#
import numpy as npimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltfrom pylab import mplmpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题导入数据各个海滨城市数据--# 去除没用的列city_list = [ferrara,torino,mantova,milano,ravenna,asti,bologna,piacenza,cesena,faenza]for city in city_list: city.drop('Unnamed: 0',axis=1,inplace=True)#显示最高温度于离海远近的关系（观察多个城市）city_max_temp = [] #城市city_dist = [] #距离for city in city_list: temp = city['temp'].max() dist = city['dist'].max() city_max_temp.append(temp) city_dist.append(dist)plt.scatter(city_dist,city_max_temp) #x自变量 y因变量plt.xlabel('距离')plt.ylabel('最高温度')plt.title('最高温度额距离之间的关系')观察发现，离海近的可以形成一条直线，离海远的也能形成一条直线。- 分别以100公里和50公里为分界点，划分为离海近和离海远的两组数据(近海：小于100 远海：大于50)#数据转存到numpy中city_dist = np.array(city_dist) #任意维度的数组city_max_temp = np.array(city_max_temp)#加条件 判断condition = city_dist < 100 #True False 布尔值near_city_dist = city_dist[condition] #索引 只拿True对应的值near_city_temp = city_max_temp[condition] #索引#下面绘图 plt.scatter(near_city_dist,near_city_temp) #x自变量 y因变量plt.xlabel('近海距离')plt.ylabel('近海最高温度')plt.title('近海城市最高温度额距离之间的关系') # sklearn
机器学习: 算法模型 -- 特殊对象.内部已经帮我们集成或者封装好一个某一种算法或者某一种方程(还没有解的方程) 样本数据 -- 样本对象的数据 帮助方程求出解 特征数据 -自变量 目标数据 -因变量 模型分类 有监督学习 样本数据必须包含特征数据和目标数据 -线性回归算法模型 无监督学习 只包含特征数据 半监督学习 前期训练 后期预测 (少用) 算法模型的作用 -- 预测未知 分类
#特征数据feature = near_city_dist.reshape(-1,1)#目标数据target = near_city_tempprint('真实值',target)print('预测值',linner.predict(feature)) # 导入sklearn 建立线性回归算法模型对象 from sklearn.linear_model import LinearRegression #线性回归 有监督学习linner = LinearRegression() #实例化s#求解(训练模型):需要将样本数据(特征,目标) 带入到模型对象中linner.fit(near_city_dist.reshape(-1,1),near_city_temp) #X 特征数据 只能2维 y:目标 reshape(行 列)y = linner.predict([[81],[90]]) #调用方程 (X)linner.score(near_city_dist.reshape(-1,1),near_city_temp) #计算模型分数#绘制直线(是由点组成)x = np.linspace(0,80,100)y = linner.predict(x.reshape(-1,1))plt.scatter(near_city_dist,near_city_temp)plt.xlabel('近海城市距离')plt.ylabel('近海城市最高温度')plt.title('近海城市最高温度和距离之间的关系')plt.scatter(x,y)