import numpy as np
import matplotlib.pyplot as plt

# 构建样本数据，x值从-4到5，每个数间隔为1
x = np.arange(-4, 5, 1)
# 结果 array([-4, -3, -2, -1,  0,  1,  2,  3,  4])

# y构建为0,1 向量，且是线性不可分的
y = np.array((x >= -2) & (x <= 2), dtype='int')
# 结果 array([0, 0, 1, 1, 1, 1, 1, 0, 0])

# 绘制样本数据
print(y == 0)  # [ True  True False False False False False  True  True]
print(x[y == 0])  # [-4 -3  3  4]
print(x[y == 1])  # [-2 -1  0  1  2]
plt.scatter(x[y == 0], [0] * len(x[y == 0]))
plt.scatter(x[y == 1], [0] * len(x[y == 1]))
plt.show()


def f0():
    X_new = np.copy(x)
    Y_new = np.copy(x)
    for i, data in enumerate(Y_new):
        Y_new[i] = Y_new[i] * Y_new[i]

    # 绘制新的样本点
    plt.scatter(X_new[y == 0], Y_new[y == 0])
    plt.scatter(X_new[y == 1], Y_new[y == 1])
    plt.show()


"""
1. 在 NumPy 中，X[y == 1] 是一种索引操作，用于从数组 X 中选择那些在数组 y 中对应位置的值为 1 的元素。这种操作通常用于根据某个条件筛选数据。
2. 如果你多次调用 plt.scatter 而不指定颜色，matplotlib 会使用默认的颜色循环来为每个散点图分配不同的颜色。默认的颜色循环是 ['C0', 'C1', 'C2', ...]，其中 C0 通常对应于蓝色，C1 对应于橙色，依此类推。
"""
f0()


def f1():
    def gaussian(x, l):
        # 这一节对gamma先不做探讨，先定为1
        gamma = 1.0
        # 这里x-l是一个数，不是向量，所以不需要取模
        return np.exp(-gamma * (x - l) ** 2)

    # 将每一个x值通过高斯核函数和l1，l2地标转换为2个值，构建成新的样本数据
    l1, l2 = -1, 1
    X_new = np.empty((len(x), 2))
    for i, data in enumerate(x):
        X_new[i, 0] = gaussian(data, l1)
        X_new[i, 1] = gaussian(data, l2)

    # 绘制新的样本点
    # X_new 有9条数据，但只把 y=0的 4 条绘制出来
    plt.scatter(X_new[y == 0, 0], X_new[y == 0, 1])
    # X_new 有9条数据，但只把 y=1的 5 条绘制出来
    plt.scatter(X_new[y == 1, 0], X_new[y == 1, 1])
    plt.show()


# 调用f1
f1()


def f2():
    # pip install scikit-learn
    import numpy as np
    import matplotlib.pyplot as plt
    from sklearn import datasets

    X, y = datasets.make_moons(noise=0.15, random_state=666)

    plt.scatter(X[y == 0, 0], X[y == 0, 1])
    plt.scatter(X[y == 1, 0], X[y == 1, 1])
    plt.show()

    from sklearn.preprocessing import StandardScaler
    from sklearn.svm import SVC
    from sklearn.pipeline import Pipeline

    def RBFKernelSVC(gamma=1.0):
        return Pipeline([("std_scaler", StandardScaler()), ("svc", SVC(kernel="rbf", gamma=gamma))])

    # 将gamma取1
    rbf_svc = RBFKernelSVC(gamma=1)
    rbf_svc.fit(X, y)

    def plot_decision_boundary(model, axis):
        # meshgrid函数用两个坐标轴上的点在平面上画格，返回坐标矩阵
        X0, X1 = np.meshgrid(
            # 随机两组数，起始值和密度由坐标轴的起始值决定
            np.linspace(axis[0], axis[1], int((axis[1] - axis[0]) * 100)).reshape(-1, 1),
            np.linspace(axis[2], axis[3], int((axis[3] - axis[2]) * 100)).reshape(-1, 1),
        )
        # ravel()方法将高维数组降为一维数组，c_[]将两个数组以列的形式拼接起来，形成矩阵
        X_grid_matrix = np.c_[X0.ravel(), X1.ravel()]

        # 通过训练好的逻辑回归模型，预测平面上这些点的分类
        y_predict = model.predict(X_grid_matrix)
        y_predict_matrix = y_predict.reshape(X0.shape)

        # 设置色彩表
        from matplotlib.colors import ListedColormap
        my_colormap = ListedColormap(['#0000CD', '#40E0D0', '#FFFF00'])

        # 绘制等高线，并且填充等高区域的颜色
        plt.contourf(X0, X1, y_predict_matrix, linewidth=5, cmap=my_colormap)

    plot_decision_boundary(rbf_svc, axis=[-1.5, 2.5, -1.0, 1.5])
    plt.scatter(X[y == 0, 0], X[y == 0, 1])
    plt.scatter(X[y == 1, 0], X[y == 1, 1])
    plt.show()

    # 将gamma取100
    rbf_svc100 = RBFKernelSVC(gamma=100)
    rbf_svc100.fit(X, y)

    plot_decision_boundary(rbf_svc100, axis=[-1.5, 2.5, -1.0, 1.5])
    plt.scatter(X[y == 0, 0], X[y == 0, 1])
    plt.scatter(X[y == 1, 0], X[y == 1, 1])
    plt.show()

    # 将gamma取0.1
    rbf_svc01 = RBFKernelSVC(gamma=0.1)
    rbf_svc01.fit(X, y)

    plot_decision_boundary(rbf_svc01, axis=[-1.5, 2.5, -1.0, 1.5])
    plt.scatter(X[y == 0, 0], X[y == 0, 1])
    plt.scatter(X[y == 1, 0], X[y == 1, 1])
    plt.show()


# 调用f2
f2()