人工智能技術(shù)應(yīng)用導(dǎo)論計(jì)

—學(xué)年第期課程名稱：術(shù)應(yīng)用導(dǎo)論授課班級(jí)：任課教師：二院及教研室單序號(hào)及單元標(biāo)題：2章語(yǔ)基礎(chǔ)（）授課班級(jí)

上課時(shí)間

上周日第節(jié)課地周日第節(jié)點(diǎn)隨著聯(lián)網(wǎng)發(fā)大數(shù)據(jù)、云計(jì)和物聯(lián)網(wǎng)等相關(guān)技術(shù)會(huì)陸普及個(gè)景,智能化然是發(fā)展趨勢(shì)一,人工智相關(guān)術(shù)會(huì)首先在互網(wǎng)行中始應(yīng)用，而器學(xué)是教的方法，也是人工智能的核深學(xué)習(xí)則是一種現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)。本章節(jié)學(xué)器學(xué)習(xí)深學(xué)習(xí)關(guān)的容為后的課深入習(xí)定基。目的能力技能目標(biāo)

知識(shí)標(biāo)悉機(jī)習(xí)與學(xué)習(xí)念解智實(shí)流器學(xué)習(xí)學(xué)習(xí)在能領(lǐng)域用教學(xué)目標(biāo)

器學(xué)習(xí)學(xué)習(xí)的景器學(xué)習(xí)流框架況監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督別熟無(wú)監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)的實(shí)現(xiàn)過(guò)程度學(xué)習(xí)原理及展現(xiàn)狀悉學(xué)的方重學(xué)習(xí)與督習(xí)實(shí)過(guò)；悉深學(xué)的用法點(diǎn)，示過(guò)行示整個(gè)，的簡(jiǎn)難點(diǎn)及解決方法

工智能技術(shù)用教單元教學(xué)設(shè)計(jì)容鐘分新練分鐘、

分圍機(jī)學(xué)習(xí)在指紋識(shí)別物檢測(cè)等領(lǐng)域的應(yīng)用基本達(dá)了商業(yè)化的要求圍上說(shuō)機(jī)器學(xué)習(xí)跟模識(shí)別、據(jù)掘、統(tǒng)學(xué)是類似，時(shí)機(jī)器學(xué)與其他域處理技術(shù)結(jié)合，形成了算機(jī)視覺(jué)、語(yǔ)音別、自語(yǔ)言處理交叉學(xué)科。單元教學(xué)設(shè)計(jì)駛稱人駕駛汽車、輪移動(dòng)機(jī)器人，統(tǒng)實(shí)現(xiàn)無(wú)駕駛的智能汽。、

分工習(xí)習(xí)人工智是最早出現(xiàn)的是最最外的同圓次是器習(xí)稍晚最內(nèi)側(cè)，今工智能大爆炸年，人工智能曾之后，人工智能的些較小的子集發(fā)了起來(lái)是機(jī)學(xué)習(xí)后是深度習(xí)深度學(xué)習(xí)又是機(jī)器學(xué)習(xí)的子。深度學(xué)習(xí)造成前所未有的巨大的影。單元教學(xué)設(shè)計(jì)展在機(jī)學(xué)習(xí)域機(jī)學(xué)家不斷探索不的理論創(chuàng)建出不同的機(jī)器習(xí)模型。從發(fā)展歷程來(lái)說(shuō)，大致經(jīng)歷了三個(gè)階段。類可以按輸入的數(shù)據(jù)本是否已被標(biāo)定特定標(biāo)簽將機(jī)器學(xué)區(qū)分為有監(jiān)學(xué)習(xí)督學(xué)習(xí)以及監(jiān)督學(xué)習(xí)三類。單元教學(xué)設(shè)計(jì)況、介

鐘監(jiān)督習(xí)是標(biāo)記的訓(xùn)練數(shù)據(jù)來(lái)推斷一個(gè)功能的機(jī)器學(xué)習(xí)任務(wù)。訓(xùn)練數(shù)包套練示例。在中，每個(gè)是由一個(gè)（通常和一個(gè)期出值（也稱為督信號(hào)組成。監(jiān)督學(xué)習(xí)算包括分和歸，對(duì)分來(lái)說(shuō)目變是樣所的類，樣數(shù)中包每一樣的征對(duì)回來(lái)，回就為預(yù)。

=/pandasmatplotlibsklearnPyCharmAnacordapandasnumpymatplotlibsklearn1.進(jìn)入JupyterNotebook開(kāi)發(fā)軟件1）終如3-14所鼠標(biāo)出工欄點(diǎn)擊OpenTerminalHere“端”命令窗口

鍵單元教學(xué)設(shè)計(jì)圖打開(kāi)minal終端（打“jupyternotebook”如圖3-15所示“Terminal終端命窗中輸入jupyter”輸入【回】，動(dòng)打Firefox瀏覽進(jìn)入jupyter”（JupyterNotebook）的”界。完后即進(jìn)入一步作圖終端2.建工文件在jupyter“Page界如16所，單擊右上角的【新建】選【Python3】，創(chuàng)建工文“未名jpynb”系自在Firefox覽新的簽打開(kāi)Notebook代碼輯面在所開(kāi)Notebook的代碼輯界面中，單擊左角【文件】，文件下拉框中單【重如3-16所示出“重命名對(duì)電票房據(jù)分，作工程文件的名稱單元教學(xué)設(shè)計(jì)圖完整的工程文件名為“電影票房數(shù)據(jù)分析ipynb”下載文文件打開(kāi)覽器，入以下址：，【回車鍵，擊【確】按鈕鼠標(biāo)【鍵】點(diǎn)擊文從鏈接另存文件下存對(duì)話框桌為Jupyter當(dāng)工作路徑）存儲(chǔ)文件。如圖3-17示：?jiǎn)卧虒W(xué)設(shè)計(jì)圖文件下載數(shù)讀取電影房據(jù)取輸入下代碼#conding:utf-8#導(dǎo)入pandas包importpandasaspd#用read_csv('film.txt',delimiter=';')#篩選指內(nèi)上時(shí)間'閉時(shí)''票/萬(wàn)]]#輸出從文件中取的部結(jié)df.head(10)點(diǎn)擊運(yùn)行按，輸出結(jié)果圖3-18：?jiǎn)卧虒W(xué)設(shè)計(jì)圖電影信息數(shù)預(yù)處數(shù)清洗：去除帶有（）數(shù)行輸入下代碼：#數(shù)清洗：去除帶有（空）數(shù)據(jù)行df=df.dropna()#將映間閉時(shí)間換時(shí)類df['上時(shí)']pd.to_datetime(df['上間'])df['閉時(shí)']pd.to_datetime(df['閉間'])#計(jì)算影放天數(shù)df['放天']=(df['閉映時(shí)間df['映時(shí)間']).dt.days+1#將房數(shù)據(jù)轉(zhuǎn)換為浮點(diǎn)型df['票房萬(wàn)=df['房/萬(wàn)].astype(float)#計(jì)算日票日票房/萬(wàn)]df['票/萬(wàn)'放映數(shù)#重置索列，不添加新列=df.reset_index(drop=True)#輸出從件中讀取的部分果df.head(10)點(diǎn)擊運(yùn)行按，輸出結(jié)果圖3-19：?jiǎn)卧虒W(xué)設(shè)計(jì)圖電影信息模型建立與訓(xùn)練（使用元線性回歸分析）初始線回模型性回?cái)M（練。輸入下代碼#導(dǎo)入sklearn包fromsklearnlinear_model#設(shè)定x和y的=df[['映天數(shù)]]=df[['均票房萬(wàn)']]#初化線性回歸模型regr=linear_model.LinearRegression()#線回歸擬合（訓(xùn)練regr.fit(x,y)點(diǎn)擊【運(yùn)行】按鈕，輸出結(jié)果如下所示LinearRegression(copy_X=True,fit_intercept=True,n_jobs=None,normalize=False)數(shù)視化電影票房數(shù)據(jù)可化，導(dǎo)入畫(huà)圖包畫(huà)散點(diǎn)。輸入下代碼#導(dǎo)畫(huà)圖包importmatplotlib.pyplotasplt#解負(fù)號(hào)顯示的問(wèn)題plt.rcParams['axes.unicode_minus']=False#可化#設(shè)題plt.title('therelationshiptheofdaysfilmshowsboxoffice')#設(shè)置x，y軸的題plt.xlabel('numberofdaysthefilmshows')plt.ylabel('averagedailyrevenue')單元教學(xué)設(shè)計(jì)#畫(huà)圖plt.scatter(x,y,color='black')#畫(huà)出測(cè)，測(cè)的度為，顏紅色plt.scatter(x,regr.predict(x),color='red',linewidth=1,marker='*')#添例plt.legend(['originalvalue','predictedvalue'],loc=2)#顯像plt.show()點(diǎn)擊運(yùn)行按，輸出結(jié)果圖20所：圖電影票房可視化模預(yù)與視化拆分練和試;建立性回模;使用練進(jìn)擬;繪預(yù)測(cè)值與測(cè)試值曲線輸入下代碼：#導(dǎo)包：引入模型選擇模塊的train_test_splitfromsklearn.model_selectionimporttrain_test_split#拆訓(xùn)練集和測(cè)試集#調(diào)接口：指定訓(xùn)練集與試集的大小，返的訓(xùn)練與測(cè)試集分結(jié)果#train_size:樣比為自置為；#test_size:測(cè)樣比為時(shí)自設(shè)為#random_state:隨的子x_train,y_test=train_test_split(df[['映數(shù)']],df[['日均票/萬(wàn)']],train_size=0.8,test_size=0.2,random_state=1)#建立性回模型regr=linear_model.LinearRegression()#使訓(xùn)練集進(jìn)行擬合regr.fit(x_train,y_train)#給測(cè)試集的預(yù)測(cè)結(jié)果y_pred=regr.predict(x_test)單元教學(xué)設(shè)計(jì)#print(y_pred)plt.title('comparisonofpredictedandvalues')plt.ylabel('averagedailyrevenue')plt.plot(range(len(y_pred)),y_pred,'red',linewidth=2.5,label="predictedvalue")plt.plot(range(len(y_test)),y_test,'green',label="testedvalue")plt.legend(loc=2)#顯預(yù)測(cè)值與測(cè)試值曲線plt.show()點(diǎn)擊運(yùn)行按，輸出結(jié)果圖21所：圖模預(yù)測(cè)圖【實(shí)驗(yàn)結(jié)】在電數(shù)據(jù)中計(jì)均票房累票/放天日均票房不足百萬(wàn)元時(shí)一般將會(huì)在接下來(lái)的周左右檔本中們過(guò)一元性歸對(duì)兩數(shù)進(jìn)行簡(jiǎn)要的相關(guān)性分析，探討通計(jì)劃放映天數(shù)預(yù)電影的票房。驗(yàn)：鳶尾花分類

鐘一個(gè)完、充分的數(shù)據(jù)計(jì)過(guò)程主要包括以步驟：1.數(shù)據(jù)讀??；數(shù)據(jù)預(yù)理數(shù)據(jù)可化模型立與練數(shù)預(yù)測(cè)與模型的評(píng)估?！緦?shí)驗(yàn)容】對(duì)鳶尾數(shù)據(jù)進(jìn)行分類評(píng)估與預(yù)測(cè)【實(shí)驗(yàn)的】通過(guò)本驗(yàn)，要初步掌數(shù)分過(guò)程和Python數(shù)據(jù)分析常用包：pandas、matplotlib、sklearn的本使用?！緦?shí)驗(yàn)境】單元教學(xué)設(shè)計(jì)PyCharm或Anacorda環(huán)境pandas、numpy、matplotlib、。【實(shí)驗(yàn)驟】1.進(jìn)入JupyterNotebook開(kāi)發(fā)軟件（）打開(kāi)“Terminal終端”命窗口。3-22所在實(shí)境中鼠標(biāo)鍵彈出具，擊OpenTerminal】進(jìn)入Terminal端”命令。圖開(kāi)Terminal終（）打開(kāi)notebook”。23所，“Terminal端令口中“jupyter回自打開(kāi)Firefox覽器進(jìn)“jupyter（JupyterNotebook）的“HomePage界面。完成后即可進(jìn)入下一步操作。圖端創(chuàng)文件在“jupyter“Page界如24所，單擊右上角的【新建】選【Python】，創(chuàng)建工文“未名jpynb”系自在Firefox覽新的簽打開(kāi)Notebook代碼輯面。在所開(kāi)Notebook的代碼輯界面中，單擊左角【文件】，文件下拉框中單擊重命名】，如圖3-24所示，彈“重命”對(duì)話。入“鳶花類”，為工文的稱。單元教學(xué)設(shè)計(jì)圖完整的工程文件名為“鳶尾花類ipynb”。3.下載待處理文件打開(kāi)覽器，入以下址：，【回車鍵，擊【確】按鈕鼠標(biāo)【鍵】點(diǎn)擊文從鏈接另存文件下存對(duì)話框桌為Jupyter當(dāng)工作路徑）存儲(chǔ)文件。如圖25所示：?jiǎn)卧虒W(xué)設(shè)計(jì)圖文件下載數(shù)讀取單元教學(xué)設(shè)計(jì)從文中鳶數(shù)。輸入下代碼#coding:utf-8importpandasaspddf=pd.read_csv('iris.csv',delimiter=',')df.head()點(diǎn)擊運(yùn)行按，輸出結(jié)果圖3-26：圖鳶尾花信息5.數(shù)據(jù)處理對(duì)尾花類別進(jìn)數(shù)值化處理輸入下代碼fromsklearn#對(duì)別進(jìn)行數(shù)值化處=preprocessing.LabelEncoder()df['Cluster']le.fit_transform(df['Species'])df.head()點(diǎn)擊運(yùn)行按，輸出結(jié)果圖3-27：圖數(shù)預(yù)處理6.源數(shù)可視化對(duì)鳶花源據(jù)行可視化展。輸入下代碼importnumpynpimportmatplotlib.pyplotaspltplt.rcParams['axes.unicode_minus']=False=df[['SepalLengthCm','SepalWidthCm','PetalLengthCm','PetalWidthCm']]=df[['Cluster','Species']]#可化展現(xiàn)grr=pd.plotting.scatter_matrix(X,c=np.squeeze(Y[['Cluster']]),figsize=(8,8),marker="o",hist_kwds={'bins':20},s=60,alpha=.8,cmap=plt.cm.Paired)plt.show()單元教學(xué)設(shè)計(jì)點(diǎn)擊【運(yùn)行】鈕，輸結(jié)如圖28所：圖源數(shù)據(jù)可視化圖模建與訓(xùn)對(duì)鳶尾數(shù)據(jù)集進(jìn)行切，用近鄰建立模型并進(jìn)行訓(xùn)練輸如下代運(yùn)】按。fromsklearn.model_selectionimporttrain_test_splitfromsklearn.neighborsimportKNeighborsClassifier#數(shù)集切分x_train,x_test,y_train,y_test=train_test_split(X,Y)#使用近建立模型并進(jìn)行訓(xùn)練knnKNeighborsClassifier(n_neighbors=5)knn.fit(x_train,np.squeeze(y_train[['Cluster']]))y_pred=knn.predict(x_test)模評(píng)估對(duì)練好的模型評(píng)估輸入下代碼：#模型評(píng)結(jié)果print("預(yù)準(zhǔn)確度{:.2f}".format(knn.score(x_test,y_test[['Cluster']])))print(pd.crosstab(y_test['Cluster'],y_pred,rownames=['ActualValues'],colnames=['Prediction']))點(diǎn)擊運(yùn)行按，輸出結(jié)果圖29所：?jiǎn)卧虒W(xué)設(shè)計(jì)圖模型評(píng)估數(shù)據(jù)圖、介

鐘無(wú)監(jiān)督學(xué)習(xí)就是在樣本數(shù)據(jù)中只有數(shù)據(jù)沒(méi)有數(shù)據(jù)進(jìn)行標(biāo)記無(wú)監(jiān)督學(xué)習(xí)的目的就讓計(jì)機(jī)對(duì)這些原始數(shù)據(jù)進(jìn)行分析，讓計(jì)算機(jī)自己去學(xué)習(xí)、找到數(shù)據(jù)之間的某種關(guān)系。單元教學(xué)設(shè)計(jì)用用戶行分類

鐘電評(píng)數(shù)文件中存了列據(jù)別表示用戶對(duì)兩部電影的評(píng)分根據(jù)評(píng)分值的相似用對(duì)相數(shù)據(jù)行類分成不同的用戶群驗(yàn)用K-Means對(duì)影用戶進(jìn)行聚類。【實(shí)驗(yàn)容】電評(píng)數(shù)文件中存了列據(jù)別表示用戶對(duì)兩部電影的評(píng)分根據(jù)評(píng)分值的相性，本實(shí)驗(yàn)使用對(duì)影進(jìn)類其不的用戶群?！緦?shí)驗(yàn)的】通過(guò)本次實(shí)驗(yàn)，要求初掌握數(shù)據(jù)分過(guò)程和數(shù)據(jù)分析常用包：pandas、matplotlib、sklearn的本使用?！緦?shí)驗(yàn)境】PyCharm或Anacorda環(huán)境pandas、numpy、matplotlib、?！緦?shí)驗(yàn)驟】1.進(jìn)入JupyterNotebook開(kāi)發(fā)件（）打開(kāi)“Terminal終端”命窗口。3-32所在實(shí)境中鼠標(biāo)鍵彈出具，擊OpenTerminal】進(jìn)入Terminal端”命令。單元教學(xué)設(shè)計(jì)圖開(kāi)Terminal終端（）打開(kāi)notebook”如圖33，“Terminal端令口中“jupyter回自打開(kāi)Firefox瀏器”（JupyterNotebook）的“HomePage界面。完成后即可進(jìn)入下一步操作。圖Terminal終端創(chuàng)文件“jupyterPage（圖34擊右上角新【Python3工程文未名jpynb自動(dòng)Firefox瀏覽器新的標(biāo)簽中打開(kāi)Jupyter編輯界。在所開(kāi)Notebook的代碼輯界面中，單擊左角【文件】，文件下拉框中單擊重命名】，如圖示，彈出“重命名”對(duì)話框。輸入“使K-Means對(duì)影戶進(jìn)行聚類”，作為工程文件的名稱單元教學(xué)設(shè)計(jì)圖完整的工程文件名為“使用對(duì)觀用戶進(jìn)行類.ipynb”3.下載待處文件打開(kāi)瀏覽器，輸入以下網(wǎng)址，【回車】，點(diǎn)擊【定】按鈕，鼠標(biāo)【右鍵】點(diǎn)擊filmScore.csv文，點(diǎn)【鏈另存文件】彈如下保存話，選擇桌（面為Jupyter當(dāng)前路存儲(chǔ)filmScore.csv文件圖3-35所。單元教學(xué)設(shè)計(jì)圖文件下載展并分原數(shù)從filmScore.csv中讀數(shù)據(jù)，可視化原始數(shù)據(jù)。輸入下代碼#coding:utf-8#導(dǎo)包importnumpynpimportpandasaspdimportmatplotlib.pyplotaspltfrompylabimportmpl#設(shè)置常顯字mpl.rcParams['axes.unicode_minus']=False#讀據(jù)其加索引datapd.read_csv('filmScore.csv')X=data[['filmname1','filmname2']]單元教學(xué)設(shè)計(jì)#可化原始數(shù)據(jù)plt.figure()plt.scatter(data['filmname1'],data['filmname2'],marker='o',facecolors='yellow',edgecolors='red',s=30,alpha=0.5)x_min,x_max1,max(data['filmname1'])+1y_min,y_max1,max(data['filmname2'])+1plt.title('input(2D)')plt.xlim(x_min,x_max)plt.ylim(y_min,y_max)plt.xticks(())plt.yticks(())plt.show()點(diǎn)擊運(yùn)行按，輸出結(jié)果圖36所：圖原始數(shù)據(jù)圖5.確定質(zhì)個(gè)數(shù)進(jìn)行聚類確質(zhì)心個(gè)數(shù)為進(jìn)行聚類。輸入下代碼：fromsklearnimportmetricsfromsklearn.clusterimportKMeans#訓(xùn)num_clusters=3kmeans=KMeans(init='k-means++',n_clusters=num_clusters,n_init=10)kmeans.fit(X)點(diǎn)擊【運(yùn)行】按鈕，輸出結(jié)果如下所示：KMeans(algorithm='auto',copy_x=True,init='k-means++',max_iter=300,n_clusters=3,n_init=10,n_jobs=None,precompute_distances='auto',random_state=None,tol=0.0001,verbose=0)可展現(xiàn)聚果輸入下代碼：step_size=0.01x_values,y_values=np.meshgrid(np.arange(x_min,step_size),單元教學(xué)設(shè)計(jì)np.arange(y_min,y_max,step_size))#預(yù)果predicted_labels=kmeans.predict(np.c_[x_values.ravel(),y_values.ravel()])#聚類果predicted_labels=predicted_labels.reshape(x_values.shape)plt.figure()plt.clf()plt.imshow(predicted_labels,extent=(x_values.min(),x_values.max(),y_values.min(),y_values.max()),cmap=plt.cm.Spectral,aspect='auto',origin='lower')#原始據(jù)plt.scatter(X['filmname1'],X['filmname2'],marker='o',facecolors='yellow',edgecolors='red',s=30,alpha=0.5)#質(zhì)心置centroids=kmeans.cluster_centers_plt.scatter(centroids[:,0],centroids[:,1],marker='o',s=200,linewidths=3,color='k',facecolors='black',edgecolors='white',alpha=0.9)plt.title('clusteranalysisresults(K-Means)')plt.xlim(x_min,x_max)plt.ylim(y_min,y_max)plt.xticks(())plt.yticks(())plt.show()點(diǎn)擊運(yùn)行按，輸出結(jié)果圖3-37：

zorder=10,圖可視化展示聚圖【拓展】：理解參數(shù)1.格式化質(zhì)心單元教學(xué)設(shè)計(jì)輸入下代碼：plt.figure()plt.clf()plt.imshow(predicted_labels,extent=(x_values.min(),x_values.max(),y_values.min(),y_values.max()),cmap=plt.cm.Spectral,aspect='auto',origin='lower')#原始據(jù)plt.scatter(X['filmname1'],X['filmname2'],marker='o',facecolors='white',edgecolors='black',s=30,alpha=0.5)#心centroids=kmeans.cluster_centers_plt.scatter(centroids[:,0],centroids[:,1],marker='*',s=300,linewidths=3,color='red',facecolors='red',edgecolors='green',alpha=0.9)plt.title('clusteranalysisresults(K-Means)')plt.xlim(x_min,x_max)plt.ylim(y_min,y_max)plt.xticks(())plt.yticks(())plt.show()點(diǎn)擊運(yùn)行按，輸出結(jié)果圖3-38：

zorder=10,圖拓展可視化展示聚類圖2.修質(zhì)心個(gè)數(shù)為輸入下代碼：num_clusters=2kmeans=KMeans(init='k-means++',n_clusters=num_clusters,n_init=10)kmeans.fit(X)#預(yù)果單元教學(xué)設(shè)計(jì)predicted_labels=kmeans.predict(np.c_[x_values.ravel(),y_values.ravel()])#聚類果predicted_labels=predicted_labels.reshape(x_values.shape)plt.figure()plt.clf()plt.imshow(predicted_labels,extent=(x_values.min(),x_values.max(),y_values.min(),y_values.max()),cmap=plt.cm.Spectral,aspect='auto',origin='lower')#原始據(jù)plt.scatter(data['filmname1'],data['filmname2'],marker='o',facecolors='yellow',edgecolors='red',s=30,alpha=0.5)#質(zhì)心置centroids=kmeans.cluster_centers_plt.scatter(centroids[:,0],centroids[:,1],marker='*',s=300,linewidths=3,color='red',facecolors='red',edgecolors='green',alpha=0.9)plt.title('clusteranalysisresults(K-Means)')plt.xlim(x_min,x_max)plt.ylim(y_min,y_max)plt.xticks(())plt.yticks(())plt.show()點(diǎn)擊運(yùn)行按，輸出結(jié)果圖3-39所示

zorder=10,圖拓展可視化展示聚類圖3.置選質(zhì)心種子次數(shù)，改為次每次迭代的大次數(shù)改輸入如代：num_clusters=2單元教學(xué)設(shè)計(jì)kmeansKMeans(init='k-means++',=kmeans.fit(X)#預(yù)果predicted_labels=kmeans.predict(np.c_[x_values.ravel(),y_values.ravel()])#聚類果predicted_labels=predicted_labels.reshape(x_values.shape)plt.figure()plt.clf()plt.imshow(predicted_labels,extent=(x_values.min(),x_values.max(),y_values.min(),y_values.max()),cmap=plt.cm.Spectral,aspect='auto',origin='lower')#原始據(jù)plt.scatter(data['filmname1'],data['filmname2'],marker='o',facecolors='yellow',