Scilab中按密度着色的散点图
Posted
技术标签:
【中文标题】Scilab中按密度着色的散点图【英文标题】:Scatter plot colored by density in Scilab 【发布时间】:2018-04-11 21:34:28 【问题描述】:我有一个包含几列数字的大型数据表 (table.dat),我将其作为矩阵导入到 Scilab 6.0 中
A=fscanfMat('table.dat');
然后将该矩阵的两列作为平面中点的 x 和 y 坐标。命令
scatter(A(:,1),A(:,2),0,".")
现在生成一个漂亮的点云,但我想根据平面中数据点的数量密度,即附近点的空间密度,为这个散点图中的每个点着色。例如,点在高密度区域应涂成深蓝色,在低密度区域涂成红色,并在其间的所有彩虹色上平滑过渡。
在这个线程中,Python 的问题得到了解答: How can I make a scatter plot colored by density in matplotlib?
但是如何在 Scilab 中实现呢?
【问题讨论】:
我想你想看看 Scilab 的stixbox
工具箱:atoms.scilab.org/toolboxes/stixbox。该 Python 解决方案中的主要功能是来自 SciPy 的 gaussian_kde
,并且此工具箱提供了 ksdensity
用于内核平滑密度估计。不幸的是,当我尝试运行它时,我的 Scilab 崩溃了。也许你会更幸运。
【参考方案1】:
通过以下方式解决您的问题:
-
计算数据的kernel density estimate (KDE)
d
;
使用rainbowcolormap(n)
创建颜色映射m
和n
颜色;
像这样绘制数据:scatter(x,y,s,d,"fill"); set(gcf(),"color_map",m);
,其中s
是图中标记的大小。
由于我无法使用stixbox
toolbox for Scilab,因此我决定想出一个解决此问题的方法,因此请准备好一个长答案。
纯 Scilab 溶液
首先,我在 Scilab 宏上实现了kernel_density()
。它的输入是x
,一个n×p 数据矩阵,和h
带宽。它的作用是计算以每个数据点为中心、半径为h
的圆/球/n 球内有多少点。
我在这个统计领域不是很有经验,所以我不得不阅读 KDE。事实证明,我的这个解决方案实际上是一种 KDE 方法,它使用带有constant and equal weight for the neighbors 的内核(因此我将h
重命名为“带宽”而不仅仅是“半径”,以及为什么我添加了一个2*h*n
因子计算)。
另外,由于我缺乏知识,我无法实现为给定数据集自动选择最佳h
的方法,因此您必须通过反复试验来选择它。但是,阅读Scipy implementation of gaussian_kde()
(我在您在问题中提供的示例中看到)以及使用来自this question 和this reference 的提示,我想出了一种方法将可能的@ 数量减少到4 987654347@(如果您的数据有 2 个维度)。也许真正的统计学家可以在 cmets 中验证它,或者提供更好的方法:
-
计算数据集的协方差矩阵;
将其平方根乘以斯科特因子:
n ^ (-1 / (p+4))
;
为所有 h
绘制图并选择具有最佳可视化效果的那个。
原来的kernel_density
函数仍然可以在here 中找到,它在大约 10³ 点上运行良好。如果您处理的不止这些,请继续阅读。
C 实现
如 cmets 部分所述,Scilab 的实现相当缓慢。为了获得更好的结果,我在 C 中实现了 kdec()
,并使用 ilib_for_link()
将其链接到 Scilab 宏。但是,这种方法仍然存在问题(请参阅底部的警告说明)。
要在 Scilab 上使用这个功能,你应该有一个兼容的 C 编译器:
如果您使用 UNIX 或类 UNIX 系统,则无需担心。 如果你使用Windows,你应该按照mingw
toolbox的说明在执行kde()
时将其加载到Scilab环境中。
首先,您必须将kdec.c
放在当前的 Scilab 目录中。
//kdec.c
#include <math.h>
void kdec(double f[], double x[], double *h, int *n, int *p)
/* x[]: (n*p)-by-1 array of data
* *h: bandwitdh
* *n: the number of points
* *p: the number of dimensions
* f[]: the output
*
* the local neighborhood density can be defined as (for constant weight):
* f(x0) = sum_from i_to n of K(||x_i - x_0|| <= h) / 2hn
* where: x0 is the observed point, which can have p-dimensions;
* K(a) = 1 if a == True
* 0 if a == False
*/
int n_ = *n; int p_ = *p; double h_ = *h;
int d, j, k;
double dif, norm;
for(j = 0; j < n_; j++)
f[j] = 0;
for(k = 0; k < n_; k++)
norm = 0;
for(d = 0; d < p_; d++)
dif = x[k + d*n_] - x[j + d*n_];
norm = norm + dif * dif;
norm = sqrt(norm);
if (norm <= h_)
f[j] = f[j] + 1;
f[j] = f[j] / (2 * (h_) * (n_));
然后,设置kde.sci
以调用kdec
C 函数并包装在新的Scilab kde
函数中。
//kde.sci
if ~isdef('kde') then
ilib_for_link('kdec','kdec.c',[],"c") //compile and create the new shared library
exec('loader.sce',-1); //load library
end
//create a wrapper function to improve interface with interface 'kdec'
function varargout = kde(x,h)
//x: n-by-p matrix of data, each column is a dimension
//h: bandwitdh
[n, p] = size(x); //n: number of points
//p: number of dimensions
x = x(1:$);
if length(h) ~= 1 then
error("kde(x,h): x should be n-by-p matrx; " +...
"h shoud be scalar, positive, and real");
end
f = call('kdec'...
, x , 2, 'd'...
, abs(h), 3, 'd'...
, n , 4, 'i'...
, p , 5, 'i'...
,'out'...
,[n,1] , 1, 'd' );
varargout = list(f)
endfunction
由于我在统计方面没有得到任何改善,您仍然需要手动设置h
。然而,经过多次测试,二维数据的最佳结果似乎是:
scotts_factor = n ^ (-1 / (p+4))
h = sqrt(abs(cov(A))) .* scotts_factor;
h = h(2);
这是一些测试:
exec('kde.sci',-1);
//create data set
n = 1d4;
p = 2;
A = grand((n/2), 1, "nor", 0, 1);
A = [A, A * 3 + grand((n/2), 1, "nor", 0, 1)];
A = [ A ; [ A(:,1) * 0.8 , A(:,2) * 1.3 + 10 ] ];
//calculating bandwidth
scotts_factor = n ^ (-1 / (p+4))
h = sqrt(abs(cov(A))) .* scotts_factor;
h = h(2);
//calculate density
d = kde(A, h);
[d, idx] = gsort(d); //sorting data to plot higher-density points
idx = idx($:-1:1); //over lower-density ones
d = d($:-1:1); //(reversing densities matrix)
A = A(idx,:); //(reordering data matrix)
//plotting
scf(); clf();
scatter(A(:,1), A(:,2), 10, d, "fill");
m = rainbowcolormap(32); //create the rainbow color map
m = m($:-1:1,:); //reverse it to get hotter colors on higher densities
set(gcf(),'color_map',m); //set the desired color map
输出是:
警告说明
即使在 C 中实现之后,它仍然是一个高成本的函数。由于两个嵌套的 for 循环,它是 O(n²)。 我做了一些测量,结果如下:
n (points) | 10^3 | 5*10^3 | 10^4 | 10^5
-------------+---------+--------+--------+---------
t (seconds) | 0.13751 | 1.2772 | 4.4545 | 323.34
运行kde()
获得 100k 点需要超过 5 分钟。既然你说你想评估 1M 点,我也不推荐这个解决方案。不过,将其与纯 Scilab 解决方案进行比较:后者仅需要 5 秒才能处理 10³ 点(!)。这已经是一个巨大的进步,但恐怕我的解决方案不会变得更好。也许您应该尝试减少样本数量,或者寻找其他计算工具,例如R。
【讨论】:
感谢您的精彩回答!但不幸的是,当它是一个非常大的数据集(如 10^6 点)时,它会永远加载。知道如何加快速度吗? @kolaka 实际上,我也注意到这是一个非常缓慢的解决方案,但我忘了对此进行说明。也许一种解决方案是将其翻译成 C 或 FORTRAN 并使用call
将 i “导入”到 Scilab 脚本,但我没有对此进行调查。
@kolaka 我更新了这个答案。也许它现在对你有用。
感谢@luispauloml,但由于某种原因,我无法在我的系统(Windows 7)上使用它。我从 gcc 获得多个错误,目前无法修复。不幸的是,我也没有任何在 Scilab 中使用 C 编译器的经验。
@kolaka 处理这些错误是了解调用 C 和 FORTRAN 函数这一特性的好机会。如果你真的想坚持使用 Scilab,也许你应该向某人询问这些错误,或者甚至在 *** 上提出另一个问题。不管怎样,祝你任务顺利,不管它是什么。以上是关于Scilab中按密度着色的散点图的主要内容,如果未能解决你的问题,请参考以下文章
100天精通Python(可视化篇)——第82天:matplotlib绘制不同种类炫酷散点图参数说明+代码实战(二维散点图三维散点图散点图矩阵)