def plot2list(self, params, params_scores, better_params):
pp = MyMatplotlib("myTest/")
for name in params.keys():
values = params[name]
scores = params_scores[name]
better_param = better_params[name]
# 这里简单处理了可能存在的嵌套参数的问题
pp.plot_plot(name.replace('base_estimator__', ''), values, scores,
name.replace('base_estimator__', ''), 'score',
better_param)
def correlationHotMap(self,
X,
column_names=None,
annot=False,
change_ticks_fontsize=False,
rotation_ticks=False):
"""
关联矩阵分析-->热力图
热力图没有label，不分因此只要X不要y
:param X: 二维矩阵
:param column_names: 属性的列名，如果没有传入列名的话，自动生成列名
:param annot: 是否在格子里标注数据
:param change_ticks_fontsize: 是否改变ticks的字体大小
:param rotation_ticks: 是否旋转ticks（名字太长了就要这样做）
:return:
"""
func_name = '相关性分析'
# 将二维矩阵转化为DataFrame
if isinstance(X, pd.DataFrame):
df = X
else:
df = pd.DataFrame(X, columns=column_names)
corr_mat = df.corr()
# 保存热力图元数据
excel_name = TimeTool().getCurrentTime() + '.xls'
file_savePath = os.path.join(self.save_path, excel_name)
corr_mat.to_excel(file_savePath)
# 绘制热力图
self.fig_path = MyMatplotlib(self.save_path).plot_heatmap(
corr_mat, annot, change_ticks_fontsize, rotation_ticks)
return None
def correlationPair(self,
X,
y=None,
names=None,
hue=False,
reg=False,
vars=None):
"""
所有变量中任意两个变量之间的图形， 用矩阵图探索多维数据不同维度间的相关性
这里由于可以，对不同的类进行分析， 所以可以传入y
实际使用时，可以通过plot_pair函数的传参来设置，仅分析属性，还是连类别也分析
需要根据y是否存在分为监督学习还是非监督学习
:param X:
:param y:
:param names: 列名，属性名
:param hue: 是否分类
:param reg:
:param vars:
:return:
"""
func_name = '特征矩阵图'
# 将二维矩阵转化为DataFrame
if isinstance(X, pd.DataFrame):
df = X
else:
df = pd.DataFrame(X, columns=names)
if hue:
labels = [str(i) for i in y]
df['label'] = labels
# 绘制矩阵图
self.fig_path = MyMatplotlib(self.save_path).plot_pair(
df, hue, reg, vars)
return None