Python 代码：使用 Seaborn 绘制散点图和核密度估计曲线

这段 Python 代码演示了如何使用 Seaborn 库生成数据并绘制散点图和核密度估计曲线。

首先，代码定义了一个空列表 gen_datas 用于存储生成的数据。然后，使用循环生成 50 次数据，并将数据转换成列表形式后，统计每个列表中 -1 的个数占总个数的比例，并将结果添加到 result 列表中。最后，将 result 列表添加到 gen_datas 列表中。

接下来，代码将 gen_datas 转换成 numpy 数组 generated_data。随后，使用 Seaborn 库的 jointplot 函数绘制散点图和核密度估计曲线。设置 x 轴和 y 轴的范围为 (0,1)，并使用 plt.scatter 函数绘制原始数据的散点图。

最后，通过 plt.show() 显示绘制的图形。

代码中使用了以下库和方法：

numpy：用于处理数组数据。
seaborn：用于绘制数据可视化图表。
matplotlib.pyplot：用于显示图表。

代码示例：

gen_datas = []
for _ in range(50):
    res = gen_data(gen_weights)
    result = []
    for i in range(len(res)): 
        result.append(res[i].tolist().count(-1) / len(res[i].tolist()))
    gen_datas.append(result)

generated_data = np.array(gen_datas)
graph = sns.jointplot(x=generated_data[:,0],y=generated_data[:,1],kind='kde',ylim=(0,1),xlim=(0,1))
graph.x = X[:,0]
graph.y = X[:,1]
graph.plot_joint(plt.scatter, marker='o', c=iris_fulldata['target'], s=5)
plt.show()

代码解析：

gen_datas = []：定义一个空列表 gen_datas 用于存储生成的数据。
for _ in range(50):：循环生成 50 次数据。
res = gen_data(gen_weights)：使用 gen_data 函数生成数据，并使用 gen_weights 作为参数。
result = []：定义一个空列表 result 用于存储统计结果。
for i in range(len(res)):：循环遍历 res 列表中的每个元素。
result.append(res[i].tolist().count(-1) / len(res[i].tolist()))：将每个列表中 -1 的个数占总个数的比例添加到 result 列表中。
gen_datas.append(result)：将 result 列表添加到 gen_datas 列表中。
generated_data = np.array(gen_datas)：将 gen_datas 列表转换成 numpy 数组 generated_data。
graph = sns.jointplot(x=generated_data[:,0],y=generated_data[:,1],kind='kde',ylim=(0,1),xlim=(0,1))：使用 Seaborn 库的 jointplot 函数绘制散点图和核密度估计曲线。
graph.x = X[:,0]：设置 x 轴的数据为 X[:,0]。
graph.y = X[:,1]：设置 y 轴的数据为 X[:,1]。
graph.plot_joint(plt.scatter, marker='o', c=iris_fulldata['target'], s=5)：使用 plt.scatter 函数绘制原始数据的散点图，并使用 c 参数设置颜色。
plt.show()：显示绘制的图形。

总结：

这段代码演示了如何使用 Python 中的 Seaborn 库生成数据、统计数据特征，并绘制散点图和核密度估计曲线，以可视化数据分布。代码详细说明了数据生成、特征统计、绘图过程以及 Seaborn 库的使用方法。