Add files via upload

Book4_Ch03_Python_Codes/Streamlit_Bk4_Ch03_01.py

@@ -0,0 +1,61 @@
+
+###############
+# Authored by Weisheng Jiang
+# Book 4  |  From Basic Arithmetic to Machine Learning
+# Published and copyrighted by Tsinghua University Press
+# Beijing, China, 2025
+###############
+
+## 导入必要的库
+import streamlit as st  # 引入Streamlit库，用于创建交互式Web应用
+import plotly.graph_objects as go  # 引入Plotly图形对象模块，用于绘图
+import numpy as np  # 引入NumPy库，用于数值计算
+
+## 定义网格数据
+x1 = np.linspace(-2.5, 2.5, num=101)  # 生成x1的线性等间距数组，范围为-2.5到2.5，共101个点
+x2 = x1  # 定义x2与x1相同
+xx1, xx2 = np.meshgrid(x1, x2)  # 使用meshgrid生成二维网格数据
+
+## 创建侧边栏以选择参数p
+with st.sidebar:  # 在侧边栏中设置参数
+    st.write('Note: Lp norm, p >= 1')  # 显示提示信息：Lp范数，p >= 1
+    p = st.slider('p',  # 创建滑块选择p值
+                  min_value=-20.0,  # p值的最小值为-20.0
+                  max_value=20.0,  # p值的最大值为20.0
+                  step=0.2)  # p值的步长为0.2
+
+## 计算Lp范数的二维数据
+zz = ((np.abs((xx1))**p) + (np.abs((xx2))**p))**(1. / p)  # 根据Lp范数公式计算二维数据zz
+
+## 创建二维等高线图
+fig_1 = go.Figure(data=
+                  go.Contour(z=zz,  # 设置z轴数据为zz
+                             x=x1,  # 设置x轴数据为x1
+                             y=x2,  # 设置y轴数据为x2
+                             colorscale='RdYlBu_r'))  # 设置颜色映射为红黄蓝反转
+
+fig_1.update_layout(  # 更新图形布局
+    autosize=False,  # 关闭自动调整大小
+    width=500,  # 设置图形宽度为500
+    height=500,  # 设置图形高度为500
+    margin=dict(  # 设置图形边距
+        l=50,  # 左边距为50
+        r=50,  # 右边距为50
+        b=50,  # 底边距为50
+        t=50))  # 顶边距为50
+
+## 创建三维表面图
+fig_2 = go.Figure(
+    go.Surface(
+        x=x1,  # 设置x轴数据为x1
+        y=x2,  # 设置y轴数据为x2
+        z=zz,  # 设置z轴数据为zz
+        colorscale='RdYlBu_r'))  # 设置颜色映射为红黄蓝反转
+
+## 展示二维等高线图
+with st.expander('2D contour'):  # 创建可展开部分，标题为“2D contour”
+    st.plotly_chart(fig_1)  # 在Streamlit中显示二维等高线图
+
+## 展示三维表面图
+with st.expander('3D surface'):  # 创建可展开部分，标题为“3D surface”
+    st.plotly_chart(fig_2)  # 在Streamlit中显示三维表面图

Book4_Ch03_Python_Codes/Streamlit_Bk4_Ch03_03.py

@@ -0,0 +1,104 @@
+
+###############
+# Authored by Weisheng Jiang
+# Book 4  |  From Basic Arithmetic to Machine Learning
+# Published and copyrighted by Tsinghua University Press
+# Beijing, China, 2025
+###############
+
+## 导入必要的库
+import plotly.graph_objects as go  # 引入Plotly库，用于绘图
+import streamlit as st  # 引入Streamlit库，用于创建交互式Web应用
+import numpy as np  # 引入NumPy库，用于数值计算
+import plotly.express as px  # 引入Plotly Express库，用于快速绘图
+import pandas as pd  # 引入Pandas库，用于数据操作
+import sympy  # 引入Sympy库，用于符号计算
+from scipy.spatial import distance  # 引入SciPy库中的距离模块
+
+## 定义距离计算函数
+# 定义计算Minkowski距离的函数
+# 如果设置Chebychev为True，则计算Chebychev距离，否则根据参数p计算Minkowski距离
+def fcn_Minkowski(xx, yy, mu, p=2, Chebychev=False):
+    if Chebychev:  # 如果选择Chebychev距离
+        zz = np.maximum(np.abs(xx - mu[0]), np.abs(yy - mu[1]))  # 计算Chebychev距离
+    else:  # 否则计算Minkowski距离
+        zz = ((np.abs((xx - mu[0]))**p) + (np.abs((yy - mu[1]))**p))**(1. / p)  # 计算公式
+    return zz  # 返回计算结果
+
+# 定义计算Mahalanobis距离的函数
+# 可以选择是否标准化Sigma矩阵
+
+def fcn_mahal(xx, yy, mu, Sigma, standardized=False):
+    if standardized:  # 如果选择标准化
+        D = np.diag(np.diag(Sigma))  # 提取对角线元素
+        Sigma_inv = np.linalg.inv(D)  # 计算逆矩阵
+    else:  # 否则直接计算Sigma的逆矩阵
+        Sigma_inv = np.linalg.inv(Sigma)
+    xy_ = np.stack((xx.flatten(), yy.flatten())).T  # 将输入数组展平并堆叠
+    zz = np.diag(np.sqrt(np.dot(np.dot((xy_ - mu), Sigma_inv), (xy_ - mu).T)))  # 计算Mahalanobis距离
+    zz = np.reshape(zz, xx.shape)  # 重塑计算结果为网格形状
+    return zz  # 返回计算结果
+
+## 加载数据集
+# 使用Plotly自带的鸢尾花数据集
+
+df = px.data.iris()
+
+## 创建侧边栏
+with st.sidebar:  # 定义侧边栏区域
+    dist_type = st.radio('Choose a type of distance: ',  # 添加单选按钮选择距离类型
+                         options=['Euclidean', 'City block', 'Minkowski', 'Chebychev', 'Mahalanobis', 'Standardized Euclidean'])
+    if dist_type == 'Minkowski':  # 如果选择Minkowski距离
+        with st.sidebar:  # 添加滑块以选择p值
+            p = st.slider('Specify a p value:', 1.0, 20.0, step=0.5)
+
+## 计算距离
+X = df[['sepal_length', 'petal_length']]  # 提取鸢尾花数据集中感兴趣的特征
+mu = X.mean().to_numpy()  # 计算特征的均值
+Sigma = X.cov().to_numpy()  # 计算特征的协方差矩阵
+x_array = np.linspace(0, 10, 101)  # 定义x轴网格点
+y_array = np.linspace(0, 10, 101)  # 定义y轴网格点
+xx, yy = np.meshgrid(x_array, y_array)  # 创建二维网格
+
+if dist_type == 'Minkowski':  # 如果选择Minkowski距离
+    zz = fcn_Minkowski(xx, yy, mu, p)  # 计算Minkowski距离
+elif dist_type == 'Euclidean':  # 如果选择欧几里得距离
+    zz = fcn_Minkowski(xx, yy, mu, 2)  # 使用p=2计算Minkowski距离
+elif dist_type == 'Chebychev':  # 如果选择Chebychev距离
+    zz = fcn_Minkowski(xx, yy, mu, Chebychev=True)  # 调用函数计算Chebychev距离
+elif dist_type == 'Mahalanobis':  # 如果选择Mahalanobis距离
+    zz = fcn_mahal(xx, yy, mu, Sigma)  # 调用函数计算Mahalanobis距离
+elif dist_type == 'City block':  # 如果选择曼哈顿距离
+    zz = fcn_Minkowski(xx, yy, mu, 1)  # 使用p=1计算Minkowski距离
+elif dist_type == 'Standardized Euclidean':  # 如果选择标准化欧几里得距离
+    zz = fcn_mahal(xx, yy, mu, Sigma, True)  # 调用函数计算标准化欧几里得距离
+
+## 数据可视化
+st.title(dist_type + ' distance')  # 设置标题
+fig_2 = px.scatter(df, x='sepal_length', y='petal_length')  # 绘制散点图
+fig_2.add_trace(go.Contour(  # 添加等高线
+    x=x_array,  # 设置x轴网格点
+    y=y_array,  # 设置y轴网格点
+    z=zz,  # 设置计算的距离数据
+    contours_coloring='lines',  # 等高线的样式
+    showscale=False))  # 不显示颜色条
+fig_2.add_traces(
+    px.scatter(X.mean().to_frame().T,  # 绘制均值点
+               x='sepal_length',  # x轴为花萼长度
+               y='petal_length').update_traces(
+        marker_size=20,  # 设置标记大小
+        marker_color="red",  # 设置标记颜色
+        marker_symbol='x').data)
+fig_2.update_layout(yaxis_range=[0, 10])  # 设置y轴范围
+fig_2.update_layout(xaxis_range=[0, 10])  # 设置x轴范围
+fig_2.add_hline(y=mu[1])  # 添加水平线
+fig_2.add_vline(x=mu[0])  # 添加垂直线
+fig_2.update_yaxes(
+    scaleratio=1,  # 设置y轴比例
+)
+fig_2.update_layout(width=600, height=600)  # 设置图形尺寸
+st.plotly_chart(fig_2)  # 在Streamlit中显示图形
+
+
+
+