c# 绘图 数据科学_使用C和C ++进行数据科学
本文共 15551 字，大约阅读时间需要 51 分钟。
c# 绘图 数据科学
尽管和类的语言在数据科学中越来越受欢迎，但是C和C ++对于高效的数据科学而言是一个不错的选择。 在本文中，我们将使用和编写一个使用数据集的程序，接下来我将对其进行解释。
我在一篇涉及的文章中写了我不断学习语言的动机，值得回顾。 所有程序都应在上运行，而不是通过 （GUI）运行。 完整的示例可在 。
编程任务
您将在本系列中编写的程序：
- 从读取数据
- 用直线内插数据（即f（x）= m⋅x + q ）
- 将结果绘制到图像文件
这是许多数据科学家遇到的普遍情况。 示例数据是的第一组，如下表所示。 这是一组人工构造的数据，当拟合直线时可以提供相同的结果，但是它们的曲线非常不同。 数据文件是一个文本文件，其中的制表符用作列分隔符，几行作为标题。 该任务将仅使用第一组（即前两列）。
| 一世 | II | 三级 | IV | ||||
|---|---|---|---|---|---|---|---|
| x | ÿ | X | ÿ | X | ÿ | X | ÿ |
| 10.0 | 8.04 | 10.0 | 9.14 | 10.0 | 7.46 | 8.0 | 6.58 |
| 8.0 | 6.95 | 8.0 | 8.14 | 8.0 | 6.77 | 8.0 | 5.76 |
| 13.0 | 7.58 | 13.0 | 8.74 | 13.0 | 12.74 | 8.0 | 7.71 |
| 9.0 | 8.81 | 9.0 | 8.77 | 9.0 | 7.11 | 8.0 | 8.84 |
| 11.0 | 8.33 | 11.0 | 9.26 | 11.0 | 7.81 | 8.0 | 8.47 |
| 14.0 | 9.96 | 14.0 | 8.10 | 14.0 | 8.84 | 8.0 | 7.04 |
| 6.0 | 7.24 | 6.0 | 6.13 | 6.0 | 6.08 | 8.0 | 5.25 |
| 4.0 | 4.26 | 4.0 | 3.10 | 4.0 | 5.39 | 19.0 | 12.50 |
| 12.0 | 10.84 | 12.0 | 9.13 | 12.0 | 8.15 | 8.0 | 5.56 |
| 7.0 | 4.82 | 7.0 | 7.26 | 7.0 | 6.42 | 8.0 | 7.91 |
| 5.0 | 5.68 | 5.0 | 4.74 | 5.0 | 5.73 | 8.0 | 6.89 |
C方式
是一种通用编程语言，是当今使用最广泛的语言之一（根据 ， ， 和 ）。 它是一种非常古老的语言（大约在1973年），并且用它编写了许多成功的程序（例如，Linux内核和Git仅举两个例子）。 它也是最接近计算机内部运行的语言之一，因为它直接用于操作内存。 它是一种 ; 因此，源代码必须由翻译为 。 它的很小，功能很少，因此开发了其他库来提供缺少的功能。
我最常使用 ，主要是因为它的性能。 我觉得使用起来很麻烦，因为它需要很多 ，但是在各种环境中都得到了很好的支持。 C99标准是最新版本，增加了一些漂亮的功能，并且受到编译器的良好支持。
我将一路介绍C和C ++编程的必要背景，以便初学者和高级用户都可以继续学习。
安装
要使用C99进行开发，您需要一个编译器。 我通常使用 ，但是是另一个有效的开源编译器。 对于线性拟合，我选择使用 。 对于绘图，我找不到任何明智的库，因此该程序依赖于外部程序： 。 该示例还使用动态数据结构来存储数据，该结构在 （BSD）中定义。
在安装就像运行一样容易：
sudo dnf install clang gnuplot gsl gsl-devel
注释码
在C99中，通过将//放在行的开头来格式化 ，其余行将被解释器丢弃。 另外， / *和* /之间的任何内容也将被丢弃。
// This is a comment ignored by the interpreter. /* Also this is ignored */
必要的图书馆
库由两部分组成：
- ，其中包含功能说明
- 包含函数定义的源文件
头文件包含在源文件中，而库的源文件可执行文件 。 因此，此示例所需的头文件是：
// Input/Output utilities #include// The standard library #include // String manipulation utilities #include // BSD queue #include // GSL scientific utilities #include #include
主功能
在C语言中，程序必须位于名为的特殊函数内：
int main ( void ) { ... } 这与上一教程中介绍的Python不同，后者将运行在源文件中找到的任何代码。
定义变量
在C语言中，变量必须在使用前声明，并且必须与类型相关联。 每当您要使用变量时，都必须决定要在其中存储哪种数据。 您也可以指定是否打算将变量用作常量值，这不是必需的，但是编译器可以从此信息中受益。 从存储库中的 ：
const char * input_file_name = "anscombe.csv" ; const char * delimiter = " \t " ; const unsigned int skip_header = 3 ; const unsigned int column_x = 0 ; const unsigned int column_y = 1 ; const char * output_file_name = "fit_C99.csv" ; const unsigned int N = 100 ;
C中的数组不是动态的，因为它们的长度必须预先确定（即，在编译之前）：
int data_array [ 1024 ] ;
由于您通常不知道文件中有多少个数据点，因此请使用 。 这是一个动态数据结构，可以无限增长。 幸运的是，BSD 。 这是一个示例定义：
struct data_point { double x ; double y ; SLIST_ENTRY ( data_point ) entries ; } ; SLIST_HEAD ( data_list , data_point ) head = SLIST_HEAD_INITIALIZER ( head ) ; SLIST_INIT ( & head ) ; 本示例定义了一个data_point列表，该列表由同时包含x值和y值的结构化值组成。 语法相当复杂，但很直观，详细描述它可能太冗长。
打印输出
要在终端上打印，可以使用函数，其功能类似于Octave的printf（）函数（在第一篇文章中介绍）：
( "#### Anscombe's first set with C99 #### \n " ) ;
printf（）函数不会在打印字符串的末尾自动添加换行符，因此您必须添加它。 第一个参数是一个字符串，可以包含其他可以传递给函数的参数的格式信息，例如：
( "Slope: %f \n " , slope ) ;
读取数据
现在来了困难的部分……有一些C语言用于CSV文件解析的库，但是似乎没有一个稳定或流行的库足以存在于Fedora软件包存储库中。 我没有为本教程添加依赖项，而是决定自己编写此部分。 同样，进入细节太罗word了，所以我只解释总体思路。 为了简洁起见，将忽略源代码中的某些行，但是您可以在存储库中找到完整的示例。
首先，打开输入文件：
FILE * input_file = ( input_file_name , "r" ) ;
然后逐行读取文件，直到出现错误或文件结束：
while ( ! ( input_file ) && ! ( input_file ) ) { size_t buffer_size = 0 ; char * buffer = NULL ; getline ( & buffer , & buffer_size , input_file ) ; ... } 函数是一个很好的新增功能。 它可以读取文件中的整行，并负责分配必要的内存。 然后使用函数将每一行拆分为 。 遍历令牌，选择所需的列：
char * token = ( buffer , delimiter ) ; while ( token != NULL ) { double value ; ( token , "%lf" , & value ) ; if ( column == column_x ) { x = value ; } else if ( column == column_y ) { y = value ; } column += 1 ; token = ( NULL , delimiter ) ; } 最后，当选择了x和y值时，将新数据点插入到链表中：
struct data_point * datum = ( sizeof ( struct data_point ) ) ; datum -> x = x ; datum -> y = y ; SLIST_INSERT_HEAD ( & head , datum , entries ) ;
函数为新数据点动态分配（保留）一些持久性内存。
拟合数据
GSL线性拟合函数需要简单的数组作为其输入。 因此，由于您将不知道创建的数组的大小，因此必须手动分配它们的内存：
const size_t entries_number = row - skip_header - 1 ; double * x = ( sizeof ( double ) * entries_number ) ; double * y = ( sizeof ( double ) * entries_number ) ;
然后，遍历链接列表以将相关数据保存到数组：
SLIST_FOREACH ( datum , & head , entries ) { const double current_x = datum -> x ; const double current_y = datum -> y ; x [ i ] = current_x ; y [ i ] = current_y ; i += 1 ; } 现在您已经完成了链接列表，请清理它。 始终释放已手动分配的内存，以防止 。 内存泄漏是坏的，坏的，坏的。 每次不释放内存时，花园侏儒都会迷失自己的头：
while ( ! SLIST_EMPTY ( & head ) ) { struct data_point * datum = SLIST_FIRST ( & head ) ; SLIST_REMOVE_HEAD ( & head , entries ) ; ( datum ) ; } 最后，finally（！），您可以适合您的数据：
gsl_fit_linear ( x , 1 , y , 1 , entries_number , & intercept , & slope , & cov00 , & cov01 , & cov11 , & chi_squared ) ; const double r_value = gsl_stats_correlation ( x , 1 , y , 1 , entries_number ) ; ( "Slope: %f \n " , slope ) ; ( "Intercept: %f \n " , intercept ) ; ( "Correlation coefficient: %f \n " , r_value ) ;
绘图
您必须使用外部程序进行绘图。 因此，将拟合函数保存到外部文件：
const double step_x = ( ( max_x + 1 ) - ( min_x - 1 ) ) / N ; for ( unsigned int i = 0 ; i < N ; i += 1 ) { const double current_x = ( min_x - 1 ) + step_x * i ; const double current_y = intercept + slope * current_x ; ( output_file , "%f \t %f \n " , current_x , current_y ) ; } 用于绘制两个文件的Gnuplot命令是：
plot 'fit_C99.csv' using 1 : 2 with lines title 'Fit' , 'anscombe.csv' using 1 : 2 with points pointtype 7 title 'Data'
结果
在运行程序之前，必须对其进行编译：
clang - std = c99 - I / usr / include / fitting_C99. c - L / usr / lib / - L / usr / lib64 / - lgsl - lgslcblas - o fitting_C99
该命令告诉编译器使用C99标准，读取fitting_C99.c文件，加载库gsl和gslcblas ，然后将结果保存到fit_C99 。 命令行上的结果输出为：
#### Anscombe's first set with C99 #### Slope: 0.500091 Intercept: 3.000091 Correlation coefficient: 0.816421
这是用Gnuplot生成的结果图像。
C ++ 11方式
是一种通用编程语言，也是当今使用的最受欢迎的语言之一。 它是的 （于1983年创建），重点是 （OOP）。 C ++通常被视为C的超集，因此C程序应该能够使用C ++编译器进行编译。 这并非完全正确，因为在某些极端情况下它们的行为有所不同。 以我的经验，C ++比C需要更少的样板，但是如果要开发对象，语法会更困难。 C ++ 11标准是最新版本，增加了一些漂亮的功能，并且或多或少受编译器支持。
由于C ++在很大程度上与C兼容，因此我只强调两者之间的差异。 如果我在本部分中没有涵盖任何部分，则意味着它与C中的相同。
安装
C ++示例的依赖项与C示例相同。 在Fedora上，运行：
sudo dnf install clang gnuplot gsl gsl-devel
必要的图书馆
库的工作方式与C中的相同，但是include指令略有不同：
#include#include #include #include #include #include #include extern "C" { #include #include }
由于GSL库是用C编写的，因此您必须将这种特殊性告知编译器。
定义变量
C ++比C支持更多的数据类型（类），例如比C具有更多功能的字符串类型。 相应地更新变量的定义：
const std :: string input_file_name ( "anscombe.csv" ) ;
对于字符串之类的结构化对象，可以不使用=符号来定义变量。
打印输出
您可以使用printf（）函数，但是cout对象更惯用了。 使用运算符<<表示要使用cout打印的字符串（或对象）：
std :: cout << "#### Anscombe's first set with C++11 ####" << std :: endl ; ... std :: cout << "Slope: " << slope << std :: endl ; std :: cout << "Intercept: " << intercept << std :: endl ; std :: cout << "Correlation coefficient: " << r_value << std :: endl ;
读取数据
该方案与以前相同。 将打开文件并逐行读取文件，但语法不同：
std :: ifstream input_file ( input_file_name ) ; while ( input_file. good ( ) ) { std :: string line ; getline ( input_file, line ) ; ... } 使用与C99示例相同的功能提取行令牌。 代替使用标准C数组，请使用两个 。 向量是中C数组的扩展，它允许动态管理内存而无需显式调用malloc（） ：
std :: vector < double > x ; std :: vector < double > y ; // Adding an element to x and y: x. emplace_back ( value ) ; y. emplace_back ( value ) ;
拟合数据
为了适合C ++，您不必遍历列表，因为可以保证向量具有连续的内存。 您可以将向量缓冲区的指针直接传递给拟合函数：
gsl_fit_linear ( x. data ( ) , 1 , y. data ( ) , 1 , entries_number, & intercept, & slope, & cov00, & cov01, & cov11, & chi_squared ) ; const double r_value = gsl_stats_correlation ( x. data ( ) , 1 , y. data ( ) , 1 , entries_number ) ; std :: cout << "Slope: " << slope << std :: endl ; std :: cout << "Intercept: " << intercept << std :: endl ; std :: cout << "Correlation coefficient: " << r_value << std :: endl ;
绘图
使用与以前相同的方法进行绘图。 写入文件：
const double step_x = ( ( max_x + 1 ) - ( min_x - 1 ) ) / N ; for ( unsigned int i = 0 ; i < N ; i + = 1 ) { const double current_x = ( min_x - 1 ) + step_x * i ; const double current_y = intercept + slope * current_x ; output_file << current_x << " \t " << current_y << std :: endl ; } output_file. close ( ) ; 然后使用Gnuplot进行绘图。
结果
在运行程序之前，必须使用类似的命令对其进行编译：
clang ++ - std = c ++ 11 - I / usr / include / fitting_Cpp11. cpp - L / usr / lib / - L / usr / lib64 / - lgsl - lgslcblas - o fitting_Cpp11
命令行上的结果输出为：
#### Anscombe's first set with C++11 #### Slope: 0.500091 Intercept: 3.00009 Correlation coefficient: 0.816421
这就是用Gnuplot生成的结果图像。
结论
和库。对于数字运算，我更喜欢在C99中工作，因为它的语法更简单并且得到了广泛的支持。 直到最近，C ++ 11还没有得到广泛的支持，我倾向于避免使用先前版本中的粗糙边缘。 对于更复杂的软件，C ++可能是一个不错的选择。
您是否还将C或C ++用于数据科学？ 在评论中分享您的经验。
翻译自:
c# 绘图 数据科学
转载地址：http://nmizd.baihongyu.com/
你可能感兴趣的文章
C语言编程-9_4 字符统计
查看>>
在webconfig中写好连接后，在程序中如何调用？
查看>>
限制用户不能删除SharePoint列表中的条目（项目）
查看>>
【Linux网络编程】使用GDB调试程序
查看>>
feign调用spring clound eureka 注册中心服务
查看>>
RotateCard(自定义旋转view)
查看>>
通过tomcat配置solr 4.10.3
查看>>
ZT:Linux上安装JDK,最准确
查看>>
LimeJS指南3
查看>>
关于C++ const成员的一些细节
查看>>
《代码大全》学习摘要（五）软件构建中的设计（下）
查看>>
防止恶意登录的设计思路
查看>>
Swift新手教程3-字符串String
查看>>
three.js 来源目光（十三）Math/Ray.js
查看>>
appserv+win8
查看>>
Matlab画图-非常具体，非常全面
查看>>
配置Log4j(非常具体)
查看>>
Codeforces1037G A Game on Strings 【SG函数】【区间DP】
查看>>
关于一个类中方法的调用
查看>>
电影图标:杀死比尔(Kil Bill)
查看>>