【头歌】常用图像绘制在线实验闯关

第1关:散点图绘制

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
plt.rcParams['font.sans-serif']=['simhei']
plt.rcParams['font.family']='sans-serif'
plt.rcParams['axes.unicode_minus']
plt.figure(figsize=(6,4))
def test():
#********** Begin *****
#读取“各站点各时刻进出站客流数据.xlsx”,绘制站点 155 各时刻进站客流散点图
    data=pd.read_excel('各站点各时刻进出站客流数据.xlsx')
    d1=data.loc[data['站点编号']==155,['站点编号','时刻','总进站客流']]
    x=d1.iloc[:,1]
    y=d1.iloc[:,2]
    plt.rcParams['font.sans-serif']='SimHei'
    plt.scatter(x,y)
    plt.xlabel('时刻')
    plt.ylabel('总进站客流')
    plt.title('155各时刻进站客流散点图')
    plt.savefig("学员4.1/155各时刻进站客流散点图.png")
#最后,采用plt.savefig函数保存图片,文件路径如下:"学员4.1/155各时刻进站客流散点图.png"
#********** End **********#

第2关:线性图绘制

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import warnings
plt.rcParams['font.sans-serif']=['simhei']
plt.rcParams['font.family']='sans-serif'
plt.figure(figsize=(6,4))
warnings.filterwarnings('ignore')
def test():
#********** Begin *****
#读取“各站点各时刻进出站客流数据.xlsx”,绘制站点 155 各时刻进站客流线性图
    data=pd.read_excel('各站点各时刻进出站客流数据.xlsx')
    d1=data.loc[data['站点编号']==155,['站点编号','时刻','总进站客流']]
    x=d1.iloc[:,1]
    y=d1.iloc[:,2]
    plt.plot(x,y)
    plt.xlabel('时刻')
    plt.ylabel('总进站客流')
    x=np.array(x)
    y=np.array(y)
    plt.title('155各时刻进站客流线性图')
    plt.savefig('学员4.2//155各时刻进站客流线性图.png')
#最后,采用plt.savefig函数保存图片,文件路径如下:"学员4.2/155各时刻进站客流线性图.png"
#********** End **********#

第3关:柱状图绘制

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
plt.rcParams['font.sans-serif']=['simhei']
plt.rcParams['font.family']='sans-serif'
plt.figure(figsize=(6,4))
def test():
#********** Begin *****
#读取“各站点各时刻进出站客流数据.xlsx”,绘制站点 155 各时刻进站客流柱状图
    data=pd.read_excel('各站点各时刻进出站客流数据.xlsx')
    intf=data.loc[data['站点编号']==155,['站点编号','时刻','总进站客流']]
    x=intf.iloc[:,1]
    y=intf.iloc[:,2]
    plt.bar(x,y)
    plt.xlabel('时刻')
    plt.ylabel('总进站客流')
    plt.title('155各时刻进站客流柱状图')
    plt.savefig("学员4.3/155各时刻进站客流柱状图.png")
#最后,采用plt.savefig函数保存图片,文件路径如下:"学员4.3/155各时刻进站客流柱状图.png"
#********** End **********#

第4关:直方图绘制

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
plt.rcParams['font.sans-serif']=['simhei']
plt.rcParams['font.family']='sans-serif'
plt.figure(figsize=(6,4))
def test():
#********** Begin *****
#读取“各站点各时刻进出站客流数据.xlsx”,绘制站点 155 各时刻进站客流直方图
    data=pd.read_excel('各站点各时刻进出站客流数据.xlsx')
    intf=data.loc[data['站点编号']==155,['站点编号','时刻','总进站客流']]
    x=intf.iloc[:,1]
    y=intf.iloc[:,2]
    plt.hist(y)
    plt.xlabel('总进站客流')
    plt.ylabel('频数')
    plt.title('155各时刻进站客流直方图')
    plt.savefig("学员4.4/155各时刻进站客流直方图.png")    
#最后,采用plt.savefig函数保存图片,文件路径如下:"学员4.4/155各时刻进站客流直方图.png"
#********** End **********#

第5关:饼图绘制

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
plt.rcParams['font.sans-serif']=['simhei']
plt.rcParams['font.family']='sans-serif'
plt.figure(figsize=(6,4))
def test():
#********** Begin *****
#读取“各站点各时刻进出站客流数据.xlsx”,绘制站点 157 各时刻进站客流饼图
    data=pd.read_excel('各站点各时刻进出站客流数据.xlsx')
    intf=data.loc[data['站点编号']==157,['站点编号','时刻','总进站客流']]
    x=intf.iloc[:,1]
    y=intf.iloc[:,2]
    plt.pie(y,labels=x,autopct='%1.2f%%')
    plt.title('157各时刻进站客流饼图')
    plt.savefig("学员4.5/157各时刻进站客流饼图.png")    
#最后,采用plt.savefig函数保存图片,文件路径如下:"学员4.5/157各时刻进站客流饼图.png"
#********** End **********#

第6关:箱线图绘制

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
plt.rcParams['font.sans-serif']=['simhei']
plt.rcParams['font.family']='sans-serif'
plt.figure(figsize=(6,4))
def test():
#********** Begin *****
#读取“各站点各时刻进出站客流数据.xlsx”,绘制站点9时刻的进站客流箱线图
    data=pd.read_excel('各站点各时刻进出站客流数据.xlsx')
    nine=data.loc[data['时刻']==9,['站点编号','时刻','总进站客流']]
    y=nine.iloc[:,2]
    plt.boxplot(y)
    plt.ylabel('总进站客流')
    plt.title('9时刻各站点进站客流箱线图')
    plt.savefig("学员4.6/9时刻各站点进站客流箱线图.png")
#最后,采用plt.savefig函数保存图片,文件路径如下:"学员4.6/9时刻各站点进站客流箱线图.png"
#********** End **********#

第7关:子图绘制

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import warnings
plt.rcParams['font.sans-serif']=['simhei']
plt.rcParams['font.family']='sans-serif'
plt.figure(figsize=(6,4))
warnings.filterwarnings('ignore')
def test():
#********** Begin *****
#读取“各站点各时刻进出站客流数据.xlsx”,获得 155、157、151、123 
#四个站点在各时刻的进站客流,用一个 2*2 的子图,绘制其线性图。
    data=pd.read_excel('各站点各时刻进出站客流数据.xlsx')
    intf155 = data.loc[data['站点编号']==155,['站点编号','时刻','总进站客流']]
    intf157 = data.loc[data['站点编号']==157,['站点编号','时刻','总进站客流']]
    intf151 = data.loc[data['站点编号']==151,['站点编号','时刻','总进站客流']]
    intf123 = data.loc[data['站点编号']==123,['站点编号','时刻','总进站客流']]
    plt.subplot(2,2,1)
    x1=intf155.iloc[:,1]
    y1=intf155.iloc[:,2]
    plt.plot(x1,y1)
    plt.xlabel('时刻')
    plt.ylabel('总进站客流')
    plt.title('155各时刻进站客流线性图')
    plt.tight_layout()
    plt.subplot(2,2,2)
    x2=intf157.iloc[:,1]
    y2=intf157.iloc[:,2]
    plt.plot(x2,y2)
    plt.xlabel('时刻')
    plt.ylabel('总进站客流')
    plt.title('157各时刻进站客流线性图')
    plt.tight_layout()
    plt.subplot(2,2,3)
    x3=intf151.iloc[:,1]
    y3=intf151.iloc[:,2]
    plt.plot(x3,y3)
    plt.xlabel('时刻')
    plt.ylabel('总进站客流')
    plt.title('151各时刻进站客流线性图')
    plt.tight_layout()
    plt.subplot(2,2,4)
    x4=intf123.iloc[:,1]
    y4=intf123.iloc[:,2]
    plt.plot(x4,y4)
    plt.xlabel('时刻')
    plt.ylabel('总进站客流')
    plt.title('123各时刻进站客流线性图')
    plt.tight_layout()
    plt.savefig("学员4.7/4个站点各时刻进站客流子图.png")
#最后,采用plt.savefig函数保存图片,文件路径如下:"学员4.7/4个站点各时刻进站客流子图.png"
#********** End **********#

### 深度学习基础模型的在线实验闯关教程 为了进行深度学习的基础模型在线实验闯关,可以参考以下内容并结合实际操作完成任务: #### 一、实验目标 通过在线实验平台掌握深度学习基础知识以及具体应用场景下的建模流程。例如,在水质图像识别案例中,利用机器学习和深度学习技术实现对水色图像的自动分类[^3]。 #### 二、所需技能与工具准备 1. **Python编程基础** 学习 Python 的基本语法,并能够熟练编写简单的程序逻辑。可以通过 Conda 创建虚拟环境来管理依赖项,确保开发环境中所需的库版本一致[^1]。 2. **常用深度学习框架** 掌握 TensorFlow 或 PyTorch 中的一种,了解如何定义神经网络结构、设置损失函数及优化器等核心组件。对于初学者来说,可以从官方文档或者 MOOC 平台获取资源开始学习。 3. **数据预处理技巧** 使用 Pandas 和 NumPy 进行表格型数据分析;借助 OpenCV 或 PIL 库加载、裁剪、调整尺寸等操作处理图片文件。由于本项目涉及不同分辨率的照片素材,因此需要统一对它们做标准化变换以便后续输入到 CNN 层次当中去。 4. **集成开发环境 (IDE)** 安装 Visual Studio Code(VSCode),并通过扩展插件支持 Jupyter Notebook 功能,方便一边写代码一边查看中间结果可视化效果。另外还可以配置 Git 版本控制系统用于团队协作共享源码仓库链接地址给其他成员访问修改提交记录等等。 #### 三、具体实施步骤说明 以下是针对上述提到的任务所设计的一套完整的解决方案思路概述如下所示: ##### 数据集划分 将原始收集好的共计两百多张样本随机分成训练集合验证集合两个部分比例设定为百分之八十比上百分二十这样做的目的是为了让算法能够在未知条件下更好地推广预测新事物的能力而不是仅仅记住已知答案而已。 ##### 构建分类模型 采用 sklearn 提供现成封装好了的功能模块 `MLPClassifier` 来快速搭建一个多层感知机架构形式的人工神经元网络实例对象出来之后再指定参数选项比如隐藏层数量节点数激活函数种类正则化强度范围之类的东西最后调用 fit 方法传入特征矩阵标签向量即可启动整个计算过程直至收敛结束为止得到最终拟合出来的权重系数表征关系映射规律等内容存储下来备用下一步骤测试评估阶段需要用到它来进行推断运算得出结论[^2]。 ##### 性能指标衡量 运用混淆矩阵 ROC 曲线下面积 AUC 值精确率召回率 F1-Score 多重维度综合考量当前方案的实际表现水平是否存在明显偏差现象等问题进而采取相应措施加以改进提升整体质量标准达到预期目的要求为止。 ```python from sklearn.neural_network import MLPClassifier import numpy as np # 示例数据 X_train, y_train = np.random.rand(100, 5), np.random.randint(0, high=5, size=(100,)) clf = MLPClassifier(hidden_layer_sizes=(10,), max_iter=100) # 训练模型 clf.fit(X_train, y_train) print(clf.predict([[0., 0., 0., 0., 0.]])) ``` --- ###
评论 1
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

打赏作者

MQiyirs

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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