UMAP降维与可视化核心是两步:先用umap.UMAP().fit_transform()得二维坐标,再用plt.scatter()绘图;必须安装umap-learn、导入import umap、设n_components=2,并对输入数据标准化。

UMAP在Python中做降维和可视化,核心就两步:fit_transform() 生成低维坐标,再用plt.scatter() 画点。它比t-SNE快、结构保留更稳,但参数选错会明显糊掉簇或拉散分布。
安装与基础调用必须用 umap-learn
别装错包——PyPI上只有 umap-learn 是官方维护的稳定版本。装错成旧版umap(无-learn后缀)会导致AttributeError: module 'umap' has no attribute 'UMAP'。
- 正确命令:
pip install umap-learn - 导入写法必须是:
import umap,不是from umap import UMAP或import umap.umap_ as umap - 类名始终是
umap.UMAP,大小写和下划线不能改
n_neighbors 是最关键的调参入口
这个参数直接决定你看到的是“局部细节”还是“全局骨架”。设太小(比如5),同类样本被挤成一团,不同类之间边界模糊;设太大(比如200),簇会被强行拉平,丢失聚类结构。
将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。
- 常规起点:数据量<5k 用
n_neighbors=15;5k–50k 用30;>50k 可试50 - 词向量/高稀疏数据(如200维BERT嵌入)建议从
5开始微调 - 调整时观察散点图里同类点是否紧凑、异类点是否分离,而不是只看轮廓美观度
可视化前务必检查 embedding 形状和 dtype
常见错误是传给plt.scatter() 的 embedding 是 float64 但含 nan,结果图全黑或报 ValueError: Input contains NaN;或者 shape 是 (n, 1) 却当二维画,导致 IndexError: index 1 is out of bounds。
- 加一行验证:
print(embedding.shape, embedding.dtype, np.isnan(embedding).sum()) - 若含
nan,大概率是原始数据有缺失值或无穷大,需在fit_transform()前清洗 - 若 shape 是
(n,),说明n_components=1,得改成2或3才能画散点图
真正容易被忽略的是:UMAP对输入尺度不鲁棒。哪怕只是某一个特征方差比其他大100倍,embedding 就会严重偏向那个维度——所以标准化(StandardScaler)不是可选项,是必选项,尤其当特征物理单位不同时。
Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!










