集官网介绍

       U C I \color{#4285f4}{U}\color{#ea4335}{C}\color{#fbbc05}{I}\color{#4285f4} UCI(University of California Irvine)数据集是美国加州大学欧文分校提出的一种适合模式识别和机器学习方向的开源数据集,很多学者选择使用UCI上的数据集来验证自己所提算法的正确性。博文写作时已拥有488个数据集,数据集还在不断扩充中,这些数据集主要分为二值分类问题、多分类问题以及回归拟合问题。UCI数据集提供了各个数据集的上主要属性,可以根据自己提出的各类算法在其数据集上做实验结果论证,证明自己所提算法的合理性。
    uci官网
    UCI数据集官网地址:https://archive.ics.uci.edu/ml/index.php
    UCI数据集数据地址:https://archive.ics.uci.edu/ml/datasets.php

      我在下图所示的UCI数据集官网截图中对其页面主要部分进行了标注,可以看出主页中主要包括了数据集页面入口、最新数据集、经典数据集及数据集的最近消息等。数据集页面入口提供了进入官网查看全部数据集的链接,为了方便用户查找在「最新数据集」和「经典数据集」区域整理了最新收录以及引用最多的几个数据集。如果只是简单测试下代码,直接点击页面上提供的数据集链接下载几个数据集就可以了,如果还需要更多数据集那就进入数据集页面入口,该页面发布有全部的数据集。

    首页介绍
      下图(图中页面已翻译)所示的全部数据集页面是一个按类型排列的数据表,可以按照数据集名称、任务类型、属性类型、数据类型等进行排列查找,点击想要的数据集链接可进入该数据集详情页。值得注意的是,右上角有一个搜索框,用户可以通过输入数据集名字搜索数据集,不过比较可惜亲测下来该搜索在没有外网VPN的加持下可能不能打开网页 (当然不能用的还有搜数据集的利器——谷歌数据集搜索)。
    在这里插入图片描述
      现在以官网数据集页面中的Adult(成年人收入)数据集为例,介绍以下数据集详情页面,点击链接进入Adult数据集页面,页面主要情况如下图1.1.1所示。对于需要特别关注的地方我已经用红色标记,主要包括数据集下载页面链接、数据集说明下载链接、数据量、属性数、是否确实数据及属性信息。当然其他的信息不可说没有必要,当我们要选用某个数据集进行测试时,了解更多的相关信息有助于更好根据数据情况对算法做出调整。页面最后面的相关论文和引用文献也能帮助了解专业情况。

    adult数据集页面

    图1.1.1 Adult数据集页面

    这里对上面提及的几个重要部分做个简介:

    • 数据量(Number of Instances):或称实例数,表示数据集有多少行数据。
    • 属性数(Number of Attributes):表示数据集每行有多少个特征属性,决定了数据集复杂程度。
    • 属性信息(Attribute Information):这里介绍了数据集的分类类别,及每个属性表示的意义。例如上图数据集中介绍了成年人收入的两种分类类别:> 50K, <= 50K,属性情况:年龄、工作类别、教育程度等14个属性。
    • 是否缺失数据(Missing Values):这体现了数据集中是否有某些数据缺失,如有缺失,则应特别注意在数据处理时需要补充数据或删除无效数据。
    • 属性类型(Attribute Characteristics):一般有Categorical(类别型), Integer(整数型), Real(实数型)这三种。值得注意的是,如果这一栏中有Categorical型表示该数据集中可能会包含字符串,处理数据时需要用对应数字代替。

    1.2 数据集文件认识

    下载链接
      如上图所示,点击Data Folder进入Adult数据集文件下载目录页面,可以看到该数据集的文件目录如下图所示。点击下载链接即可下载该数据集,Adult数据集已经划分好训练和测试数据集(一般的数据集未划分则只有一个数据文件),所以这里需要分别下载下图所示的两处文件,如下在链接上右键,点击“链接另存为”即可下载文件。

    数据集下载
      上面下载的文件格式类型为data型,该文件在MATLAB中可以直接打开(也可以右击选择打开方式为记事本打开),打开的文件内容如下图(加的红线分割左侧为属性,右侧为标记):

    Adult文件内容

    图1.2.1 Adult文件数据详情

      可以看到文件中的数据中既有英文字符串又有整数,果然同前面介绍页中的“属性类型”显示的那样为Categorical型和Integer性。刚学习的朋友可能不太能明白这一堆数据里面到底是些什么,这一堆奇怪的数据真的能被算法直接计算吗?其实在上面一小节中已经有所提及,前面我们看到Adult数据集详情页面中“Attribute Information(属性信息)”那一栏(如图1.2.2)介绍的该数据集的类别有两个:> 50K, <= 50K,也就是收入超过50K和不超过50K两类。这说明每行最后面的那一栏是就标签,这实际是一个二分类任务的数据集,每行前面的14个数据分别是年龄、工作类别、教育程度等14个属性,如下图1.2.2:

    属性信息

    图1.2.2 Adult数据集属性信息

      再仔细看图1.2.1中的数据,结合图1.2.2可以知道每行的第一个属性表示的是年龄,它是个连续的整数型数据。而第二个属性为工作类别,它是一个英文字符串表示的字符型离散值,在整个数据集中这一属性实际可能取值是:Private, Self-emp-not-inc, Self-emp-inc, Federal-gov, Local-gov, State-gov, Without-pay, Never-worked这几个工作类别,也就是前面说的Categorical型,同样的还有第4,6,7…个属性表示的教育程度、婚姻状况、职业等等。这为我们后面用程序整理数据集提供了思路,既然是有限类别的,那我们就可以用类似1,2,3…这样的数字代替对应的英文字符串从而转化为一个纯数字的数据文件供算法程序使用了,后面一章将详细介绍。

      前面的图1.2.1中展示的是数据集前12行的数据,但如果我们再仔细浏览后面的数据还有一些值得注意的地方,如下图1.2.3标记的第15行数据。

    adult缺失数据信息

    图1.2.3 Adult数据集缺失数据部分

      该行数据的第14个属性表示为“?”意味着该处数据缺失,也就是国籍不详(第14个属性表示国籍),此外还有其他少数的几行有部分数据缺失。这和前面图1.1.1中的描述的“存在数据缺失”相符,数据缺失在机器学习中也很常见,因为数据的采集过程可能比较复杂,有些数据缺失在所难免。对于缺失的数据我们要做的也很简单,那就是“补上还能用的数据,或者删掉无效的数据”就可以了,下一章会详细讲述。

    存在缺失数据

    1.3 不同类型的UCI数据集

      上面两个小节以Adult数据集为例从头到尾介绍了一遍如何认识和理解数据集文件中的数据,读者应该对UCI数据集有了一个基本认识。其实Adult数据集算是一个比较“复杂麻烦”的数据集了,大多的数据集不会有那么多英文字符和数据缺失。大多的数据集属性为数字,类别标签可能是数字或英文字符,数据也比较完整是无需我们处理缺失数据的。在我的博文《UCI数据集整理(附论文常用数据集)》中也有介绍,有兴趣的可以点过去看一下。之所以说得这么复杂是因为这个数据集几乎包含了UCI数据集中的所有可能的“麻烦问题”。接下来简单列举总结下UCI数据集文件中数据的几种类型,这将决定了我们后面采用怎样的方式整理数据集。

      为了后面叙述方便,原谅我不太专业地根据文件中的数据是否部分包含英文字符、是否为纯数字、是否缺失数据将其分为三个难度:“纯数字、无缺失”,“部分英文字符、无缺失”,“部分or全部英文字符、有缺失”来分别介绍。当然还有“纯数字、有缺失”等组合,但是也可以参考第三种对缺失的处理方式,为了避免重复叙述这里就省略了。这三种情况的代表数据集有Glass数据集Abalone数据集Adult数据集,三个数据集的部分数据截图如下:

    glass数据集
    abalone数据集
    Adult数据集
      上面的三个数据集建议读者按照前面两小节的方法对照每个数据集详情页面上的介绍再研究一下,对于这三个数据集的介绍这里就不一一展开了,下面一节将以这三个数据集的整理为例讲述如何通过程序整理这三种数据集文件。


    2. 不同数据集的整理

      这一节就上节提到的UCI数据集中常见三种文件数据类型如何通过程序整理进行详细介绍。首先之所以需要整理数据集,是因为我们下载的UCI数据集文件常常可能含有英文字符串、缺失数据、存在无效数据等问题或者下载下来的数据集文件格式不一致导致我们无法通过统一的程序使用它。那么什么样的数据格式是我们想要的呢?

      还是以Adult数据集为例,其中的英文字符需要换成对应的数字表示,缺失的数据需要补充,另外数据集的分类标记:> 50K, <= 50K分别用数字> 0, 1代替并由最后一列移至首位(标记一般在数据首位,也可以放在末尾)。Adult数据集的原始数据文件与整理完成后的数据文件对比如下图所示:

    adult原始数据

    图2.1 Adult数据集原始数据

    Adult整理后的数据

    图2.2 Adult数据集整理后的数据

      很明显整理后的数据干净整洁、易于读取,而且在部分属性特征上更加适合机器学习算法处理,其中每行数据的第一个数字为分类标记。类似图2.2正是我们需要的数据格式,为了统一使用方便,博文中的数据集都整理为这种形式。接下来从易到难分别介绍“纯数字、无缺失”,“部分英文字符、无缺失”,“部分or全部英文字符、有缺失”三种情况下的数据如何通过程序整理,以下部分全部采用 M a t l a b \color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b} Matlab编程实现。

    2.1 “纯数字、无缺失”数据集

      以Glass数据集为例,首先在Glass数据集下载页下载Glass原始数据集,其数据文件部分数据如下图所示。其特点为纯数字,无缺失和特殊数据因此无需特殊处理技巧。由Glass数据集详情页上的介绍,该数据集为一个分类数为6,属性数为9的数据集。

    glass数据集
      在下载的数据文件存放路径处新建 M a t l a b \color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b} Matlab程序,创建一个命名为main.m的文件,并在编辑器键入如下代码:

    % glass
    % author: wuxian, website: https://wuxian.blog.csdn.net
    clear;
    clc;
    
    data_name = 'glass';
    fprintf('开始处理数据集: %s ...\n', data_name);
    
    n_entradas= 9; % 属性数
    n_clases= 6; % 类别数
    n_patrons(1)= 214; % 数据量(行数)
    n_fich= 1;
    fich{1}= 'glass.data'; % 文件路径名
    
    n_max= max(n_patrons);
    x = zeros(n_fich, n_max, n_entradas); % 用于存放提取出的属性数据
    cl= zeros(n_fich, n_max);             % 用于存放数据标签
    
    n_patrons_total = sum(n_patrons); % 用于显示进度
    n_iter=0;
    
    for i_fich=1:n_fich
        f=fopen(fich{i_fich}, 'r'); % 打开文件
        if -1==f
            error('打开数据文件出错 %s\n', fich{i_fich});
        end
        
        for i=1:n_patrons(i_fich) % 循环对每行数据进行处理
            n_iter=n_iter+1;
            fprintf('%5.1f%%\r', 100*n_iter/n_patrons_total); % 显示处理进度
            
            fscanf(f,'%i',1); % 第一个数字为序号,无需记录
            for j = 1:n_entradas
                temp=fscanf(f, ',%f',1); % 读取下一个数据,以逗号分隔
                x(i_fich,i,j) = temp;    % 保存一个数值到x
            end
            t=fscanf(f,',%i',1);
            if t >= 5  % 原数据标记中没有5,所以后面标号需要-1
                t = t - 1;
            end
            
            cl(i_fich,i) = t - 1;  	% 原标记从1开始,改为从0开始
        end
        fclose(f);% 关闭文件
    end
    
    
    %% 处理完成,保存文件
    fprintf('现在保存数据文件...\n')
    data = squeeze(x); % 数据
    label = cl';% 标签
    dataSet = [label,data];
    dir_path=['./预处理完成/',data_name];
    if exist('./预处理完成/','dir')==0   %该文件夹不存在,则直接创建
        mkdir('./预处理完成/');
    end
    saveData(dataSet,dir_path); % 保存文件至文件夹
    fprintf('预处理完成\n')
    
    
    %% 子函数,用于保存txt/data/mat三种类型文件
    function saveData(DataSet,fileName)
    % author:wuxian
    % DataSet:整理好的数据集
    % fileName:数据集的名字
    
    %% Data为整理好的数据集矩阵
    mat_name = [fileName,'.mat'];
    save(mat_name, 'DataSet')  % 保存.mat文件
    data_name = [fileName,'.data'];
    save(data_name,'DataSet','-ASCII'); % 保存data文件
    
    % 保存txt文件
    txt_name = [fileName,'.txt'];
    f=fopen(txt_name,'w');
    [m,n]=size(DataSet);
    for i=1:m
        for j=1:n
            if j==n
                if i~=m
                    fprintf(f,'%g \n',DataSet(i,j));
                else
                    fprintf(f,'%g',DataSet(i,j));
                end
            else
                fprintf(f,'%g,',DataSet(i,j));
            end
        end
    end
    fclose(f);
    
    % save iris.txt -ascii Iris
    % dlmwrite('iris.txt',Iris);
    end
    

      以上程序代码的思路是提取每行中每个数据的属性和标签分别保存到与x, cl两个矩阵中,然后通过调用子函数saveData( )保存数据为txt, data, mat格式文件。数据提取的过程是通过遍历每行数据,利用fscanf( )函数逐个读取每个逗号分隔的数据,最后在第52行将得到的属性和标签合并成一个矩阵并将标签放在第一列。运行程序后整理好的文件将保存在“预处理完成”的文件夹中,保存的文件及整理后的数据如下:

    保存文件与整理好的数据
    以上整理好的数据集第一列为标签(取值有0, 1, 2, 3, 4, 5),其余列为属性并与原数据集一致。

    2.2 “部分英文字符、无缺失”数据集

      相比前一小节中纯数字的原始数据集,最为常见的数据恐怕还是部分带一些英文字符的了。有些数据集的某些特征取值为有限个数的离散值,例如Abalone数据集,从Abalone数据集下载页下载该数据集,打开部分数据如下图所示:

    abalone数据集

      从上图数据中可以看出只有第一列的属性为英文字符,其它属性都是数字,根据Abalone数据集详情页上的介绍,该数据集的第一列属性是鲍鱼的性别,有雄性(M)、雌性(F)及幼期(I)三个取值,所以这里需将第一个属性中的英文字符“M, F, I”分别用数字“-1, 0, 1”代替。

      另外该数据集要预测的物理量是鲍鱼的年龄,原始数据集年龄那一列数据(最后一列)实际为连续取值,在该数据集的“属性信息”中有介绍到该数据集既可以作为连续值预测也可以用于分类任务。所以这里在处理Abalone数据集的标签时需要将连续数值离散化,我们可以根据鲍鱼年龄age的取值分为:“ a g e < 9 , 9 < a g e < 11 , a g e > 11 age<9, 9<age<11, age>11 age<9,9<age<11,age>11”三类,分别用数字“-1, 0, 1”表示。这是针对这一单个数据集而言的,如果数据集标签本身就是可以直接用于分类的,就无需进行离散化了。

      按照上面的分析,处理这种数据集时我们只需替换第一列英文字符并将最后一列的标签离散化。在下载的数据文件存放路径处新建 M a t l a b \color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b} Matlab程序,创建一个命名为main.m的文件,并在编辑器键入如下代码:

    %% abalone
    % author: wuxian, website: https://wuxian.blog.csdn.net
    clear;
    clc;
    data_name = 'abalone';
    fprintf(['处理数据集: ',data_name,'abalone 原始数据 ...\n']);
    fich= [data_name,'.data'];
    
    n_entradas= 8; % 属性数
    n_clases= 3;  % 分类数
    n_fich= 1; % 数据集个数
    n_patrons= 4177; % 数据量(行数)
    
    x = zeros(n_patrons, n_entradas); % 用于存放提取出的属性数据
    cl= zeros(1, n_patrons);% 用于存放数据标签
    
    f=fopen(fich, 'r');% 打开文件
    if -1==f
        error('打开文件出错 %s\n', fich);
    end
    for i=1:n_patrons % 循环对每行数据进行处理
        
        fprintf('%5.1f%%\r', 100*i/n_patrons(1));% 显示处理进度
        
        t = fscanf(f, '%c', 1); % 读取一个字符数据
        switch t % 将对应字符替换为数字
            case 'M'
                x(i,1)=-1;
            case 'F'
                x(i,1)=0;
            case 'I'
                x(i,1)=1;
        end
        
        for j=2:n_entradas
            fscanf(f,'%c',1); % 中间有分隔符,后移1个位置
            x(i,j) = fscanf(f,'%f', 1);% 依次读取这一行所有属性
        end
        
        fscanf(f,'%c',1); 
        t = fscanf(f,'%i', 1); % 读取最后的标记值
        % 根据范围将连续的标记值离散化为三类
        if t < 9
            cl(1,i)=0;
        elseif t < 11
            cl(1,i)=1;
        else
            cl(1,i)=2;
        end
        fscanf(f,'%c',1);
        
    end
    fclose(f);
    
    %% 处理完成,保存文件
    fprintf('现在保存数据文件...\n')
    data = x; % 数据
    label = cl';% 标签
    dataSet = [label,data];
    dir_path=['./预处理完成/',data_name];
    if exist('./预处理完成/','dir')==0   %该文件夹不存在,则直接创建
        mkdir('./预处理完成/');
    end
    saveData(dataSet,dir_path); % 保存文件至文件夹
    fprintf('预处理完成\n')
    
    
    %% 子函数,用于保存txt/data/mat三种类型文件
    function saveData(DataSet,fileName)
    % DataSet:整理好的数据集
    % fileName:数据集的名字
    
    %% Data为整理好的数据集矩阵
    mat_name = [fileName,'.mat'];
    save(mat_name, 'DataSet')  % 保存.mat文件
    data_name = [fileName,'.data'];
    save(data_name,'DataSet','-ASCII'); % 保存data文件
    
    % 保存txt文件
    txt_name = [fileName,'.txt'];
    f=fopen(txt_name,'w');
    [m,n]=size(DataSet);
    for i=1:m
        for j=1:n
            if j==n
                if i~=m
                    fprintf(f,'%g \n',DataSet(i,j));
                else
                    fprintf(f,'%g',DataSet(i,j));
                end
            else
                fprintf(f,'%g,',DataSet(i,j));
            end
        end
    end
    fclose(f);
    
    % save iris.txt -ascii Iris
    % dlmwrite('iris.txt',Iris);
    end
    

      和前面整理的思路类似,这里还是使用x, cl两个矩阵保存从原始文件中提取的属性和标签,其中读取每个数值点采用循环调用fscanf( )函数逐个移动文件指针的方式读取,将提取的数据属性保存在x矩阵中。代码第25-33行读取出第一个属性值并根据它的取值不同分别对x的第一个元素赋不同的数字。代码第41-49行读取最后一列数值,并根据其值的取值范围将其划分为三个标签值的其中一个。至于各数据点之间的逗号分割符,程序中使用fscanf( )函数移动指针到下一个数据位置而并未赋值到变量中,从而跳过了逗号分隔符,如代码第36,40,50行。运行以上代码,得到整理完成的数据文件及部分数据截图如下:

    整理后的abalone数据集
    以上整理好的数据集第一列为标签(取值有0, 1, 2),其余列为属性,第一个属性已处理为数字(取值有-1, 0, 1

    2.3 “部分英文字符、有缺失”数据集

      经过前面两个例子的介绍我们再来看一个更加复杂点的数据集类型即除了有英文字符还有缺失数据的部分。以Adult数据集为例,这个数据集前面已多有介绍,改数据集有划分好的训练集和测试集,所以从AdultData Folder下载adult.dataadult.test两个数据文件,部分数据如下图:

    adult数据集
      字符型离散值转化为数值型:我们可以将某个需要转化为数值型的字符型属性的全部可能取值存放在一个元胞数组中并记取值个数为 n n n,而转化后的数值范围一般取 [ − 1 , 1 ] [-1, 1] [1,1],所以我们在 [ − 1 , 1 ] [-1, 1] [1,1]的取值范围内平均取 n n n个实数 { − 1 , 3 − n n − 1 , . . . , 2 k − 1 − n n − 1 , . . . , n − 3 n − 1 , 1 } , k = 1 , 2 , 3 , . . . , n − 1 , n \{-1, \frac{3-n}{n-1}, ..., \frac{2k-1-n}{n-1}, ...,\frac{n-3}{n-1}, 1\}, k=1,2,3, ...,n-1, n {1,n13n,...,n12k1n,...,n1n3,1},k=1,2,3,...,n1,n用来代替这些字符型属性。比方说Adult原始数据的第2个属性表示工作类型有’Private’, ‘Self-emp-not-inc’, ‘Self-emp-inc’, ‘Federal-gov’, ‘Local-gov’, ‘State-gov’, ‘Without-pay’, 'Never-worked’将被分别替换为数值 − 1 , − 5 7 , − 3 7 , − 1 7 , 1 7 , 3 7 , 5 7 , 1 -1, -\frac{5}{7}, -\frac{3}{7}, -\frac{1}{7}, \frac{1}{7}, \frac{3}{7}, \frac{5}{7}, 1 1,75,73,71,71,73,75,1。在程序中比对字符串然后可按以上公式顺序赋值为相应的数值。

      缺失数据处理:对于缺失数据的处理其实现在并没有一个很好的解决方式,一般来说缺失的数据点较少时可以直接删去,较常见的是采用该属性的均值、中值或众数来填充缺失,当然也可以直接补充为某些特定值。直接删去数据会导致数据量减少,而均值填补主要用于连续资料的缺失,这里的数据集属性大多为离散量,使用均值并不是一个很好的方法。以上方法大家可以分别尝试一下,这里直接对缺失的数据补充特定值0处理。

      在下载的数据文件存放路径处新建 M a t l a b \color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b} Matlab程序,创建一个命名为main.m的文件,并在编辑器键入如下代码:

    %% adult
    % author:wx  website:https://wuxian.blog.csdn.net
    clear;
    clc;
    
    data_name = 'adult';% 数据集名
    fprintf('lendo problema adult...\n');
    
    n_entradas= 14; % 属性数
    n_clases= 2; % 分类数
    n_fich= 2; % 文件数,含有训练和测试集
    fich{1}= 'adult.data';% 训练数据路径
    n_patrons(1)= 32561; % 训练集数据量
    
    fich{2}= 'adult.test'; % 测试数据路径
    n_patrons(2)= 16281;   % 测试数据量
    
    n_max= max(n_patrons);
    x = zeros(n_fich, n_max, n_entradas); % 属性数据
    cl= zeros(n_fich, n_max);             % 标签
    
    discreta = [0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 0, 0, 0, 1]; % 1表示该位置的属性需要将字符型离散值转化为数值型
    
    % 字符型离散值的所有取值
    workclass = {'Private', 'Self-emp-not-inc', 'Self-emp-inc', 'Federal-gov', 'Local-gov', 'State-gov', 'Without-pay', 'Never-worked'};
    education = {'Bachelors', 'Some-college', '11th', 'HS-grad', 'Prof-school', 'Assoc-acdm', 'Assoc-voc', '9th', '7th-8th', '12th', 'Masters', '1st-4th', '10th', 'Doctorate', '5th-6th', 'Preschool'};
    marital = {'Married-civ-spouse', 'Divorced', 'Never-married', 'Separated', 'Widowed', 'Married-spouse-absent', 'Married-AF-spouse'};
    occupation = {'Tech-support', 'Craft-repair', 'Other-service', 'Sales', 'Exec-managerial', 'Prof-specialty', 'Handlers-cleaners', 'Machine-op-inspct', 'Adm-clerical', 'Farming-fishing', 'Transport-moving', 'Priv-house-serv', 'Protective-serv', 'Armed-Forces'};
    relationship = {'Wife', 'Own-child', 'Husband', 'Not-in-family', 'Other-relative', 'Unmarried'};
    race = {'White', 'Asian-Pac-Islander', 'Amer-Indian-Eskimo', 'Other', 'Black'};
    sex = {'Male', 'Female'};
    country = {'United-States', 'Cambodia', 'England', 'Puerto-Rico', 'Canada', 'Germany', 'Outlying-US(Guam-USVI-etc)', 'India', 'Japan', 'Greece', 'South', 'China', 'Cuba', 'Iran', 'Honduras', 'Philippines', 'Italy', 'Poland', 'Jamaica', 'Vietnam', 'Mexico', 'Portugal', 'Ireland', 'France', 'Dominican-Republic', 'Laos', 'Ecuador', 'Taiwan', 'Haiti', 'Columbia', 'Hungary', 'Guatemala', 'Nicaragua', 'Scotland', 'Thailand', 'Yugoslavia', 'El-Salvador', 'Trinadad&Tobago', 'Peru', 'Hong', 'Holand-Netherlands'};
    
    % 字符型离散值的所有取值个数
    n_workclass=8; 
    n_education=16; 
    n_marital=7; 
    n_occupation=14; 
    n_relationship=6; 
    n_race=5; 
    n_sex=2; 
    n_country=41;
    
    for i_fich = 1:n_fich
        f=fopen(fich{i_fich}, 'r');
        if -1==f
            error('打开数据文件出错 %s\n', fich{i_fich});
        end
        
        for i=1:n_patrons(i_fich)
            fprintf('%5.1f%%\r', 100*i/n_patrons(i_fich)); % 显示进度
            
            for j = 1:n_entradas
                if discreta(j)==1
                    s = fscanf(f,'%s',1); 
                    s = s(1:end-1); % 去掉字符串末尾的逗号
                    if strcmp(s, '?')  % 对于缺失值补0
                        x(i_fich,i,j)=0;
                    else
                        % 确定具体的属性位置并赋相应变量
                        if j==2
                            n = n_workclass; p=workclass;
                        elseif j==4
                            n = n_education; p=education;
                        elseif j==6
                            n = n_marital; p=marital;
                        elseif j==7
                            n = n_occupation; p=occupation;
                        elseif j==8
                            n = n_relationship; p=relationship;
                        elseif j==9
                            n = n_race; p=race;
                        elseif j==10
                            n = n_sex; p=sex;
                        elseif j==14
                            n = n_country; p=country;
                        end
                        % 根据读取的字符值按排列顺序转化为-11之间的分数值
                        a = 2/(n-1); b= (1+n)/(1-n);
                        for k=1:n
                            if strcmp(s, p(k))
                                x(i_fich,i,j) = a*k + b; 
                                break
                            end
                        end
                    end
                else %0的位置(原数据就是数值型)直接读取原数据
                    temp = fscanf(f,'%g',1); 
                    x(i_fich,i,j) = temp; 
                    fscanf(f,'%c',1);
                end
    
            end
            
            s = fscanf(f,'%s',1);
            % 将标签转化为数值型(0,1if strcmp(s, '<=50K')||strcmp(s, '<=50K.')
                cl(i_fich,i)=0;
            elseif strcmp(s, '>50K')||strcmp(s, '>50K.')
                cl(i_fich,i)=1;
            else
                error('类别标签 %s 读取出错\n', s)
            end
    
        end
        fclose(f);
    end
    
    
    %% 处理完成,保存文件
    fprintf('现在保存数据文件...\n')
    dir_path=['./预处理完成/',data_name];
    if exist('./预处理完成/','dir')==0   %该文件夹不存在,则直接创建
        mkdir('./预处理完成/');
    end
    data_train =  squeeze(x(1,1:n_patrons(1),:)); % 数据
    label_train = squeeze(cl(1,1:n_patrons(1)))';% 标签
    dataSet_train = [label_train, data_train];
    saveData(dataSet_train,[dir_path,'_train']); % 保存文件至文件夹
    
    data_test =  squeeze(x(2,1:n_patrons(2),:)); % 数据
    label_test = squeeze(cl(2,1:n_patrons(2)))';% 标签
    dataSet_test = [label_test,data_test];
    saveData(dataSet_test,[dir_path,'_test']);
    
    fprintf('预处理完成\n')
    
    
    %% 子函数,用于保存txt/data/mat三种类型文件
    function saveData(DataSet,fileName)
    % DataSet:整理好的数据集
    % fileName:数据集的名字
    
    %% Data为整理好的数据集矩阵
    mat_name = [fileName,'.mat'];
    save(mat_name, 'DataSet')  % 保存.mat文件
    data_name = [fileName,'.data'];
    save(data_name,'DataSet','-ASCII'); % 保存data文件
    
    % 保存txt文件
    txt_name = [fileName,'.txt'];
    f=fopen(txt_name,'w');
    [m,n]=size(DataSet);
    for i=1:m
        for j=1:n
            if j==n
                if i~=m
                    fprintf(f,'%g \n',DataSet(i,j));
                else
                    fprintf(f,'%g',DataSet(i,j));
                end
            else
                fprintf(f,'%g,',DataSet(i,j));
            end
        end
    end
    fclose(f);
    
    % save iris.txt -ascii Iris
    % dlmwrite('iris.txt',Iris);
    end
    

      这里代码在前面一个的基础上做了改进,对于原文件属性是数值型的直接读取到x矩阵中,对于字符型的属性按照顺序对应为[-1, 1]上的离散数值。运行以上代码,得到整理完成的数据文件及部分数据截图如下:

    整理后的adult数据集
    以上整理好的数据集第一列为标签(取值有0, 1),其余列为属性,其中的字符型属性已处理为数值型。

      至此不同数据集的整理程序就介绍到这里了, U C I \color{#4285f4}{U}\color{#ea4335}{C}\color{#fbbc05}{I}\color{#4285f4} UCI数据集数量众多,虽然没有统一的整理代码但经过这三个例子大家可以参考修改整理自己需要的数据集了。如果您有更好的整理方法欢迎在下方留言哦。


    3. 148个整理好的数据集与对应程序

      博主在三年的机器学习学习和研究中已累计整理了148个论文和研究中常用的UCI数据集,后面还会继续整理更多数据集并更新下载资源。查找、下载和整理数据集是件费时费力的事情,完整整理好足够论文或研究学习中需要的数据集可能会花费好多天甚至数周的时间,为了减少重复整理数据的繁冗工作,这里博主将自己整理好的148UCI数据集分享给大家,其中每个文件夹中都包含了以下内容:

    1. 从官网下载的完整原始数据文件
    2. 整理数据集、归一化及划分训练测试数据集的完整 M a t l a b \color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b} Matlab程序文件
    3. 整理完成后的数据集文件

    您可以直接使用里面整理好的数据集文件,也可以修改或重新运行整理的程序代码,整理好的148UCI数据集截图如下:

    整理好的全部文件目录
    文件中的所有程序代码均在 M a t l a b \color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b} Matlab R2016b中测试运行通过,整理的好数据集也是经过检查和自行使用过的,每个子文件夹里面的文件内容截图如下,下面提供了下载链接欢迎前去下载。

    文件夹详情图

    【资源获取】
      若您想获得博文中介绍的整理Glass数据集、Abalone数据集及Adult数据集涉及的完整程序文件(包含三个数据的原始文件、整理数据集程序代码文件及整理好的文件)扫描以下二维码并关注公众号“AI技术研究与分享”,后台回复“UC20200223”获取。
    公众号二维码

    148个整理好的UCI数据集下载】

      为大家提供优质的资源是博主一直坚持的动力,若您想获得上述介绍的148个整理好的UCI数据集(已包含本文中介绍的三个数据集),可以点击如下链接到博主的面包多网页上下载,面包多网站可以直接点击解锁,完成后可解锁页面下方的下载链接图标,点击即可下载。

    下载链接:博主在面包多网站上的完整资源下载页


    结束语

      由于博主能力有限,博文中提及的方法即使经过试验,也难免会有疏漏之处。希望您能热心指出其中的错误,以便下次修改时能以一个更完美更严谨的样子,呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。

    展开全文
  • Excel个图中设置两个纵坐标

    千次阅读 2021-09-03 16:38:46
    Excel许多功能每次用的时候下子想不起来,这个时候就靠广大的网友朋友了,下面分享的是在个图表中有两个指标,其单位不同、数值相差比较大,需要用两个坐标轴来表示。以下请参考: 1、数据 2、插入表格,...

            Excel许多功能每次用的时候一下子想不起来,这个时候就靠广大的网友朋友了,下面分享的是在一个图表中有两个指标,其单位不同、数值相差比较大,需要用两个坐标轴来表示。以下请参考:

    1、数据

     2、插入表格,选择组合图

     3、选择需要在次坐标轴显示的数据标签,如图

     4、点击右键,选择“设置数据系列格式”,出现图一,选择次坐标(图二)

      

     5、坐标设置完成

     6、调整格式

    展开全文
  • 2019年即将结束,各公司部门也开始进行年度数据回顾。...但是这样的数据我们却看不到两个季度统计的具体的差异的值。所以今天我们来学习种特殊的柱形图,如下图所示:新的柱形图中,我们可以看到各季度数据,又能...

    2019年即将结束,各公司部门也开始进行年度数据回顾。比如2018和2019年各季度同期数据对比。一般情况下,做两组数据对比,许多同学都是用普通的柱形图来表示。用各季度作为横坐标,然后同期对比的季度进行分组排列。

    770c040e60b08cf600bf33ed5d91f577.png

    这样的柱形图展示两组数据是多数人多会用的。但是这样的数据我们却看不到两个季度统计的具体的差异的值。所以今天我们来学习一种特殊的柱形图,如下图所示:

    714c81d78a084c5166bd106eb9020a99.png

    新的柱形图中,我们可以看到各季度数据,又能形象的看到各季度的趋势和差异值。相比普通的柱形图会更加的实用。今天我们就来学习如何制作这样特殊的柱形图。

    第一步:我们先通过插入形状的方式,插入一个向上的箭头和向下的箭头符号并填充颜色,通过制作的箭头后期来作为我们的数据趋势。点击菜单栏:插入—形状,然后选择箭头符号。如下图所示:

    cd923fc9149aa03d588c0fae44939e5c.png

    第二步:我们将原来的表格数据重新分组,将A2:E4的数据重新分组成下方的格式,这样我们就能通过做图的方式,将数据进行特殊的图表显示。如下图所示:

    3633e1530cdfd78d8324a6cb79cff401.png

    在上方新做的样式中年,我们除了打乱原有的次序,还需要新增辅助列1、辅助列2两个值。辅助列1:B11的值引用公式为:

    =IF(B9

    辅助列2:B12的值的引用公式为:

    =IF(B9>C10,ABS(B9-C10),"")

    第三步:点击菜单栏:插入—图表,选择第二个堆积柱形图。点击图表,然后右键选择选取数据,依次将2018、2019、辅助列1、辅助列2的数据填充到图表中。下方参考2018、2019的数据填充方式,然后将辅助列1、辅助列2两行数据按照同样的方式进行添加。添加后的数据图表如下所示:

    2a60ea330f86fed957e225720aac3423.gif
    3ca85b4268fa5107fad452fac73fb404.png

    第四步:我们在将上分的堆积柱形图,将间距调整为0。然后点击之前做的红色箭头,按Ctrl+C复制,然后选择堆积柱形图中的绿色图行,按Ctrl+V进行替换。同理将向下的绿色箭头粘贴到紫色的图形中。最后我们添加一下数据标签,这样不一样的柱形图就显示出来了。如下图所示:

    7eb8550c93c253d5916154a7ff443e5e.gif
    740606999027d557ec6091eed2a53a3a.png


    通过上面的操作步骤,我们就完成的制作好了即可看的数据趋势,又可以同时查看多组数据以及数据之间的差值。现在你学会如何制作了吗?

    展开全文
  • 2019年即将结束,各公司部门也开始进行年度数据回顾。...但是这样的数据我们却看不到两个季度统计的具体的差异的值。所以今天我们来学习种特殊的柱形图,如下图所示:新的柱形图中,我们可以看到各季度数据,又能...
  • 年终将至,各部门都需要做2018年、2019年的数据对比图。想学习这种对比图的做法。...无论数据如何变化,柱形图上会用 箭头+数字 显示两个柱子的差异。制作步骤:1、制作箭头插入矩形和箭头,然后...
  • PCL同时在个窗口中显示两个(多个)点云: 可以参考官网ICP例子代码(或者VFH特征聚类例子代码) pcl::visualization::PointCloudColorHandlerCustom cloud_in_color_h(cloud_in, (int)255 * txt_gray_lvl, (int)...
  • 今天给大家分享一个数据分析案例:线下连锁水果店销售数据分析案例,分析过程我也会以类动图的方式呈现给大家,真正意义上做到收藏即学会。 目录1 案例背景2 问题确认与指标拆解题3 问题解决思路4 案例实操4.1 利用...
  • 是你有时不得不去思考的一个问题。不同的展示方法,其效果往往差异巨大。这里我将结合近期的一些阅读和实践,试图给出一些方法,希望能帮助到你。1. 展示之前的思考在正式开始展示数据之前,希望你去思考几问题。...
  • 哈喽,亲爱的小伙伴们,我们好久不见哦!...这样就能清楚的看出19年各月销售额和上年度相比是否有增长,同时也能看出当月销售额是否完成了当月的销售目标,是不是很棒呢?接下来让我们一起看看是如何制作的吧...
  • 【图文】用Origin作多红外数据

    千次阅读 2021-01-17 13:28:04
    场景 有时候我们需要多红外光谱作在同一张图上,以做对比,类似于下图,我们该怎么做呢。 步骤打开OriginPro软件,博主...这里选择了两个文件。 点击后,出现导入确认框,直接点OK就可以了。 这样数据就导入完成了...
  • 或者在工具栏上点击两个并列的图例图标,如下图右边所示:这样添加的图例会直接添加在原图例下方,与原图例成为一体。如果你的图线不在同个图层,也可以用同样的方法添加,但是这样添加的图例是在当前图层,跟原...
  • 用flask+echarts打造一个数据可视化大屏幕

    千次阅读 多人点赞 2020-10-14 21:12:55
    文章目录1. big_screen项目说明2. big_screen项目文件布局3. 四大模块核心代码分析3.1 数据准备模块3.2 flask网页...源自github上逛到的一个项目,用flask和echarts实现了一个大屏幕显示,运行app.py后,在网页上输入
  • 电脑Word文档中两个表格如何合并

    千次阅读 2021-07-28 05:07:22
    电脑Word文档中两个表格如何合并腾讯视频/爱奇艺/优酷/外卖 充值4折起Word文档是我们经常在工作和学习中使用的软件,我们有的时候也会在Word文档中绘制表格。接下来小编就教大家怎么在Word文档中将两个表格拼接。...
  • 矩阵框架的两个维度是:问询沟通和重新定义转换 列中显示的是问询沟通(可以寻问任何实体的基本问题,将其转换成企业架构对应每个列的理解): 是什么——目录列,表示构建架构的实体 怎么做——流程列,表示执行的...
  • 「数据可视化记录」Origin:多组数据散点图的绘制(带对角线)及多组graph的组合排版 在回归预测分析的论文里,经常看见这种训练集和测试集同时分布的散点图,对角线的存在是看模型预测结果与真实值的偏差情况。之前...
  • 差异分析是基础数据分析手段,在进行样本间差异比较的时候经常被用到。所以无论是中文核心期刊还是SCI论文,常常需要绘制差异分析柱形图。显著性标记柱形图是在差异分析柱形图的基础上添加显著性标识,可以直观的...
  • 可视化不是单纯的数据展示,其真正价值是设计出可以被读者轻松理解的数据展示。数据与合适的图形结合,不仅能够让复杂的统计数字...1、 柱状图适用场景:以柱子的高度用来比较两个或以上数值之间的差异。优点:人...
  • 作为数据分析师,数据透视表应该算得上使用频率最高的数据处理和分析的方法了,没有数据透射表,真的难以想像会带来多少繁冗的工作量。 今天就来整理下数据透视表的重用功能(建表/排序/筛选/切片器/条件格式/...
  • wps图标(手机wps会员图标黑色)

    万次阅读 2021-02-05 12:27:18
    尝试右键文件--打开方式--选择默认程序,选择wps...如题,如何做一个图表,分别表示A、B的金额和销量百分比? 求大神帮助方法:1、打开WPS演示文稿。2、选择“插入”选项卡下的“对象”命令。3、在弹出来的...
  • 如何用excel表格中的数据制图方法/步骤1,在excel中输入制图表所需要的数据。2,选择数据(选择不连续的数据可以按住“ctrl”在选择就可以了。还有选择时要连表头一起选择)。3,在“插入”菜单“图表”中选择所需要的...
  • Tableau数据分析-Chapter08数据分层、数据分组、数据集 本专栏将使用tableau来进行数据分析,Tableau数据分析-Chapter08数据分层、数据分组、数据集,记录所得所学,作者:北山啦 文章目录Tableau数据分析-...
  • 、直方图  直方图可以直观的看到数据的大致情况;一般有频数分布直方图和频率分布直方图种。 二、数据的计量尺度  数据的计量尺度是指对计量对象量化时采用的具体标准,它分为以下四类: 定类尺度:表现为...
  • Python 网络爬虫与数据采集(

    万次阅读 多人点赞 2022-01-30 20:38:44
    Python 网络爬虫与数据采集第1章 序章 网络爬虫基础1 爬虫基本概述1.1 爬虫是什么1.2 爬虫可以做什么1.3 爬虫的分类1.4 爬虫的基本流程1.4.1 浏览网页的流程1.4.2 爬虫的基本流程1.5 爬虫与反爬虫1.5.1 爬虫的攻与防...
  • 二、用于数据分析的Tableau技巧

    千次阅读 2022-03-22 10:09:52
    (2)选中第一个后直接拖拽,后面选中连接字段即可(字段也可用公式计算或编辑) (3)为了保证速度一般提取方式选“数据提取”(实时是每次操作都连接次数据库) (4)数据筛选:一般针对数据比较大的情况...
  • A/B 测试是游戏行业常用的数据试验方法,特别是有过游戏出海经历的企业,都尝试过 A/B 测试:商店 A/B 测试:在 Google Play 开发者后台,通过 A/B 测试挑选最合适的游戏图标、商店图、商店视频和商店文案;...
  • 大屏数据可视化设计指南

    万次阅读 多人点赞 2019-01-03 14:25:31
    把相对复杂、抽象的数据通过可视的方式以人们更易理解的形式展示出来的系列手段叫做数据可视化,数据可视化是为了更形象地表达数据内在的信息和规律,促进数据信息的传播和应用。 在当前新技术支持下,数据可视化...
  • Python数据分析入门()——初探数据可视化

    万次阅读 多人点赞 2018-08-10 17:38:19
    不过自大学时代开始,学习对我来说就是被动接受的过程,学校的课程、当时热门的移动端开发、数据库的学习、web学习、PHP后端学习……需要做什么我便去学什么,到了今天,突然意识到我是不是该给自己一个明确的发展...
  • vue导入图标的3种方式【阿里图标

    千次阅读 2022-03-22 16:27:35
    种方式 Font class- css 点击【 Font class 】- 【 下载至本地 】,解压之后导入到项目【/src/assets/icon】,这是【iconfont.css】文件。 @font-face { font-family: "iconfont"; /* Project id 3262995 */...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 99,116
精华内容 39,646
关键字:

一组数据两个图标