机器学习可视化散点图
我正在努力重现提供的图像中的可视化样式。
看起来散点图用于显示数据点。 当我尝试创建类似的可视化时，所有位置都变得可见。 我的目的是创建其他散点图，其中具有更大的圆圈，这些圆圈在活动中表现出较深的红色阴影，并且活动较轻，活动不太明显。我相信我需要实现一个阈值，以选择性地显示数据点并避免显示所有这些点。
谁能提供有关如何实现与图片中描绘的可视化的指导？我的情节：
我想要的情节：
我的代码：
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
-
-
-
引用 4楼 -
引用 5楼 -
我正在使用Python中的.grib文件。 我的目标是创建一个函数，该函数将以纬度和经度为输入，并将检索.grib文件中的所有数据（温度，风...
i我正在使用Python中的.grib文件。
我的目标是创建一个将纬度和经度作为输入的函数网格（即特定的纬度和经度），并将其转换为.csv文件。在这里我写的代码，但这给了我一个错误。
import xarray as xr import cfgrib #Loading the dataset DATA = xr.open_dataset(data_path, engine='cfgrib') lat = DATA.latitude lon = DATA.longitude #Create dictionnary for latitude lat_list = [value for value in lat.values.tolist()] lat_index = list(range(len(lat_list))) lat_dict = dict(zip(lat_list,lat_index)) #Create dictionnary for longitude lon_list = [value for value in lon.values.tolist()] lon_index = list(range(len(lon_list))) lon_dict = dict(zip(lon_list,lon_index)) def grid_point_data(data, latitude, longitude, csv_path): #Longitude goes from 50.0 to 25.0 by increment of 0.5 #Latitude goes from -125.0 to -64.0 by increment of 0.25 formated_latitude = min(lat_list, key=lambda x:abs(x-latitude)) formated_longitude = min(lon_list, key=lambda x:abs(x-longitude)) print(formated_latitude,formated_longitude) index_latitude = lat_dict[formated_latitude] index_longitude = lon_dict[formated_longitude] wind_u = data.u[:,:,index_latitude,index_longitude] wind_v = data.v[:,:,index_latitude,index_longitude] wind_w = data.w[:,:,index_latitude,index_longitude] relative_humidity = data.q[:,:,index_latitude,index_longitude] temperature = data.t[:,:,index_latitude,index_longitude] df = wind_u.to_dataframe() df.to_csv(csv_path) return(f'Data has been transfered to {csv_path})数据文件的形状如下：
尺寸：（时间：456，isobaricinhpa：37，纬度：101，经度：245） 坐标： 数字INT32 ... - 时间（时间）DateTime64 [NS] 2015-09-22 ... 2015-10-31T23：00：00：00 step timeDelta64 [ns] ...
- isobaricinhpa（isobaricinhpa）float64 1e+03 975.0 950.0 ... 3.0 2.0 2.0 1.0
- 纬度（纬度）float64 50.0 49.75 49.5 49.25 ... 25.5 25.25 25.0
- 经度（经度）float64 -125.0 -124.8 -124.5 ... -64.25 -64.0 有效_time（time）datetime64 [ns] ... 数据变量： 问（时间，iSobaricinhpa，纬度，经度）float32 ... t（时间，isobaricinhpa，纬度，经度）float32 ... u（时间，isobaricinhpa，纬度，经度）float32 ... v（时间，iSobaricinhpa，纬度，经度）float32 ... w（时间，iSobaricinhpa，纬度，经度）float32 ...
有趣的是，如果我的文件中只有一个纬度和经度，我可以运行以下代码来创建CSV：
def transfer_grib_to_csv(grib_path, csv_path, month): ds = xr.open_dataset(grib_path, engine='cfgrib') df = ds.to_dataframe() #new_csv_path = f"{csv_path}{month}.csv" df.to_csv(csv_path, index=True) print(f"Données transférées avec succès vers {csv_path}")为我提供了一个具有以下格式的CSV文件：
（顺便说一句，这是我想实现的形状）
文件的形状是：
尺寸：（时间：408，isobaricinhpa：32，纬度：1，经度：1） 坐标： 数字INT32 ... - 时间（时间）DateTime64 [NS] 2015-09-11 ... 2015-09-30T23：00：00：00 step timeDelta64 [ns] ...
- isobaricinhpa（isobaricinhpa）float64 875.0 850.0 825.0 ... 3.0 2.0 2.0 1.0
- 纬度（纬度）float64 33.61
- 经度（经度）float64 -84.46 有效_time（time）datetime64 [ns] ... 数据变量： 问（时间，iSobaricinhpa，纬度，经度）float32 ... crwc（时间，isobaricinhpa，纬度，经度）float32 ... t（时间，isobaricinhpa，纬度，经度）float32 ... u（时间，isobaricinhpa，纬度，经度）float32 ... v（时间，iSobaricinhpa，纬度，经度）float32 ... w（时间，iSobaricinhpa，纬度，经度）float32 ...
但是第一个功能中的“ wind_u”的形状是：
尺寸：（时间：456，isobaricinhpa：37） 坐标： 数字INT32 ... - 时间（时间）DateTime64 [NS] 2015-09-22 ... 2015-10-31T23：00：00：00 step timeDelta64 [ns] ...
- isobaricinhpa（isobaricinhpa）float64 1e+03 975.0 950.0 ... 3.0 2.0 2.0 1.0 Latitude Float64 36.75 经度Float64 -79.25 有效_time（time）datetime64 [ns] ... 数据变量： u（时间，isobaricinhpa）float32 ...
它不再将纬度和经度指定为维度。
这是我运行时遇到的错误“ grid_point_data（数据，36.6844，-79.295，csv_path）”：
file“ c：\ users \ tberberian3 \ documents \ scripts \ grid_point_data.py”，第108行，in grid_point_data（数据，36.6844，-79.295，csv_path） ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ 文件“ C：\ Users \ Tberberian3 \ Documents \ Scripts \ grid_point_data.py”，第70行，在GRID_POINT_DATA中 df = wind_u.to_dataframe（） ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^因为 文件“ c：\ user \ tberberian3 \ appdata \ local \ anaconda3 \ enconda3 \ encsosv \ sosev \ lib \ lib \ site-packages \ xarray \ xarray \ core \ core \ dataarray.py.py.py”，第3776行，在to_dataframe中 df = ds._to_dataframe（ordered_dims） ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^es》 文件“ C：\ users \ tberberian3 \ appData \ local \ local \ anaconda3 \ envs \ sosev \ sosev \ lib \ lib \ site-packages \ xarray \ xarray \ core \ dataset.py”，第6253行，在_to_dataframe中 数据= [ ^ 文件“ c：c：\ users \ tberberian3 \ appdata \ local \ anaconda3 \ enconda3 \ envs \ sosev \ sosev \ lib \ lib \ site-packages \ xarray \ xarray \ core \ core \ dataset.py”，第6254行， self._variobles [k] .set_dims（ordered_dims）.values.reshape（-1） ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ 文件“ c：\ user \ tberberian3 \ appdata \ local \ local \ anaconda3 \ envs \ sosenv \ sosev \ lib \ lib \ site-packages \ xarray \ xarray \ core \ core \ variable.py.py，第1721行，in set_dims in set_dims Expanded_data = self.data ^^^^^^^^^^ 文件“ c：\ users \ tberberian3 \ appdata \ local \ anaconda3 \ enconda3 \ envs \ sosev \ lib \ lib \ lib \ site-packages \ xarray \ xarray \ core \ core \ core \ variable.py.py，第435行，在数据中 返回self._data.get_duck_array（） ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^es》 文件“ c：c：\ user \ tberberian3 \ appdata \ local \ local \ anaconda3 \ envs \ sosenv \ sosev \ lib \ lib \ site-packages \ xarray \ xarray \ core \ core \ indexing.py.py.py.py”，第696行，在get_duck_array in get_duck_array self._ensure_cached（） 文件“ C：\ User \ tberberian3 \ appData \ local \ local \ anaconda3 \ encosev \ sosev \ lib \ lib \ lib \ site-packages \ xarray \ xarray \ core \ core \ indexing.py.py.py”，第690行，in _ensure_cached self.Array = as_indexable（self.Array.get_duck_array（）） ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^es》 文件“ c：c：\ user \ tberberian3 \ appdata \ local \ local \ anaconda3 \ envs \ sosenv \ sosev \ lib \ lib \ site-packages \ xarray \ xarray \ core \ core \ indexing.py.py.py.py”，第664行，在get_duck_array in get_duck_array 返回self.array.get_duck_array（） ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^es》 文件“ c：c：\ user \ tberberian3 \ appdata \ local \ local \ anaconda3 \ envs \ sosev \ sosev \ lib \ lib \ site-packages \ xarray \ xarray \ core \ core \ indexing.py.py.py”，第551行，在get_duck_array in get_duck_array array = self.array [self.key] ~~~~~~~~~~~ ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^es 文件“ c：\ users \ tberberian3 \ appdata \ local \ anaconda3 \ enconda \ envs \ sosev \ lib \ lib \ site-packages \ cfgrib \ cfgrib \ xarray_plugin.py”，第155行 返回xr.core.indexing.explitic_indexing_adapter（ ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ 文件“ c：\ user \ tberberian3 \ appdata \ local \ local \ anaconda3 \ envs \ sosev \ sosev \ lib \ lib \ site-packages \ xarray \ xarray \ core \ core \ indexing.py.py”，第858行，在Explicit_indexing_adapter中 结果= raw_indexing_method（raw_key.tuple） ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^es》 文件“ C：\ User \ tberberian3 \ appData \ local \ local \ anaconda3 \ envs \ sosenv \ sosev \ lib \ lib \ site-packages \ cfgrib \ cfgrib \ xarray_plugin.py”，第164行， 返回self.array [key] ~~~~~~~~~~ ^^^^^ 文件“ c：\ users \ tberberian3 \ appdata \ local \ anaconda3 \ envs \ encosev \ sosev \ lib \ lib \ site-packages \ cfgrib \ dataset.py”，第358行 消息= self.index.get_field（message_ids [0]）＃类型：忽略 ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^es 文件“ c：\ users \ tberberian3 \ appdata \ local \ anaconda3 \ envs \ encosev \ sosev \ lib \ lib \ site-packages \ cfgrib \ cfgrib \ messages.py”，第484行，在get_field 返回computedkeysadapter（self.fieldset [message_id]，self.computed_keys） ~~~~~~~~~~~~~~ ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^es 文件“ C：\ User \ Tberberian3 \ AppData \ local \ local \ anaconda3 \ envs \ sosenv \ lib \ lib \ site-packages \ cfgrib \ message.py”，第344行，in get> gettem 返回self.message_from_file（文件，offset = item） ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ 文件“ C：\ User \ Tberberian3 \ AppData \ local \ local \ anaconda3 \ envs \ sosev \ sosev \ lib \ lib \ site-packages \ cfgrib \ cfgrib \ messages.py”，第340行，在message_from_file中 返回消息。from_file（文件，偏移，** kwargs） ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ 文件“ c：\ users \ tberberian3 \ appdata \ local \ anaconda3 \ envs \ encosev \ sosev \ lib \ lib \ site-packages \ cfgrib \ cfgrib \ messages.py”，第93行，in_file in_file file.seek（偏移） OSERROR：[ERRNO 22]无效参数
我还尝试使用wind_u.values.tolist（）方法，但它不起作用
非常感谢您的帮助。
-
-
-
-
-
-
-
引用 13楼
