python多进程map用户 scatter绘图 make_blobs聚类数据生成

python multiprocessing

map（func，iterable [，chunksize ] ）

map()内置函数的并行等价物（尽管它只支持一个可迭代的参数）。它会阻塞，直到结果准备就绪。此方法将iterable内的每一个对象作为单独的任务提交给进程池。可以通过将chunksize设置为正整数来指定这些块的（近似）大小。

from multiprocessing import Pool
def test(i):
    print(i)
if  __name__ == "__main__":
    lists = [1, 2, 3]
    pool = Pool(processes=2)       #定义最大的进程数
    pool.map(test, lists)          #p必须是一个可迭代变量。
    pool.close()
    pool.join()
-----------------------------------
©著作权归作者所有：来自51CTO博客作者Python热爱者的原创作品，请联系作者获取转载授权，否则将追究法律责任
python学习：multiprocessing多进程-Pool进程池模块
https://blog.51cto.com/u_14246112/5730105

 

Searching Arrays

You can search an array for a certain value, and return the indexes that get a match.

To search an array, use the where() method.

Example

Find the indexes where the value is 4:

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 4, 4])

x = np.where(arr == 4)

print(x)

The example above will return a tuple: (array([3, 5, 6],)

Which means that the value 4 is present at index 3, 5, and 6.

Example

Find the indexes where the values are even:

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])

x = np.where(arr%2 == 0)

print(x)

 

 

python scatter绘图 举个示例

本文记录了python中的数据可视化——散点图scatter，令x作为数据（50个点，每个30维），我们仅可视化前两维。labels为其类别（假设有三类）。

这里的x就用random来了，具体数据具体分析。

label设定为[1:20]->1, [21:35]->2, [36:50]->3，（python中数组连接方法：先强制转为list，用+，再转回array）

用matplotlib的scatter绘制散点图，legend和matlab中稍有不同，详见代码。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

x = rand(50,30) from numpy import * import matplotlib import matplotlib.pyplot as plt    #basic f1 = plt.figure(1) plt.subplot(211) plt.scatter(x[:,1],x[:,0])    # with label plt.subplot(212) label = list(ones(20))+list(2*ones(15))+list(3*ones(15)) label = array(label) plt.scatter(x[:,1],x[:,0],15.0*label,15.0*label)    # with legend f2 = plt.figure(2) idx_1 = find(label==1) p1 = plt.scatter(x[idx_1,1], x[idx_1,0], marker = 'x', color = 'm', label='1', s = 30) idx_2 = find(label==2) p2 = plt.scatter(x[idx_2,1], x[idx_2,0], marker = '+', color = 'c', label='2', s = 50) idx_3 = find(label==3) p3 = plt.scatter(x[idx_3,1], x[idx_3,0], marker = 'o', color = 'r', label='3', s = 15) plt.legend(loc = 'upper right')

result：

figure(1)：

figure(2)：

 

sklearn中的make_blobs函数主要是为了生成数据集的，具体如下：

调用make_blobs

make_blobs的用法

data, label = make_blobs(n_features=2, n_samples=100, centers=3, random_state=3, cluster_std=[0.8, 2, 5])

• n_features表示每一个样本有多少特征值
• n_samples表示样本的个数
• centers是聚类中心点的个数，可以理解为label的种类数
• random_state是随机种子，可以固定生成的数据
• cluster_std设置每个类别的方差