參考自《數(shù)據挖掘概念與技術》。
對于有$m$個特征，$n$個樣本的數(shù)據，平行坐標可視化圖中，橫軸均勻列出$m$個特征，每個特征生成一個縱軸，其中每個樣本就表示為穿越這些縱軸的折線。實現(xiàn)代碼如下：
import numpy as np import matplotlib.pyplot as plt def parallel_coordinates(data, line_c='black', axis_alpha = 0.5, line_alpha = 0.05): n, m = data.shape mi, ma = np.min(data, 0, keepdims=True), np.max(data, 0, keepdims=True) ma += (ma - mi == 0) # 防止零除 data = (data - mi) / (ma - mi) # 創(chuàng)建一個 Figure 對象和一個 Axes 對象 fig, ax = plt.subplots() ax.spines['right'].set_visible(False) ax.spines['top'].set_visible(False) ax.spines['left'].set_visible(False) ax.spines["bottom"].set_alpha(axis_alpha) ax.tick_params(axis='y', length=0, labelleft=False) ax.tick_params(axis='x', length=2, colors=(0, 0, 0, axis_alpha)) ax.set_xticks(np.arange(m), np.arange(m), alpha = axis_alpha) ax.set_xlabel('Features') ax.set_ylabel('Values') # 畫折線 x = np.arange(m) for d in data: ax.plot(x, d, c=line_c, alpha=line_alpha) # 畫坐標軸 for i in range(m): ax1 = ax.twinx() ax1.spines['top'].set_visible(False) ax1.spines['left'].set_visible(False) ax1.spines['bottom'].set_visible(False) ax1.spines["right"].set_position(("data", i)) ax1.spines["right"].set_alpha(axis_alpha) ax1.tick_params(axis='y', length=2, colors=(0, 0, 0, axis_alpha)) ax1.set_ylim(ax.get_ylim()) new_ticks = ['%.2f'%i for i in np.linspace(mi[0, i], ma[0, i], 5)] ax1.set_yticks(np.linspace(0, 1, 5), new_ticks, alpha = axis_alpha) plt.show() # samp.shape = [n, m] parallel_coordinates(samp)
下圖展示了45個標準異常檢測數(shù)據集的1000個隨機抽樣（不重復）的前5個特征的可視化結果：文章來源：http://www.zghlxwxcb.cn/news/detail-414219.html
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
可視化結果把所有$n\times m$個數(shù)據都表示在一張圖中，比較全面，但對橫坐標的特征順序敏感，不相鄰特征之間的模式人眼不容易觀察。如果要觀察某兩個特征之間的關系，可以使它們的位置相鄰。文章來源地址http://www.zghlxwxcb.cn/news/detail-414219.html
到了這里，關于平行坐標可視化的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！
