Utilisez claude pour écrire du code python pour les nuages de points avec des informations étiquetées, qui peuvent être utilisées dans des articles de recherche scientifique

Tout d'abord, nous avons besoin d'un ensemble de données pour dessiner des diagrammes de dispersion. Ici, nous demandons à claude de nous aider à fabriquer un ensemble de données, qui sont les données d'altitude et les données d'écart type d'altitude de 30 villes de niveau préfecture. Le premier reflète l'altitude moyenne de la région et le second reflète le degré de dispersion de l'altitude. Les résultats sont les suivants :

Utilisez claude pour écrire le code du nuage de points, comme suit :

Le code en cours d'exécution dans vscode, le résultat ne peut pas afficher le chinois, comme suit :

Étant donné que la boîte à outils matlab ne prend pas en charge le chinois, vous devez importer des polices et laisser claude modifier le code, comme suit :

Exécutez le code modifié comme suit :

Par rapport à chatgpt, j'ai trouvé que Claude est plus intelligent dans l'écriture des codes.Quand il s'agit d'afficher le chinois, chatgpt ne peut pas le résoudre plusieurs fois, mais Claude peut le compléter une fois. En fait, les deux ont la même origine. Claude a été créé par le vice-président de chatgpt avec un groupe de personnes, donc c'est fondamentalement la même chose. Heureusement, claude peut télécharger des fichiers, et les restrictions sur la saisie et le nombre de fois d'utilisation sont également plus fortes que chatgpt.

Le code complet est le suivant :

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei'] 
plt.rcParams['axes.unicode_minus'] = False

data = pd.DataFrame({
    '市名称': ['南京市', '无锡市', '徐州市', '常州市', '苏州市', '南通市',  
               '连云港市', '淮安市', '盐城市', '扬州市', '镇江市', '泰州市',
               '宿迁市', '济南市', '青岛市', '淄博市', '枣庄市', '东营市',
               '烟台市', '潍坊市', '济宁市', '泰安市', '威海市', '日照市',
               '临沂市', '德州市', '聊城市', '滨州市', '菏泽市', '郑州市'],
    '平均高程(米)': [20, 10, 60, 15, 12, 80, 55, 18, 35, 10, 40, 90, 100,  
                      400, 50, 100, 150, 200, 80, 120, 140, 180, 60, 40, 130,
                      90, 220, 160, 190, 110], 
    '高程标准差(米)': [5, 3, 8, 4, 3, 10, 7, 5, 6, 2, 5, 12, 15, 20, 8, 10, 12,
                        15, 8, 10, 12, 15, 6, 5, 10, 8, 18, 12, 15, 10]
})

plt.scatter(data['平均高程(米)'], data['高程标准差(米)'], s=80, label='数据点') 

for i, txt in enumerate(data['市名称']):
    plt.annotate(txt, (data['平均高程(米)'][i], data['高程标准差(米)'][i]), fontsize=8)
    
fit = np.polyfit(data['平均高程(米)'], data['高程标准差(米)'], 1)
fit_fn = np.poly1d(fit)
plt.plot(data['平均高程(米)'], fit_fn(data['平均高程(米)']), '--k', label='拟合线')

plt.xlabel('平均高程(米)')
plt.ylabel('高程标准差(米)')
plt.title('地级市高程数据散点图')

# 图例置于右下角
plt.legend(loc='lower right') 

# 拟合公式置于左上角
plt.text(20, 6, '拟合公式:\ny={:.2f}x+{:.2f}'.format(fit[0], fit[1]), fontsize=10)

plt.show()