标签：disp labels 建模 学习 cmap 数学 vals opts 万吨
o奖论文——F
P1——10页
1、找数据
我们选择了2009年至2018年期间来自50个国家的14个指标的原始数据。然后通过柯尔莫戈罗夫-Smirnov检验验证了数据的分布规律，并选择80%的分位数作为接受范围（健康范围）
2、我们使用分析层次过程来确定每个指标的权重。该结果可以用来衡量特定国家的健康状况。我们还建立了使用dea-马尔姆奎斯特模型来检验可持续性的方法。•
3、代入国家
然后，我们将我们的模型应用到五个选定的国家
4、，我们选择了具有较大上行潜力的印度，作为我们研究的案例。在评估了其地位后，我们建立了我们的愿景，并制定了有针对性的政策。然后，我们使用马尔可夫链来预测我们的政治的影响，并绘制出预测的时间线。
用到的代码实现
1、绘制地图代码（世界、中国）
2、层次分析法代码实现
3、双层饼状图的绘制
注1、3为代码转载
#世界地图
from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.faker import Faker
from pyecharts.globals import ThemeType#主题
'''map = (
Map()
.add("", [list(z) for z in zip(Faker.country, Faker.values())], "world")
.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts(title="Map-世界地图",pos_right='center'),
visualmap_opts=opts.VisualMapOpts(max_=200),)
)'''
#单独调用
map = Map(init_opts=opts.InitOpts(bg_color="#AAFFEE", theme=ThemeType.ROMANTIC))
country = ["China", "Canada", "Brazil", "Russia", "United States", "Africa", "Germany"]
value = [300, 100, 2000, 800, 10000, 400, 5000]
map.add("", [list(z) for z in zip(country, value)], "world")
map.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
map.set_global_opts(
title_opts=opts.TitleOpts(title="Map-世界地图"),
visualmap_opts=opts.VisualMapOpts(max_=5000),)
map.render('d://map.html')
%层次分析
disp('请输入判断矩阵A')
A=input('A=');
[n,n] = size(A);
% % % % % % % % % % % % %方法1： 算术平均法求权重% % % % % % % % % % % % %
Sum_A = sum(A);
SUM_A = repmat(Sum_A,n,1);
Stand_A = A ./ SUM_A;
disp('算术平均法求权重的结果为：');
disp(sum(Stand_A,2)./n)
% % % % % % % % % % % % %方法2： 几何平均法求权重% % % % % % % % % % % % %
Prduct_A = prod(A,2);
Prduct_n_A = Prduct_A .^ (1/n)
disp('几何平均法求权重的结果为：');
disp(Prduct_n_A ./ sum(Prduct_n_A))
% % % % % % % % % % % % %方法3： 特征值法求权重% % % % % % % % % % % % %
[V,D] = eig(A);
Max_eig = max(max(D));
[r,c]=find(D == Max_eig , 1);
disp('特征值法求权重的结果为：');
disp( V(:,c) ./ sum(V(:,c)) )
% % % % % % % % % % % % %下面是计算一致性比例CR的环节% % % % % % % % % % % % %
CI = (Max_eig - n) / (n-1);
RI=[0 0.0001 0.52 0.89 1.12 1.26 1.36 1.41 1.46 1.49 1.52 1.54 1.56 1.58 1.59]; %注意哦，这里的RI最多支持 n = 15
% 这里n=2时，一定是一致矩阵，所以CI = 0，我们为了避免分母为0，将这里的第二个元素改为了很接近0的正数
CR=CI/RI(n);
disp('一致性指标CI=');disp(CI);
disp('一致性比例CR=');disp(CR);
if CR<0.10
disp('因为CR<0.10，所以该判断矩阵A的一致性可以接受!');
else
disp('注意：CR >= 0.10，因此该判断矩阵A需要进行修改!');
end
#双层饼状图
from matplotlib import pyplot as plt
import numpy as np
size = 0.25
base = 50
plt.rcParams['font.family'] = 'SimHei'
fig, ax = plt.subplots(figsize=(10, 10))
vals_middle = np.array([
[47.5, 11.7, 15.2, 9.6],
[0, 44.8, 7.5, 0],
[9.2, 68.5, 0, 0],
[1.2, 7.2, 0, 0],
[80, 0, 0, 0],
[1.7, 18.9, 0, 0]
])
vals_outer = np.array([
[47.5, 11.7, 15.2, 9.6],
[0, 36.6, 8.2, 7.5],
[9.2, 38.1, 30.4, 0],
[1.2, 5.8, 1.4, 0],
[80, 0, 0, 0],
[1.7, 18.9, 0, 0]
])
vals_inner = vals_middle.sum(axis=1)
# 最内圈使用的数值为内圈各类数据加上base
vals_first = vals_inner + base
'''
第二圈使用的数值, 因为最内圈每个类别都加上了base, 所以为了确保第二圈的数值和内圈相匹配, 第二圈的各类别要按照各自所占的比例分配各类的总数值.
'''
vals_second = np.zeros((6, 4))
for i in range(6):
s_a = vals_first[i]
s_b = vals_middle[i].sum()
# 如果第二圈某类总数值为0, 则分配base.
if s_b == 0.0:
vals_second[i][1] = base
continue
for j in range(4):
vals_second[i][j] = (vals_middle[i][j] / s_b) * s_a
# 第三圈使用的数值, 和上方同理
vals_third = np.zeros((6, 4))
for i in range(6):
s_a = vals_first[i]
s_b = vals_outer[i].sum()
if s_b == 0.0:
vals_third[i][1] = base
continue
for j in range(4):
vals_third[i][j] = (vals_outer[i][j] / s_b) * s_a
# 获取colormap tab20c和tab20b的颜色
cmap_c = plt.get_cmap("tab20c")
cmap_b = plt.get_cmap("tab20b")
# 使用tab20c的全部颜色和tab20b中的 5至8 颜色
cmap_1 = cmap_c(np.arange(20))
cmap_2 = cmap_b(np.array([4, 5, 6, 7]))
# 内圈的颜色是每4个颜色中色彩最深的那个. vstack是将两类颜色叠加在一起
inner_colors = np.vstack((cmap_1[::4], cmap_2[0]))
# 外圈的颜色是全部24种颜色
outer_colors = np.vstack((cmap_1, cmap_2))
labels_first = ["餐厨废弃物\n{}万吨".format(vals_inner[0]),
"农业秸秆\n{}万吨".format(vals_inner[1]),
"水草\n151.2万吨",
"园林绿化\n废弃物\n{}万吨".format(vals_inner[3]),
"淤泥\n432.0万吨",
"畜禽粪便\n21.6万吨"
]
labels_seocnd = [
"未分类收集\n67.6万吨",
"生物干化\n3.7万吨",
"厌氧发酵\n10.2万吨",
"油水分离\n2.6万吨",
"",
"粉碎\n46.8万吨",
"好氧发酵\n3.5万吨",
"",
"未处理\n4.2万吨",
"藻水分离\n147.0万吨",
"",
"",
"未处理\n1.2万吨",
"粉碎\n7.2万吨",
"",
"",
"堆放\n432.0万吨",
"",
"",
"",
"未处理\n0.7万吨",
"好氧发酵\n19.9万吨",
"",
"",
]
labels_third = [
"未处理\n67.5万吨",
"肥料化、发电\n3.7万吨",
"沼气、沼渣发电\n10.2万吨",
"焚烧\n2.6万吨",
"",
"还田\n42.6万吨",
"燃料化\n4.2万吨",
"肥料化\n3.5万吨",
"未利用\n4.2万吨",
"燃料化\n80.2万吨",
"肥料化\n66.8万吨",
"",
"未利用\n1.2万吨",
"肥料化\n5.8万吨",
"燃料化\n1.4万吨",
"",
"未利用\n432.0万吨",
"",
"",
"",
"未利用\n0.7万吨",
"肥料化\n19.9万吨",
"",
"",
]
handles, labels = ax.pie(vals_first, radius=1 - size - size,
labels=labels_first,
labeldistance=0.5, rotatelabels=True, textprops={'fontsize': 11},
colors=inner_colors, wedgeprops=dict(width=size, edgecolor='w'))
ax.pie(vals_second.flatten(), radius=1 - size, colors=outer_colors,
labels=labels_seocnd,
labeldistance=0.7, rotatelabels=True, textprops={'fontsize': 11},
wedgeprops=dict(width=size, edgecolor='w'))
ax.pie(vals_third.flatten(), radius=1, colors=outer_colors,
labels=labels_third,
labeldistance=0.8, rotatelabels=True, textprops={'fontsize': 11},
wedgeprops=dict(width=size, edgecolor='w'))
plt.title('某市有机废弃物产生、处理、利用情况', fontsize=25)
plt.legend(handles=handles, labels=[
"餐厨废弃物",
"农业秸秆",
"水草",
"园林绿化废弃物",
"淤泥",
"畜禽粪便"],
loc=1
)
plt.legend(bbox_to_anchor=(1.2,1.12))
plt.show()
标签：disp,labels,建模,学习,cmap,数学,vals,opts,万吨 来源： https://blog.csdn.net/qq_52050351/article/details/122709351
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。