Обучение думать Объектно-ориентированным Способом

Ваша проблема несколько неясна.

Я пробовал plt.hist(), что дает еще один нормальный график распределения.

blockquote>

Ну, не совсем; это дает бимодальную гауссову смесь график:

arr, blob_labels = make_blobs(n_samples=1000, n_features=1, 
                                centers=2, random_state=1)

a = plt.hist(arr, bins=np.arange(int(np.min(arr))-1,int(np.max(arr))+1,0.5), width = 0.3)

, как и ожидалось, так как теперь мы имеем [114 ].

Я понятия не имею, как использовать plt.scatter() с данными.

blockquote>

По определению для диаграммы рассеяния требуются двумерные данные; из документов :

Диаграмма рассеяния y против x с изменяющимся размером маркера и / или цветом.

blockquote>

, в то время как здесь, благодаря n_features=1, у нас на самом деле есть только x и нет y .

1D «график рассеяния» на самом деле является линией, и мы можем использовать plot для ее визуализации, как хорошо объяснено в Как построить 1-d данные при заданном значении y с помощью pylab ; в вашем случае:

val = 0. # this is the value where you want the data to appear on the y-axis.
a = plt.plot(arr, np.zeros_like(arr) + val, 'x')

, где, конечно, следует помнить, что вертикальная ось - это просто удобство для визуализации и ничего не говорит о наших данных, которые вообще не имеют значения y .

Хотите использовать разные цвета и / или маркеры для каждого центра?

val = 0. # this is the value where you want the data to appear on the y-axis.
plt.plot(arr[blob_labels==0], np.zeros_like(arr[blob_labels==0]) + val, 'x', color='y')
plt.plot(arr[blob_labels==1], np.zeros_like(arr[blob_labels==1]) + val, '+', color='b')
plt.show()

где для больших выборок начинается ситуация становится несколько интереснее; обратите внимание на перекрытие для n_samples=10000: