plt.contourf实例

这里是一个使用`plt.contourf`函数绘制等高线的简单实例：

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
x = np.linspace(-10, 10, 100)
y = np.linspace(-10, 10, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 绘制等高线
plt.contourf(X, Y, Z, cmap='hot')

# 添加颜色条
plt.colorbar()

# 显示图像
plt.show()

这个例子中，我们先使用`np.linspace`函数生成从-10到10之间的100个等间隔的值作为x和y轴的坐标点。然后使用`np.meshgrid`函数生成网格点，最后通过一个函数来计算出每个点的高度值，这里我们使用了`np.sin`函数。最后，我们使用`plt.contourf`函数绘制出等高线图，并使用`cmap`参数指定色图，使用`plt.colorbar`函数添加颜色条。最后使用`plt.show`函数显示图像。

相关问题

给出contourf的实例代码

Contourf实例代码示例：import matplotlib.pyplot as plt
import numpy as npX = np.arange(-5, 5, 0.25)
Y = np.arange(-5, 5, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)plt.contourf(X, Y, Z)
plt.colorbar()
plt.show()

logistic逻辑回归python实例

好的，这里是一个 logistic 回归的 Python 实例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression

# 创建一个二分类数据集
np.random.seed(0)
X = np.random.randn(200, 2)
y = np.logical_xor(X[:, 0] > 0, X[:, 1] > 0)

# 使用 logistic 回归进行分类
clf = LogisticRegression()
clf.fit(X, y)

# 生成测试数据
xx, yy = np.meshgrid(np.linspace(-3, 3, 500),
                     np.linspace(-3, 3, 500))
Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
Z = Z.reshape(xx.shape)

# 可视化分类结果
plt.contourf(xx, yy, Z, cmap=plt.cm.RdBu, alpha=.8)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdBu_r)
plt.show()

在这个实例中，我们使用 NumPy 创建了一个二维随机数据集，然后使用 `LogisticRegression` 类进行分类。我们还使用 Matplotlib 可视化了分类结果。

值得注意的是，这个实例只是演示了如何使用 logistic 回归进行二分类，实际上 logistic 回归也可以用于多分类问题。另外，这个实例也只是使用了 scikit-learn 库中的 LogisticRegression 类，还有其他库和方法也可以实现 logistic 回归。