%% 计算指标 INdex=[]; n=[]; for i=1:k A=NWP_cluster{i}; index=[]; for j=1:size(A,1) for x=1:size(A,2) index(j,x)=sum((A(j,:)-A(x,:)).^2)^0.5; end end INdex(k)=sum(sum(index))/(size(A,1)*size(A,2)-1)/2; n(k)=size(A,1)*size(A,2); end compactness=sum(INdex)/sum(n); disp(['紧致度为：',num2str(compactness)]) %% 找出原始不聚类的训练测试集 Label_test_first=[]; first_label=[]; Label_1=[L{1}' L{2}' L{3}']; for i=1:k Label=find(label==i); A=Label_1(find(label==i)); first_label{i}=Label(1+ceil(length(A)*5/6):end); A(1:ceil(length(A)*5/6))=[]; Label_test_first=[Label_test_first A]; end X=1:size(data,1); X(Label_test_first)=[]; Train_NWP_power_zhijie =[data(X,:) power_date(X,:)]; Test_NWP_power_zhijie =[data(Label_test_first,:) power_date(Label_test_first,:)]; csvwrite('不聚类的训练集.csv',Train_NWP_power_zhijie); csvwrite('不聚类的测试集.csv',Test_NWP_power_zhijie); %% 找出一重聚类结果的训练测试集 first_L1=[]; first_L2=[]; first_L3=[]; for i=1:k B=first_label{i}; L1_label=B(find(B<=length(L{1}))); L2_label=B(find(B<=length([L{1}' L{2}']))); L3_label=B(~ismember(B,L2_label)); L2_label=L2_label(~ismember(L2_label,L1_label)); first_L1=[first_L1;L1_label]; first_L2=[first_L2;L2_label]; first_L3=[first_L3;L3_label]; end first_cluster_test_1=Label_1(first_L1); first_cluster_test_2=Label_1(first_L2); first_cluster_test_3=Label_1(first_L3); first_cluster_train_1=Label_cluster{1}(~ismember(Label_cluster{1},first_cluster_test_1)); first_cluster_train_2=Label_cluster{2}(~ismember(Label_cluster{2},first_cluster_test_2)); first_cluster_train_3=Label_cluster{3}(~ismember(Label_cluster{3},first_cluster_test_3)); %% 划分出训练测试集 NWP_power_test_1=[data(first_cluster_test_1,:) power_date(first_cluster_test_1,:)]; NWP_power_test_2=[data(first_cluster_test_2,:) power_date(first_cluster_test_2,:)]; NWP_power_test_3=[data(first_cluster_test_3,:) power_date(first_cluster_test_3,:)]; NWP_power_train_1=[data(first_cluster_train_1,:) power_date(first_cluster_train_1,:)]; NWP_power_train_2=[data(first_cluster_train_2,:) power_date(first_cluster_train_2,:)]; NWP_power_train_3=[data(first_cluster_train_3,:) power_date(first_cluster_train_3,:)]; NWP_power_test=[{NWP_power_test_1} {NWP_power_test_2} {NWP_power_test_3}]; NWP_power_train=[{NWP_power_train_1} {NWP_power_train_2} {NWP_power_train_3}]; for i=1:k str_test=['NWP_power_test_',num2str(i),'.csv']; csvwrite(str_test,NWP_power_test{i}); str_train=['NWP_power_train_',num2str(i),'.csv']; csvwrite(str_train,NWP_power_train{i}); end

这部分代码是对聚类结果进行指标计算，并根据聚类结果将原始数据集划分为训练集和测试集。

首先，你计算了每个聚类类别的紧致度（compactness），通过计算样本之间的距离来衡量。然后，你将原始数据集中未被聚类的样本标签存储在`Label_test_first`中，并将剩余的样本作为不聚类的训练集和测试集，分别存储在`Train_NWP_power_zhijie`和`Test_NWP_power_zhijie`中。

接下来，你将一重聚类结果中每个类别的样本标签分别存储在`first_L1`、`first_L2`和`first_L3`中，并根据这些标签将一重聚类结果划分为训练集和测试集。训练集中的样本存储在`first_cluster_train_1`、`first_cluster_train_2`和`first_cluster_train_3`中，测试集中的样本存储在`first_cluster_test_1`、`first_cluster_test_2`和`first_cluster_test_3`中。

最后，你根据训练集和测试集的标签将数据集划分为不同的类别，并将每个类别的数据分别存储在`NWP_power_train`和`NWP_power_test`中，并将它们分别写入名为`NWP_power_train_1.csv`、`NWP_power_train_2.csv`、`NWP_power_train_3.csv`、`NWP_power_test_1.csv`、`NWP_power_test_2.csv`和`NWP_power_test_3.csv`的CSV文件中。

相关问题

data00=data m,n = np.shape(data00) a = np.array(data00) Data00 = a[1:m,2:n] Data00 = Data00.astype(np.float64) Power = Data00[:,13] Power_train = Power[0:96] P_min = np.min(Power_train) P_gap = np.max(Power_train)-np.min(Power_train) Power_uni = (Power-P_min)/P_gap # 提取imfs和剩余信号res emd = EMD() emd.emd(Power_uni) imfs, res = emd.get_imfs_and_residue() N = len(imfs) P_H = np.sum(imfs[0:6,:],axis=0) P_M = np.sum(imfs[6:12,:],axis=0) P_L = res P_H =np.expand_dims(P_H,axis=1) P_M =np.expand_dims(P_M,axis=1) P_L =np.expand_dims(P_L,axis=1) Nwp = Data00[:,0:7] Nwp_train = Nwp[0:96] N_min = np.min(Nwp_train,axis=0) N_gap = np.max(Nwp_train,axis=0)-np.min(Nwp_train,axis=0) Nwp_uni = (Nwp-N_min)/N_gap#(N,7) Weather = Data00[:,7:13] Weather_train = Weather[0:96] W_min = np.min(Weather_train,axis=0) W_gap = np.max(Weather_train,axis=0)-np.min(Weather_train,axis=0) Weather_uni = (Weather-W_min)/W_gap#(N,6) 优化代码

以下是部分代码的优化建议：

1. 对于以下代码段：

   a = np.array(data00)
   Data00 = a[1:m,2:n]

可以合并为一行：

   Data00 = np.array(data00)[1:m,2:n]

2. 对于以下代码段：

   P_H = np.sum(imfs[0:6,:],axis=0)
   P_M = np.sum(imfs[6:12,:],axis=0)
   P_L = res
   P_H =np.expand_dims(P_H,axis=1)
   P_M =np.expand_dims(P_M,axis=1)
   P_L =np.expand_dims(P_L,axis=1)

可以使用 `np.newaxis` 替代 `np.expand_dims` 来实现：

   P_H = np.sum(imfs[0:6,:],axis=0)[:, np.newaxis]
   P_M = np.sum(imfs[6:12,:],axis=0)[:, np.newaxis]
   P_L = res[:, np.newaxis]

3. 对于以下代码段：

   N_min = np.min(Nwp_train,axis=0)
   N_gap = np.max(Nwp_train,axis=0)-np.min(Nwp_train,axis=0)
   Nwp_uni = (Nwp-N_min)/N_gap#(N,7)

可以使用 `np.ptp` 函数（peak-to-peak）来计算最大值和最小值的差：

   N_min = np.min(Nwp_train,axis=0)
   N_gap = np.ptp(Nwp_train,axis=0)
   Nwp_uni = (Nwp-N_min)/N_gap#(N,7)

4. 对于以下代码段：

   Weather = Data00[:,7:13]
   Weather_train = Weather[0:96]
   W_min = np.min(Weather_train,axis=0)
   W_gap = np.max(Weather_train,axis=0)-np.min(Weather_train,axis=0)
   Weather_uni = (Weather-W_min)/W_gap#(N,6)

可以使用与第三个优化建议类似的方法：

   Weather = Data00[:,7:13]
   Weather_train = Weather[0:96]
   W_min = np.min(Weather_train,axis=0)
   W_gap = np.ptp(Weather_train,axis=0)
   Weather_uni = (Weather-W_min)/W_gap#(N,6)

当然，以上只是一些简单的优化建议，具体的优化效果还需要根据实际情况进行评估。

figure plot3(NWP_cluster{1}(:,5),NWP_cluster{1}(:,9),NWP_cluster{1}(:,1),'sb') hold on plot3(NWP_cluster{2}(:,5),NWP_cluster{2}(:,9),NWP_cluster{2}(:,1),'or') hold on plot3(NWP_cluster{3}(:,5),NWP_cluster{3}(:,9),NWP_cluster{3}(:,1),'*k') set(gca,'fontsize',16) xlabel('\fontname{宋体}风速\fontname{Times New Roman}/m/s','FontWeight','bold','FontSize',16,'LineWidth',0.5) ylabel('\fontname{宋体}风向\fontname{Times New Roman}/°','FontWeight','bold','FontSize',16,'LineWidth',0.5) zlabel('\fontname{宋体}温度\fontname{Times New Roman}/℃','FontWeight','bold','FontSize',16,'LineWidth',0.5) Label=legend('\fontname{Times New Roman}Cluster-Ⅰ',... '\fontname{Times New Roman}Cluster-Ⅱ',... '\fontname{Times New Roman}Cluster-Ⅲ','location','best');%... % '\fontname{Times New Roman}Cluster-Ⅳ',... % '\fontname{Times New Roman}Cluster-Ⅴ',... % '\fontname{Times New Roman}Cluster-Ⅵ', legend('boxoff') set(Label,'Fontname', 'Times New Roman','FontWeight','bold','FontSize',16,'LineWidth',1) set(gca,'FontName','Times New Roman','linewidth',1.3) set(gca,'LooseInset',get(gca,'TightInset')) set(gca, 'box', 'off')

这段代码是用于绘制三维散点图的，其中包含了三个不同的数据集，分别用不同的颜色和形状表示。以下是这段代码的解析：

figure
% 创建一个新的图形窗口

plot3(NWP_cluster{1}(:,5),NWP_cluster{1}(:,9),NWP_cluster{1}(:,1),'sb')
% 绘制第一个数据集的散点图，x轴数据为第5列，y轴数据为第9列，z轴数据为第1列
% 'sb' 表示使用蓝色的正方形表示数据点

hold on
% 将图形窗口设置为 hold on 状态，这样可以在同一张图中绘制多个数据集的散点图

plot3(NWP_cluster{2}(:,5),NWP_cluster{2}(:,9),NWP_cluster{2}(:,1),'or')
% 绘制第二个数据集的散点图，x轴数据为第5列，y轴数据为第9列，z轴数据为第1列
% 'or' 表示使用红色的圆形表示数据点

hold on
% 再次将图形窗口设置为 hold on 状态

plot3(NWP_cluster{3}(:,5),NWP_cluster{3}(:,9),NWP_cluster{3}(:,1),'*k')
% 绘制第三个数据集的散点图，x轴数据为第5列，y轴数据为第9列，z轴数据为第1列
% '*k' 表示使用黑色的星号表示数据点

set(gca,'fontsize',16)
% 设置坐标轴的字体大小为16

xlabel('\fontname{宋体}风速\fontname{Times New Roman}/m/s','FontWeight','bold','FontSize',16,'LineWidth',0.5)
% 设置x轴的标签，字体为宋体，字号为16，加粗，线宽为0.5

ylabel('\fontname{宋体}风向\fontname{Times New Roman}/°','FontWeight','bold','FontSize',16,'LineWidth',0.5)
% 设置y轴的标签，字体为宋体，字号为16，加粗，线宽为0.5

zlabel('\fontname{宋体}温度\fontname{Times New Roman}/℃','FontWeight','bold','FontSize',16,'LineWidth',0.5)
% 设置z轴的标签，字体为宋体，字号为16，加粗，线宽为0.5

Label=legend('\fontname{Times New Roman}Cluster-Ⅰ',... '\fontname{Times New Roman}Cluster-Ⅱ',...     '\fontname{Times New Roman}Cluster-Ⅲ','location','best');
% 设置图例，包括三个不同的数据集，位置在图中最佳位置
% '\fontname{Times New Roman}Cluster-Ⅰ' 表示第一个数据集的名称，字体为Times New Roman
% '...' 表示省略号，用于将一行代码分成多行书写

legend('boxoff')
% 关闭图例的边框线

set(Label,'Fontname', 'Times New Roman','FontWeight','bold','FontSize',16,'LineWidth',1)
% 设置图例的字体、字号、加粗、线宽等属性

set(gca,'FontName','Times New Roman','linewidth',1.3)
% 设置坐标轴的字体为Times New Roman，线宽为1.3

set(gca,'LooseInset',get(gca,'TightInset'))
% 调整图形窗口的边距

set(gca, 'box', 'off')
% 关闭坐标轴的边框线

这段代码可以用于绘制三维散点图，并设置坐标轴、图例等属性，以达到更好的可视化效果。