bar(-Ng/2+1:Ng/2,v_ML_v_Cl','grouped','EdgeColor',[0.2 0.2 0.2],'FaceColor',[0.8 0.8 0.8]), hold on, grid on怎么把颜色改为红色和黑色

可以将代码修改为：

bar(-Ng/2+1:Ng/2,v_ML_v_Cl','grouped','EdgeColor',[0 0 0],'FaceColor',[1 0 0]), hold on, grid on

这会将边缘颜色设置为黑色，面颜色设置为红色。

相关问题

现在有一段格式如下的pandas.DataFrame:检测器ID 车道编号 时间 车牌号 车速 日期 小时 分钟 秒 时间换算 车牌出现次数 6269 1 2015-12-2 14:15:38 HY2012 42 2 14 15 38 51338 3 6271 1 2015-12-2 14:16:12 HY2012 31 2 14 16 12 51372 3 6273 1 2015-12-2 14:16:45 HY2012 29 2 14 16 45 51405 3 6269 2 2015-12-2 8:31:43 KL0001 28 2 8 31 43 30703 9 6271 1 2015-12-2 8:32:54 KL0001 36 2 8 32 54 30774 9 6269 3 2015-12-2 13:43:10 KL0001 10 2 13 43 10 49390 9 6271 1 2015-12-2 13:43:43 KL0001 34 2 13 43 43 49423 9 6273 1 2015-12-2 13:44:12 KL0001 37 2 13 44 12 49452 9，现在要根据车牌号对表格进行重构：创建两个表格，分别代表上下游路段的车辆数据，上游路段对应检测器ID为6269、6271的车辆数据，下游路段对应检测器ID为6271、6273的数据，每一个车辆被6269或6271号检测器捕获，则视为进入上游或下游路段，其下次被6271或6273捕获则视为离开上下游路段，现在对于每一车牌号的一次驶入行为需要统计其进入路段和离开路段的时间，应该如何设计算法以达到目的

算法设计：

1. 将原始数据按照车牌号码进行分组，得到每辆车的所有记录。

2. 对于每辆车的所有记录，按照时间升序排序。

3. 对于每辆车的每条记录，判断其所在的车道编号，判断其是否驶入或驶出了上下游路段，记录其进入或离开的时间（时间换算列中的值）。

4. 将所有车辆的进入离开信息记录到两张表中，用车牌号作为关键字。

具体步骤如下：

1. 导入pandas库，并读取原始数据。

import pandas as pd

df = pd.read_csv('xxx.csv', delimiter=',')

# 假设数据已经按时间升序排好。

2. 对原始数据按车牌号进行分组，得到每辆车的所有记录。

grouped = df.groupby('车牌号')

3. 对于每辆车的所有记录，按照时间升序排序，然后判断其所在的车道编号，判断其是否驶入或驶出了上下游路段，记录其进入或离开的时间。

# 创建两个空表，分别代表上下游路段的车辆数据
table_up = pd.DataFrame(columns=['车牌号', '进入时间', '离开时间'])
table_down = pd.DataFrame(columns=['车牌号', '进入时间', '离开时间'])

# 循环处理每辆车
for name, group in grouped:
# 按照时间升序排序
group = group.sort_values(by=['时间换算'])
# 判断进入或离开上下游路段，并记录时间
enter_up_time = None
enter_down_time = None
leave_up_time = None
leave_down_time = None
for i, row in group.iterrows():
if row['检测器ID'] == '6269' or row['检测器ID'] == '6271':
# 进入上游路段
if not enter_up_time:
enter_up_time = row['时间换算']
# 离开上游路段
else:
leave_up_time = row['时间换算']
elif row['检测器ID'] == '6271' or row['检测器ID'] == '6273':
# 进入下游路段
if not enter_down_time:
enter_down_time = row['时间换算']
# 离开下游路段
else:
leave_down_time = row['时间换算']
# 记录进入离开信息到对应的表中
if enter_up_time and leave_up_time:
table_up = table_up.append({'车牌号': name, '进入时间': enter_up_time, '离开时间': leave_up_time},
ignore_index=True)
if enter_down_time and leave_down_time:
table_down = table_down.append({'车牌号': name, '进入时间': enter_down_time, '离开时间': leave_down_time},
ignore_index=True)

4. 将所有车辆的进入离开信息记录到两张表中，用车牌号作为关键字。

# 保存两个表格到csv文件中
table_up.to_csv('table_up.csv', index=False)
table_down.to_csv('table_down.csv', index=False)

这样就得到了两张表，分别记录了上下游路段的车辆进出信息。

import pandas as pd data = [ ['5858', 2, '2015/2/25 4:59', '柜台A', 'A001', 100], ['5858', 1, '2015/2/25 4:59', '柜台A', 'B002', 50], ['5858', 3, '2015/2/25 4:59', '柜台A', 'C003', 120], ['5859', 1, '2015/2/26 5:31', '柜台B', 'A001', 100], ['5859', 2, '2015/2/26 5:31', '柜台B', 'D004', 80], ['5859', 1, '2015/2/26 5:31', '柜台B', 'E005', 70], ['5860', 1, '2015/2/27 6:00', '柜台C', 'B002', 50], ['5860', 2, '2015/2/27 6:00', '柜台C', 'C003', 120], ['5860', 1, '2015/2/27 6:00', '柜台C', 'F006', 90], # 其他购买记录... ] columns = ['单据号', '购买数量', '购买时间', '购买柜台', '商品编码', '销售金额'] df = pd.DataFrame(data, columns=columns) import pandas as pd from mlxtend.preprocessing import TransactionEncoder from mlxtend.frequent_patterns import apriori, association_rules # 选择所需的列 df_selected = df # 将数据按照单据号进行分组，并提取每个单据的商品编码列表 df_grouped = df_selected.groupby('单据号')['商品编码'].apply(list).reset_index() # 将数据转换为适用于Apriori算法的格式 te = TransactionEncoder() te_ary = te.fit_transform(df_grouped['商品编码']) df_transformed = pd.DataFrame(te_ary, columns=te.columns_) # 使用Apriori算法挖掘频繁项集 frequent_itemsets = apriori(df_transformed, min_support=0.1, use_colnames=True) # 基于频繁项集生成关联规则 rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.7) # 根据给定的商品推荐新的商品 given_items = ['A', 'B'] # 给定的商品列表 recommended_items = set(recommended_items) for i, row in rules.iterrows(): antecedent = set(row['antecedents']) consequent = set(row['consequents']) if given_items.issubset(antecedent): recommended_items.update(consequent - given_items) # 打印推荐的新商品 print("基于给定的商品推荐的新商品：") for item in recommended_items: print(item)

这段代码是一个频繁项集挖掘和关联规则生成的示例。在代码的最后，根据给定的商品推荐新的商品。然而，你在代码的最后一行使用了一个未定义的变量`recommended_items`。为了解决这个问题，你需要在使用`recommended_items`之前先定义它，并将其初始化为空集合。

请将代码的倒数第二行改为以下形式：

recommended_items = set()

这样就可以解决问题，并且可以正确地将推荐的新商品打印出来。