分類模型決策邊界中的np.meshgrid()與np.c_[]兩個函數的使用

np.meshgrid

np.c_[xx.ravel(), yy.ravel()]

代碼

xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02),
            np.arange(y_min, y_max, 0.02)
           )
predict = clf.predict(np.c_[xx.ravel(), yy.ravel()])
predict = predict.reshape(xx.shape)
# xx.ravel()
print("xx: ", xx, len(xx))
print("xx.reval: ", xx.ravel(), len(xx.ravel()))

print("yy: ", yy, len(yy))
print("yy.reval: ", yy.ravel(), len(yy.ravel()))

print("np.c_[xx.ravel(), yy.ravel()]", np.c_[xx.ravel(), yy.ravel()])

執行結果

xx:  [[3.3  3.32 3.34 ... 7.94 7.96 7.98]
 [3.3  3.32 3.34 ... 7.94 7.96 7.98]
 [3.3  3.32 3.34 ... 7.94 7.96 7.98]
 ...
 [3.3  3.32 3.34 ... 7.94 7.96 7.98]
 [3.3  3.32 3.34 ... 7.94 7.96 7.98]
 [3.3  3.32 3.34 ... 7.94 7.96 7.98]] 220
    
xx.reval:  [3.3  3.32 3.34 ... 7.94 7.96 7.98] 51700
    
yy:  [[1.   1.   1.   ... 1.   1.   1.  ]
 [1.02 1.02 1.02 ... 1.02 1.02 1.02]
 [1.04 1.04 1.04 ... 1.04 1.04 1.04]
 ...
 [5.34 5.34 5.34 ... 5.34 5.34 5.34]
 [5.36 5.36 5.36 ... 5.36 5.36 5.36]
 [5.38 5.38 5.38 ... 5.38 5.38 5.38]] 220
    
yy.reval:  [1.   1.   1.   ... 5.38 5.38 5.38] 51700
    
np.c_[xx.ravel(), yy.ravel()] [[3.3  1.  ]
 [3.32 1.  ]
 [3.34 1.  ]
 ...
 [7.94 5.38]
 [7.96 5.38]
 [7.98 5.38]]

解釋

xx, yy = np.meshgrid([1, 1, 1],
                     [2, 2, 2, 2, 2]
           )

• np.meshgrid： 會返回兩個np.arange類型的列表

• xx: 共len([2, 2, 2, 2, 2])行，每行元素均為[1, 1, 1]

• yy：共len([1, 1, 1])列， 每列元素均為[2, 2, 2, 2, 2]

• 返回的兩個矩陣均為：len([2, 2, 2, 2, 2])行，len([1, 1, 1])的矩陣

• 具體請參考： https://www.cnblogs.com/klchang/p/10633972.html

• xx.reval()：將多為列表轉換為一維列表，

  xx = [
      [1, 1, 1],
      [2, 2, 2]
  ]
  
  xx.reval()
  [1, 1, 1, 2, 2, 2]
  

• np.c_[xx.ravel(), yy.ravel()]： np.c_：是按行連接兩個矩陣，就是把兩矩陣左右相加，要求行數相等，類似於pandas中的merge()。

  a = [1, 1, 1]
  b = [2, 2, 2]
  
  np.c_[a, b] ===>
  [
      [1, 2],
      [1, 2],
      [1, 2]
  ]
  

  • 具體請參考： https://www.cnblogs.com/shaosks/p/9890787.html