比例尺---定量比例尺

比例尺:就像函数一样,将一个量转换为另一个量,定义域到值域的转换。
每个比例尺都需要指定一个domain(定义域)和range(值域)。

定量比例尺:定义域是连续的。值域有连续的也有离散的。

1、线性比例尺(Linear Scale)

  • d3.scale.linear():创建一个线性比例尺。
  • linear(x):输入一个在定义域内的值x,返回值域内对应的值。
  • linear.invert(y) :输入值域,返回定义域
  • linear.domain([numbers]): 设定或获取定义域,最少放入两个数,也可以超过两个数,但domain和range的数量必须相等。
  • linear.range([values]):设定或获取值域,最少放入两个数,也可以超过两个数,但domain和range的数量必须相等。
  • linear.rangeRound([valuses]): 输出值会进行四舍五入的运算,结果是整数
  • linear.clamp([boolean]):默认被设置为false,当该比例尺接受一个超出定义域范围内的值时,依然能够按照同样的计算方法计算得到一个值,该值可能是超出值域范围的。设置为true时,任何超出值域范围的值,都会被收缩到值域范围内。
  • linear.nice([count]):将定义域的范围扩展成理想状态,例如对于[0.50000543,69.99997766]这样的定义域会自动将其变为[0,70].
  • linear.ticks([ticks]) :设定或获取定义域内具有代表性的值的数目。默认是10 ,主要用于选取坐标刻度
  • linear.ticksFormat(count,[format]): 设置定义域内具有代表的值的表示形式,如显示到小数点后两位,使用百分比的形式显示,主要用于坐标轴上。
var linear = d3.scale.linear()
                .domain([0,20])
                .range([0,100]);        
console.log( linear(10) );              //输出50
console.log( linear(30) );              //输出150
console.log( linear.invert(80) );              //输出16

linear.clamp(true);
console.log( linear(30) );              //输出100

linear.rangeRound([0,100]);
console.log( linear(13.33) );              //输出67,对结果进行了四舍五入

//使用nice之后,定义域变成了比较工整的形式,但是并不是四舍五入
linear.domain([0.12300000,0.4888888888]).nice();
console.log( linear.domain() );              //输出[0.1,0.5]
linear.domain([33.611111,45.97745]).nice();
console.log( linear.domain() );              //输出[33,46]
var linear = d3.scale.linear()
                .domain([-20,20])
                .range([0,100]);
var ticks = linear.ticks(5);
console.log(ticks);            //输出数组[-20,-10,0,10,20]

var tickFormat = linear.tickFormat(5,"+");//设定的格式为"+":表示如果是正数,则在前面添加一个加号,负数则添加一个减号。
for(var i=0;i<ticks.length;i++){
    ticks[i] = tickFormat(ticks[i]);
}
console.log(ticks);            //输出["-20","-10","+0","+10","+20"]

2、指数(Power Scale)和对数比例尺(Log Scale)

指数比例尺和对数比例尺的方法和线性比例尺一样,但指数比例尺多一个exponent(),对数比例尺多一个base(),两者都是用于指定底数。

var pow = d3.scale.pow().exponent(3);     //设置指数比例尺的指数为3
console.log( pow(2) );        //输出为8
console.log( pow(3) );        //输出为27

pow.exponent(0.5);
console.log( pow(2) );        //输出为1.414
console.log( pow(3) );        //输出为1.732
//指定domain和range
//指数比例尺
var pow = d3.scale.pow()
                .exponent(3)
                .domain([0,3])          //指数比例尺内部调用了线性比例尺,而且把这个线性比例尺
                .range([0,90]);         //定义域的边界变为了其指定的次方。即定义域为[0,27]   
//线性比例尺
var linear = d3.scale.linear()
                .domain([0,Math.pow(3,3)])
                .range([0,90]);
console.log( pow(1.5) );        //输出为11.25
console.log( linear(Math.pow(1.5,3)) );    //输出为11.25

3、量子(Quantize Scale)和分位比例尺(Quantile Scale)

  • 量子比例尺

    定义域是连续的,值域是离散的。例如:定义域:[0,10],值域:["red","green","blue","yellow", "black"],使用量子比例尺之后,定义域被分割为5段,每一段对应值域的一个值,[0,2)对应red,[2,4)对应green,依此类推,所以量子比例尺很适合处理类似“数值对应颜色”的问题。
    var quantize = d3.scale.quantize()
                    .domain([50,0])
                    .range(["#888","#666","#444","#222","#000"]);
  • 分位比例尺

    与量子比例尺类似,也是用于将连续的定义域区域分成段,每段对应到一个离散的值上,不同的是分段处的值量子比例尺的分段值只与定义域的起始值和结束值有关,其中间有多少其他数值都没有影响,分段值取其算数平均值,分位比例尺的分段值与定义域中存在的数值都有关,可使用quantile.quantiles()查询分位比例尺的分段值
    var quantize = d3.scale.quantize().domain([0,2,8,10]).range([1,100]),   //[0,5)对应1,[5,10]对应100
        quantile = d3.scale.quantile().domain([0,2,4,10]).range([1,100]);//[0,3)对应1,[3,10]对应100
    
    console.log( quantize(4.99) );//量子比例尺,输出1
    console.log( quantize(5) );//量子比例尺,输出100
    console.log( quantile(2.99) );//分位比例尺,输出1
    console.log( quantile(3) );//分位比例尺,输出100

4、阈值比例尺

阈值比例尺:通过设定阈值,将连续的定义域映射到离散的值域里,

//该阈值比例尺定义了三个阈值:10、20、30,则空间被划分为四段:负无穷到10,10到20,20到30,30到正无穷
var threshold = d3.scale.threshold()
                .domain([10,20,30])
                .range(["red","green","blue","black"]);
                
console.log( threshold(5) );                   //输出red
console.log( threshold(15) );                 //输出green
console.log( threshold(25) );                 //输出blue
console.log( threshold(35) );                 //输出black

console.log( threshold.invertExtent("red") );                   //输出[undefined,10]
console.log( threshold.invertExtent("green") );                 //输出[10,20]
console.log( threshold.invertExtent("blue") );                  //输出[20,30]
console.log( threshold.invertExtent("black") );                 //输出[30,undefined]

 

转载于:https://www.cnblogs.com/lmjZone/p/7739239.html

### 解释 t-SNE 降维后的结果 #### 局部结构的重要性 t-SNE 主要用于高维数据的可视化,通过将高维空间中的样本映射到低维(通常是二维或三维),使得相似的对象在低维空间中彼此靠近。这种特性有助于揭示数据集中存在的簇状分布模式[^1]。 #### 参数敏感性的影响 由于 t-SNE 对参数非常敏感,特别是困惑度(perplexity)这一重要超参数的选择会影响最终图像的质量。较低的困惑度倾向于强调更紧密的小规模群组;较高的困惑度则可能捕捉更大范围内的关系。因此,在解读图谱之前应当理解所使用的具体配置及其潜在影响[^2]。 #### 可视化特点说明 当观察由 t-SNE 产生的散点图时: - **密集区域** 表示这些点之间存在较强的关联性; - **稀疏部分** 则意味着该区域内各实例间差异较大; - 如果不同颜色标记代表类别标签,则相同类别的点应该聚集在一起形成明显的团块; - 不同团块之间的距离并不直接反映它们实际的距离远近,因为 t-SNE 更注重保持局部邻域的关系而不是整体布局的比例尺。 需要注意的是,尽管 t-SNE 提供了极具启发性的视觉表示形式,但它并不是为了支持定量评估设计出来的工具——即不能仅依赖于位置来做出关于原始特征空间内对象间距的具体结论[^3]。 ```python from sklearn.manifold import TSNE import matplotlib.pyplot as plt import numpy as np # 假设 X 是输入矩阵,y 是对应的分类标签 tsne = TSNE(n_components=2, random_state=0) X_2d = tsne.fit_transform(X) plt.figure(figsize=(6, 5)) colors = 'r', 'g', 'b' for i, c in zip(range(3), colors): plt.scatter(X_2d[y == i, 0], X_2d[y == i, 1], c=c, label=f'Class {i}') plt.legend() plt.show() ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值