Nano Hash - криптовалюты, майнинг, программирование

распространять тепловую карту imshow за пределы оси

У меня есть массив позиций x, y на одном временном шаге, но я знаю, что со временем этот диапазон будет расширяться (как уже установлено диапазоном изображения). Есть ли способ сделать остальную часть сетки в диапазоне равной 0, пока она не будет заполнена. Насколько я понимаю, позиции x, y или сама карта из np.histogram2d должны быть реструктурированы в новой сетке другого размера, хотя я не уверен, как это сделать. Пока у меня есть:

heatmap, xedges, yedges = np.histogram2d(x,y, bins=50)
extent = [xedges[0], xedges[-1], yedges[0], yedges[-1]]
ax.imshow(heatmap.T, origin='lower',extent=extent,cmap='cubehelix')
ax.set_xlim([20,220])
ax.set_ylim([-1,1])

Но это приводит к замкнутой области. Я хочу сделать пустое пространство черным в основном, пока новые позиции x, y не заполнят их на каком-то более позднем временном шаге.

тепловая карта

python matplotlib imshow
06.02.2015

Ответы:


1

Чтобы управлять экстентом гистограммы независимо от данных, переданных в numpy.histogram2d, задайте местоположения бинов как массивы.

Например, что-то вроде:

import numpy as np
import matplotlib.pyplot as plt

# Known ranges for the histogram and plot
xmin, xmax = 20, 220
ymin, ymax = -1, 1

# Generate some random data
x = np.random.normal(48, 5, 100)
y = np.random.normal(0.4, 0.1, 100)

# Create arrays specifying the bin edges
nbins = 50
xbins = np.linspace(xmin, xmax, nbins)
ybins = np.linspace(ymin, ymax, nbins)

# Create the histogram using the specified bins
data, _, _ = np.histogram2d(x, y, bins=(xbins, ybins))

# Plot the result
fig, ax = plt.subplots()
ax.imshow(data.T, origin='lower', cmap='cubehelix', aspect='auto',
          interpolation='nearest', extent=[xmin, xmax, ymin, ymax])

ax.axis([xmin, xmax, ymin, ymax])
plt.show()

введите здесь описание изображения

06.02.2015
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..