[人工智能]数据挖掘相关函数学习(一)

选用一门语言，生成两组数据，数据规模不限，使得两组数据的相关系数为-1,-0.9,-0.8,0.8,0.9,1,并在二维坐标系中画出两组数据。

1.os.getcwd()

该函数不需要传递参数，它返回当前的目录。需要说明的是，当前目录并不是指脚本所在的目录，而是所运行脚本的目录。

2.plt.figure()

def figure(num=None,  # autoincrement if None, else integer from 1-N
           figsize=None,  # defaults to rc figure.figsize
           dpi=None,  # defaults to rc figure.dpi
           facecolor=None,  # defaults to rc figure.facecolor
           edgecolor=None,  # defaults to rc figure.edgecolor
           frameon=True,
           FigureClass=Figure,
           clear=False,
           **kwargs
           ):

autoincrement自动递增 integer整数 default默认
facecolor面部颜色 edgecolor边缘颜色

3.np.arange()

#一个参数 默认起点0，步长为1 输出：[0 1 2]
a = np.arange(3)

#两个参数 默认步长为1 输出[3 4 5 6 7 8]
a = np.arange(3,9)

#三个参数 起点为0，终点为4，步长为0.1 输出[ 0.   0.1  0.2  0.3  0.4  0.5  0.6  0.7  0.8  0.9  1.   1.1  1.2  1.3  1.4 1.5  1.6  1.7  1.8  1.9  2.   2.1  2.2  2.3  2.4  2.5  2.6  2.7  2.8  2.9]
a = np.arange(0, 3, 0.1)

4.round()

round() 方法返回浮点数x的四舍五入值
round( x [, n]  )
参数
x -- 数值表达式。
n -- 数值表达式，表示从小数点位数。

5. plt.scatter()散点图画法函数

scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)

matplotlib.pyplot.scatter(x, 
	y, 
	s=20, 
	c='b', 
	marker='o', 
	cmap=None, 
	norm=None, 
	vmin=None, 
	vmax=None, 
	alpha=None, 
	linewidths=None, 
	verts=None, 
	hold=None, 
	**kwargs)

x，y：表示的是shape大小为(n,)的数组，也就是我们即将绘制散点图的数据点，输入数据。

s：表示的是大小，是一个标量或者是一个shape大小为(n,)的数组，可选，默认20。

c：表示的是色彩或颜色序列，可选，默认蓝色’b’。但是c不应该是一个单一的RGB数字，也不应该是一个RGBA的序列，因为不便区分。c可以是一个RGB或RGBA二维行数组。
在这里插入图片描述

marker：MarkerStyle，表示的是标记的样式，可选，默认’o’。

cmap：Colormap，标量或者是一个colormap的名字，cmap仅仅当c是一个浮点数数组的时候才使用。如果没有申明就是image.cmap，可选，默认None。

norm：Normalize，数据亮度在0-1之间，也是只有c是一个浮点数的数组的时候才使用。如果没有申明，就是默认None。

vmin，vmax：标量，当norm存在的时候忽略。用来进行亮度数据的归一化，可选，默认None。

alpha：标量，0-1之间，可选，默认None。

linewidths：也就是标记点的长度，默认None。

6.np.random.multivariate_normal()

np.random.multivariate_normal()方法用于根据实际情况生成一个多元正态分布矩阵（正态分布基本概念戳这里），其在Python3中的定义如下：

def multivariate_normal(mean, cov, size=None, check_valid=None, tol=None) 

其中mean和cov为必要的传参而size，check_valid以及tol为可选参数。

    mean：mean是多维分布的均值维度为1；

    cov：协方差矩阵（协方差基本概念戳这里），注意：协方差矩阵必须是对称的且需为半正定矩阵；

    size：指定生成的正态分布矩阵的维度（例：若size=(1, 1, 2)，则输出的矩阵的shape即形状为 1X1X2XN（N为mean的长度））。

    check_valid：这个参数用于决定当cov即协方差矩阵不是半正定矩阵时程序的处理方式，它一共有三个值：warn，raise以及ignore。当使用warn作为传入的参数时，如果cov不是半正定的程序会输出警告但仍旧会得到结果；当使用raise作为传入的参数时，如果cov不是半正定的程序会报错且不会计算出结果；当使用ignore时忽略这个问题即无论cov是否为半正定的都会计算出结果。

7.plt.subplot()

在matplotlib下，一个Figure对象可以包含多个子图（Axes），
可以使用subplot()快速绘制，其调用形式如下：

subplot(numRows, numCols, plotNum)

图表的整个绘图区域被分成numRows行和numCols列，
plotNum参数指定创建的Axes对象所在的区域，
如何理解呢？如果numRows ＝ 3，numCols ＝ 2，
那整个绘制图表样式为3X2的图片区域，
用坐标表示为（1，1），（1，2），（1，3），
（2，1），（2，2），（2，3）。这时，当plotNum ＝ 1时，
表示的坐标为（1，3），即第一行第一列的子图

import numpy as np   
import matplotlib.pyplot as plt   
  
  
plt.subplot(221) //分成2x2，占用第一个，即第一行第一列的子图  
plt.subplot(222)//分成2x2，占用第二个，即第一行第二列的子图  
plt.subplot(212)//分成2x1，占用第二个，即第二行  
  
  
plt.show()