Диаграмма рассеяния визуализации машинного обучения
Я стремлюсь воспроизвести стиль визуализации на предоставленном изображении. Похоже, что для отображения точек данных используется диаграмма рассеяния. Когда я пытаюсь создать подобную визуализацию, все локации становятся видимыми. Моя цель — создать другую диаграмму рассеяния, показывающую более крупные круги, которые имеют более темный оттенок красного в областях с большей активностью и более светлый оттенок, где активность менее выражена.
Я считаю, что мне нужно реализовать порог для выборочного отображения точек данных и избежать показа их всех. Может ли кто-нибудь дать указания, как мне добиться визуализации, подобной той, что изображена на картинке?
Мой сюжет:
Сюжет, который я хочу:
Мой код:
def plot_cumulative_heatmap(positions: List[Tuple[float, float]], map_name: str = "de_mirage", map_type: str = "original", dark: bool = False, titel: str = "Counter-Terrorist Attacking", isPistol: str = "Pistol Round") -> Literal[True]:
heatmap_fig, heatmap_axes = plot_map(map_name=map_name, map_type=map_type, dark=dark)
heatmap_data = []
for position in positions:
x, y = position
heatmap_data.append((x, y))
# Extract data for plotting
x, y = zip(*heatmap_data)
sns.scatterplot(x=x, y=y, color='red', s=5, ax=heatmap_axes, alpha=0.5)
heatmap_axes.set_title(f"{titel}\nTotal Positions: {len(positions)}\n{isPistol}", fontsize=14, weight = "bold")
heatmap_axes.get_xaxis().set_visible(False)
heatmap_axes.get_yaxis().set_visible(False)
print("Heatmap saved.")
return True
Ответы 1
Один прозрачный кружок на каждую точку ввода
Следующий подход рисует большие прозрачные круги для каждой входной пары координат. Если реальные входные данные содержат несколько точек с одинаковыми координатами, их прозрачность суммируется.
import matplotlib.pyplot as plt
import numpy as np
# create some dummy test data
np.random.seed(20240311)
x = np.random.randn(20, 25).cumsum(axis=1).ravel()
y = np.random.randn(20, 25).cumsum(axis=1).ravel()
filter = (np.abs(x) < 7) & (np.abs(y) < 7) & ((np.abs(x) > 5) | (np.abs(y) > 5))
x = x[filter]
y = y[filter]
fig, ax = plt.subplots()
fig.set_facecolor('black')
ax.set_aspect('equal', 'datalim')
ax.scatter(x, y, color='salmon', alpha=0.3, lw=0, s=500)
# draw rectangles representing the walls
ax.add_patch(plt.Rectangle((-7, -7), 14, 14, fc='none', ec='w', lw=2))
ax.add_patch(plt.Rectangle((-5, -5), 10, 10, fc='none', ec='w', lw=2))
ax.axis('off')
plt.show()
Используйте KMeans для группировки точек, альфа в зависимости от количества
Другой подход использует KMeans для поиска центров групп точек, расположенных близко друг к другу. Затем в этих местах можно нарисовать большие точки, прозрачность которых зависит от количества точек в каждом кластере.
Измените количество кластеров (здесь n_clusters=20), чтобы получить больше или меньше кругов.
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import numpy as np
# dummy test data from the other example
kmeans = KMeans(n_clusters=20, init='k-means++', random_state=0)
kmeans.fit(np.c_[x, y])
centroids = kmeans.cluster_centers_
labels = kmeans.labels_
counts = np.bincount(labels)
max_count = counts.max()
fig, ax = plt.subplots()
fig.set_facecolor('black')
ax.set_facecolor('none')
alphas = 0.2 + 0.8 * counts / max_count
ax.scatter(x=centroids[:, 0], y=centroids[:, 1], color='salmon', s=1000, lw=0, alpha=alphas)
ax.set_aspect('equal', 'datalim')
# draw rectangles representing the walls
ax.add_patch(plt.Rectangle((-7, -7), 14, 14, fc='none', ec='w', lw=2, zorder=0))
ax.add_patch(plt.Rectangle((-5, -5), 10, 10, fc='none', ec='w', lw=2, zorder=0))
ax. Axis('off')
plt.tight_layout()
plt.show()
Какой из двух подходов лучше всего сработал для ваших данных?
Как в этом посте предполагается, что вам может потребоваться передать альфа-значение через kwargs в качестве словаря.