Подтвердить что ты не робот

Overplot несколько наборов данных с hexbin

Я делаю кластеры KMeans на большом и действительно плотном наборе данных, и я пытаюсь найти лучший способ визуализации кластеров.

В 2D это выглядит так: hexbin будет делать хорошую работу, но я не могу перекрыть кластеры на том же рисунке. Я хочу использовать hexbin для каждого из кластеров отдельно с другой цветовой картой для каждого, но по какой-то причине это, похоже, не работает. Изображение показывает, что я получаю, когда пытаюсь построить второй и третий набор данных.

Любые предложения о том, как это сделать? enter image description here

После некоторых попыток я смог сделать это с Seaborn kdeplot

enter image description here

4b9b3361

ОТВЕТЫ

Ответ 1

Лично я думаю, что ваше решение от kdeplot неплохо (хотя я бы немного поработал над деталями, которые перехватывали кластеры). В любом случае в качестве ответа на ваш вопрос вы можете предоставить минимальное количество баллов в hexbin (оставляя все пустые ячейки прозрачными). Здесь небольшая функция для создания случайных кластеров для тех, кто может захотеть сделать некоторые эксперименты (в комментариях ваш вопрос, казалось, вызвал большой интерес у пользователей, не смог его использовать):

import numpy as np
import matplotlib.pyplot as plt

# Building random clusters
def cluster(number):
    def clusterAroundX(a,b,number):
        x = np.random.normal(size=(number,))
        return (x-x.min())*(b-a)/(x.max()-x.min())+a
    def clusterAroundY(x,m,b):
        y = x.copy()
        half   = (x.max()-x.min())/2
        middle = half+x.min()
        for i in range(x.shape[0]):
            std = (x.max()-x.min())/(2+10*(np.abs(middle-x[i])/half))
            y[i] = np.random.normal(x[i]*m+b,std)
        return y + np.abs(y.min())
    m,b = np.random.randint(-700,700)/100,np.random.randint(0,50)
    print(m,b)
    f = np.random.randint(0,30)
    l = f + np.random.randint(10,50)
    x = clusterAroundX(f,l,number)
    y = clusterAroundY(x,m,b)
    return x,y

используя этот код, я создал несколько кластеров, построил их с помощью диаграммы рассеяния (обычно я использую это для своего собственного кластерного анализа, но я предполагаю, что я должен взглянуть на морские), hexbin, imshow (изменение для pcolormesh для больше контроля) и contourf:

clusters = 5
samples  = 300
xs,ys = [],[]
for i in range(clusters):
    x,y = cluster(samples)
    xs.append(x)
    ys.append(y)

# SCATTERPLOT
alpha = 1
for i in range(clusters):
    x,y = xs[i],ys[i]
    color = (np.random.randint(0,255)/255,np.random.randint(0,255)/255,np.random.randint(0,255)/255)
    plt.scatter(x,y,c = color,s=90,alpha=alpha)
plt.show()

# HEXBIN
# Hexbin seems a bad choice because I think you cant control the size of the hexagons.
alpha = 1
cmaps = ['Reds','Blues','Purples','Oranges','Greys']
for i in range(clusters):
    x,y = xs[i],ys[i]
    plt.hexbin(x,y,gridsize=20,cmap=cmaps.pop(),mincnt=1)
plt.show()

# IMSHOW
alpha = 1
cmaps = ['Reds','Blues','Purples','Oranges','Greys']
xmin,xmax = min([i.min() for i in xs]), max([i.max() for i in xs])
ymin,ymax = min([i.min() for i in ys]), max([i.max() for i in ys])
nums = 30
xsize,ysize  = (xmax-xmin)/nums,(ymax-ymin)/nums
im = [np.zeros((nums+1,nums+1)) for i in range(len(xs))]
def addIm(im,x,y):
    for i,j in zip(x,y):
        im[i,j] = im[i,j]+1
    return im
for i in range(len(xs)):
    xo,yo = np.int_((xs[i]-xmin)/xsize),np.int_((ys[i]-ymin)/ysize)
    #im[i][xo,yo] = im[i][xo,yo]+1
    im[i] = addIm(im[i],xo,yo)
    im[i] = np.ma.masked_array(im[i],mask=(im[i]==0))
for i in range(clusters):
    # REPLACE BY pcolormesh if you need more control over image locations.
    plt.imshow(im[i].T,origin='lower',interpolation='nearest',cmap=cmaps.pop())
plt.show()

# CONTOURF
cmaps = ['Reds','Blues','Purples','Oranges','Greys']
for i in range(clusters):
    # REPLACE BY pcolormesh if you need more control over image locations.
    plt.contourf(im[i].T,origin='lower',interpolation='nearest',cmap=cmaps.pop())
plt.show()

результат следующий:

кластеры рассеяния

hexbin clusters

imshow clusters

countourf clusters