资源简介
基于小波变换的多尺度空间能量分布的特征提取
代码片段和文件信息
#-*- coding: utf-8 -*-
#数据规范化
import pandas as pd
datafile = ‘discretization_data.xls‘ #参数初始化
data = pd.read_excel(datafile) #读取数据
data = data[u‘肝气郁结证型系数‘].copy()
k = 4
d1 = pd.cut(data k labels = range(k)) #等宽离散化,各个类比依次命名为0123
#等频率离散化
w = [1.0*i/k for i in range(k+1)]
w = data.describe(percentiles = w)[4:4+k+1] #使用describe函数自动计算分位数
w[0] = w[0]*(1-1e-10)
d2 = pd.cut(data w labels = range(k))
from sklearn.cluster import KMeans #引入KMeans
kmodel = KMeans(n_clusters = k n_jobs = 4) #建立模型,n_jobs是并行数,一般等于CPU数较好
kmodel.fit(data.values.reshape((len(data) 1))) #训练模型
c = pd.Dataframe(kmodel.cluster_centers_).sort(0) #输出聚类中心,并且排序(默认是随机序的)
w = pd.rolling_mean(c 2).iloc[1:] #相邻两项求中点,作为边界点
w = [0] + list(w[0]) + [data.max()] #把首末边界点加上
d3 = pd.cut(data w labels = range(k))
def cluster_plot(d k): #自定义作图函数来显示聚类结果
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘] #用来正常显示中文标签
plt.rcParams[‘axes.unicode_minus‘] = False #用来正常显示负号
plt.figure(figsize = (8 3))
for j in range(0 k):
plt.plot(data[d==j] [j for i in d[d==j]] ‘o‘)
plt.ylim(-0.5 k-0.5)
return plt
cluster_plot(d1 k).show()
cluster_plot(d2 k).show()
cluster_plot(d3 k).show()
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
目录 0 2020-03-02 15:19 WaveAnalyze\
文件 1546 2018-12-25 20:12 WaveAnalyze\data_discretization.py
文件 402 2018-12-25 16:15 WaveAnalyze\data_normalization.py
文件 60416 2018-12-25 20:10 WaveAnalyze\discretization_data.xls
文件 23552 2015-12-05 21:06 WaveAnalyze\electricity_data.xls
文件 34589 2015-12-05 21:06 WaveAnalyze\leleccum.mat
文件 416 2018-12-25 20:26 WaveAnalyze\line_rate_construct.py
文件 22528 2015-12-05 21:06 WaveAnalyze\normalization_data.xls
文件 25600 2015-12-05 21:06 WaveAnalyze\principal_component.xls
文件 464 2018-12-26 14:15 WaveAnalyze\principal_component_analyze.py
文件 496 2018-12-26 13:59 WaveAnalyze\wave_analyze.py
文件 0 2020-03-02 15:17 WaveAnalyze\__init__.py
评论
共有 条评论