❤九月❤份了，车神哥又回归了校园
❉冬天❉还会远吗
♪推荐一首最近很⚡喜欢⚡的歌♪
❀No Fear In My Heart -朴树❀

由于最近在写一篇相关的论文，就说说其中遇到的一些问题吧~

Minisom

之前做过一个对minisom的第三方开源库的介绍，可以点击看这里。

对相应的代码添加了注释：

导入各种库吧

# 导入库from sklearn.model_selection import train_test_splitfrom sklearn.metrics import classification_reportimport numpy as npimport matplotlib.pyplot as pltfrom matplotlib.patches import Patchimport pandas as pdfrom minisom import MiniSomimport mathimport xlrdfrom icecream import icfrom tqdm import tqdmfrom openpyxl import load_workbookimport openpyxlfrom time import time

第一步是导入数据的Function，这很简单就不解释了

# 传入数据成DataFrame的矩阵格式def loaddata(datafile, num_name):    df = pd.read_excel(datafile, sheet_name=num_name, index_col=0)   # 导入数据    return df  # 返回值

由于代码不是很长，就没有按照模块来写了

然后是导入源文件及其标签。
说实话，在现实项目中，想要找到不同特征的标签是真的真的真的太难了！！！
不要问为什么，当你实践你就知道了~

# 导入原始数据# 1.导入训练和测试数据集datafile = "*********.xls"  # 原始数据文件名# 2.导入标签数据y = pd.DataFrame(pd.read_csv("label****.csv"))    # 读取你的标签数据或者原有的标签是最好的yy = []   # 设置空矩阵# 循环将标签导入yy矩阵中for iy in range(y.shape[0]):    Uy = y.iloc[iy, 0]    yy.append(int(Uy))y = yy   # 赋值给y

再读取每个sheet中的不同特征名称，我的数据集是这样，如果你没有特征名称，最好对其进行标记，这样会更加有效。

# 3.读取特征标签feature_names = pd.DataFrame(pd.read_excel(datafile, index_col=0)).columns   # 取数据的列：特征标签class_names = [0, 1]  # 标签名称feat = []   # 设置空矩阵# 循环将特征名称添加到feat矩阵中for tz in range(feature_names.shape[0]):    tezh = feature_names[tz]    feat.append(tezh)  # 逐步添加进featfeature_names = feat   # 赋值给feature_namesprint("特征名称:", feature_names)

由于我的源文件会有很多个sheet，所以需要对每一个sheet进行训练及测试，再进行保存操作，如果你只要一个数据表的话，可以对此进行相应的改进。

# 按照每一个数据Sheet读取每一层的数据# 读取文件数据集workbook = xlrd.open_workbook(datafile)  # 打开数据文件sheets = workbook.sheet_names()   # 读取原始数据的数据表sheet名SheetNames = []   # 设置空矩阵# 循环输出for sheetname in tqdm(sheets):    print("表格的名称是：", sheetname)    SheetNames.append(sheetname)   # 循环添加进空矩阵SheetNames中print("原始数据表的表单名称为：", SheetNames)num_n = pd.DataFrame(SheetNames).shape[0]  # 获取表单的个数print("表单的个数为：", num_n)# 设置空数据表1dff = pd.DataFrame(columns=["title", "content"])    # 添加列名dff.to_excel("SOM_Result.xlsx")   # 保存到"SOM_Result.xlsx"## 设置空数据表2dff2 = pd.DataFrame(columns=["title1", "content1"])   # 添加列名dff2.to_excel("SOM_label_result.xlsx")  # 保存到"SOM_label_result.xlsx"start_time = time()    # 记录设置开始的时间

接下来也是对我的每一个表单进行循环遍历训练及其测试的过程，如果只需要进行一次，那么只需要取消循环过程，更改其中的一些变量即可。
其中包含SOM的训练及测试，权值矩阵、map、聚类结果的可视化，精确度等操作。

for i_c in range(num_n):    if i_c < num_n:        print("程序目前处在第%r层数." % SheetNames[i_c])        XMat = loaddata(datafile, num_name=SheetNames[i_c])  # 返回得到浮点型矩阵        # 设置空数据表1        dff = pd.DataFrame(columns=["title", "content"])  # 添加列名        dff.to_excel("SOM_Result_"+ SheetNames[i_c] +".xlsx")  # 保存到"SOM_Result.xlsx"        ## 设置空数据表2        dff2 = pd.DataFrame(columns=["title1", "content1"])  # 添加列名        dff2.to_excel("SOM_label_result_"+ SheetNames[i_c] +".xlsx")  # 保存到"SOM_label_result.xlsx"        X =  XMat.values    # 将DataFrame格式改为np.array矩阵        # 划分训练集、测试集  7:3        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)  # X为原始数据，y为标签数据，test_size为训练集和测试集划分比例，random_state为选择随机打乱的方式，可设置为0或1方式        N = X_train.shape[0]  #样本数量        M = X_train.shape[1]  #维度/特征数量        """        设置超参数        """        size = math.ceil(np.sqrt(5 * np.sqrt(N)))  # 经验公式：决定输出层尺寸        print("训练样本个数:{}  测试样本个数:{}".format(N, X_test.shape[0]))        print("输出网格最佳边长为:", size)        max_iter = 1000  # 迭代次数        # Initialization and training（初始化及其训练） size为神经元数，M为输入维度/特征数量， learning——rate为学习率        som = MiniSom(size, size, M, sigma=3, learning_rate=0.5,                      neighborhood_function="bubble")    # Neighborhood_function’近邻函数‘可选的设置有"gaussian"、"mexican_hat"、"bubble". 调参的时候可以都试一遍，看效果        """        初始化权值，有2个API        """        som.pca_weights_init(X_train)   # PCA降维初始化        som.train_batch(X_train, max_iter, verbose=False)  # train_batch 每次按顺序取一个样本，用过最后一个样本后跳回第一个样本，循环直到迭代次数满足max_iter        winmap = som.labels_map(X_train, y_train)   # 求取获胜神经元        # 判断样本的类别        def classify(som,data,winmap):            from numpy import sum as npsum   # 导入库            default_class = npsum(list(winmap.values())).most_common()[0][0]   # 获取获胜神经元的值            result = []   # 设置空矩阵            for d in data:   # 循环迭代                win_position = som.winner(d)   # 获胜神经元的权值位置                if win_position in winmap:    # 判断是否属于获胜神经元                    result.append(winmap[win_position].most_common()[0][0])  # 将其添加进空矩阵result中                else:                    result.append(default_class)   # 若不满足上面的条件则将default_class添加进result中            print("输出result结果：", result)            return result   # 返回值        # 输出混淆矩阵        y_pred = classify(som, X_test, winmap)   # 调用classify函数        print(classification_report(y_test, np.array(y_pred)))   # 输出混淆矩阵        # 绘制各种图        # U-Matrix        heatmap = som.distance_map()  #生成U-Matrix        plt.imshow(heatmap, cmap="bone_r")      #miniSom案例中用的pcolor函数,需要调整坐标        plt.colorbar()   # 颜色卡        plt.figure(figsize=(9, 9))   # 设置图像大小        # 背景上画U-Matrix        heatmap = som.distance_map()  # 热力图        plt.pcolor(heatmap, cmap="bone_r")  # plotting the distance map as background 设置样式        # 定义不同标签的图案标记        markers = ["o", "s"]   # 设置图案样式        colors = ["C0", "C1"]   # 定义不同标签图案的颜色        category_color = {"Normal": "C0",                          "fault": "C1",                          }   # 设置对应字典        for cnt, xx in enumerate(X_train):  # 迭代获取X_train训练数据            w = som.winner(xx)  # getting the winner            # 在样本Heat的地方画上标记            plt.plot(w[0]+.5, w[1]+.5, markers[y_train[cnt]], markerfacecolor="None",                     markeredgecolor=colors[y_train[cnt]], markersize=12, markeredgewidth=2) # plot绘制图像，markerfacecolor：标记颜色，markersize：标记尺寸，markeredgewidth：标记宽度        plt.axis([0, size, 0, size])  # 设置坐标系        ax = plt.gca()    # 进行坐标轴的移动,gca就是get current axes        ax.invert_yaxis() #颠倒y轴方向        legend_elements = [Patch(facecolor=clr,                                 edgecolor="w",                                 label=l) for l, clr in category_color.items()]        plt.legend(handles=legend_elements, loc="center left", bbox_to_anchor=(1, .95))  # 设置图像界面细节        # plt.show()  # 显示图        label_name_map_number = {"Normal":0,"Fault":1}        # 神经元占比饼图        from matplotlib.gridspec import GridSpec        plt.figure(figsize=(9, 9))    # 设置图像界面大小        the_grid = GridSpec(size, size)   # 神经元个数        for position in winmap.keys():   # 迭代获取获胜神经元位置            label_fracs = [winmap[position][label] for label in [0,1]]  # 获取标签            plt.subplot(the_grid[position[1], position[0]], aspect=1)    # 表示把显示界面分割成the_grid[position[1]*position[0]的网格            patches, texts = plt.pie(label_fracs)    # 用于绘制饼图            plt.text(position[0]/100, position[1]/100,  str(len(list(winmap[position].elements()))),                      color="black", fontdict={"weight": "bold",  "size": 15},                      va="center", ha="center")  # 给图中加标签        plt.legend(patches, class_names, loc="center right", bbox_to_anchor=(-1, 9), ncol=3)  # 显示图中的各种标签        # plt.show()   # 输出显示图像        # 权重热力图        plt.figure(figsize=(10, 10))   # 设置图像大小        for i, f in enumerate(feature_names):  # 迭代循环获取feature_names特征            plt.subplot(4, 4, i+1)    # 表示把显示界面分割成 4*4 的网格            plt.title(f)   # 设置标题            W = som.get_weights()  # 获得权重数据            plt.imshow(W[:,:,i], cmap="coolwarm")   # 输出热力图，W[:,:,i]变量存储图像，可以是浮点型数组、unit8数组以及PIL图像，参数cmap用于设置热图的Colormap，代表热力块的样式颜色            plt.colorbar()   # colorbar，颜色卡尺            plt.xticks(np.arange(size+1))   # 设置主图的横坐标的刻度字体大小            plt.yticks(np.arange(size+1))   # 设置主图的纵坐标的刻度字体大小        # plt.show()  # 输出显示图像        # 保存result——label        print("开始SOM标签Result保存！")        df_winmap = pd.DataFrame.from_dict(winmap, orient="index")  # 读取转换winmap        ic(df_winmap)  # 输出显示df_winmap        writer1 = pd.ExcelWriter("SOM_label_result_"+ SheetNames[i_c] +".xlsx", engine="openpyxl")   # 读取"SOM_label_result.xlsx"        book1 = load_workbook(writer1.path)  # 获取文件路径        writer1.book = book1  # 赋值        df_winmap.to_excel(excel_writer=writer1, sheet_name=str(SheetNames[i_c]))  # 建立为数据表        writer1.save()   # 保存数据表        writer1.close()  # 关闭数据表        print("SOM标签Result保存结束！")        # 保存result_data        print("开始SOM最终Result坐标保存！")        winner = som.win_map(X_train, return_indices=True)   # 获取SOM的获胜神经元结果        my_df = pd.DataFrame.from_dict(winner, orient="index")  # 转换输出赋值给my_df        ic(my_df)   # 显示输出        writer = pd.ExcelWriter("SOM_Result_"+ SheetNames[i_c] +".xlsx", engine="openpyxl")   # 建立数据表"SOM_Result.xlsx"        book = load_workbook(writer.path)   # 获取文件路径        writer.book = book   # 赋值        my_df.to_excel(excel_writer=writer, sheet_name=str(SheetNames[i_c]))   # 保存数据表        writer.save()   # 保存操作        writer.close()  # 关闭操作        print("SOM最终Result坐标保存结束！")

大体的流程就是这样了，minisom的库训练起来比Matlab快了不知道多少倍，⚡yyds⚡！！！

九月，加油吧！！！

❤坚持读Paper，坚持做笔记，坚持学习❤！！！
⚡To Be No.1

⚡⚡哈哈哈哈

---

⚡创作不易⚡，过路能❤关注、收藏、点个赞❤三连就最好不过了

ღ( ´･ᴗ･` )

❤

『
我是这耀眼的瞬间，是划过天边的刹那火焰.
』