网站建设流程哪家好,网站cdn+自己做,济南建手机网站哪家好,万创网做的网站怎么样目录
1、实验一
1.1、题目总览
1.2、代码解析
2、实现二
2.1、题目总览
2.2、代码解析
3、实验三
3.1、题目总览
3.2、代码解析
4、实验四
3.1、题目总览
3.2、代码解析 哈喽~今天学习记录的是数据分析实训小案例。
就用这个案例来好好巩固一下 python 数据分析三…目录
1、实验一
1.1、题目总览
1.2、代码解析
2、实现二
2.1、题目总览
2.2、代码解析
3、实验三
3.1、题目总览
3.2、代码解析
4、实验四
3.1、题目总览
3.2、代码解析 哈喽~今天学习记录的是数据分析实训小案例。
就用这个案例来好好巩固一下 python 数据分析三剑客。
前期准备
确认 Jupyter Notebook 环境准备实验数据http://qn.yuanxinghua.love/%E5%AE%9E%E9%AA%8C.zip
1、实验一
1.1、题目总览 1.2、代码解析
1求3691215
import numpy as np s np.array([3,6,9,12,15])
np.sum(s) 2生成范围在0~1、服从均匀分布的10行5列的数组
arry np.random.rand(10,5)print(arry) 3创建一个数值范围为0~1间隔为0.01的数组
arry1 np.arange(0,1,0.01)print(arry1) 4创建100个服从正态分布的随机数
arry2 np.random.randn(100)print(arry2) 5对创建的两个数组进行四则运算
arry1 np.arange(0,1,0.01)
arry2 np.random.randn(100)print(加法,arry1 arry2)
print(减法,arry1 - arry2)
print(乘法,arry1 * arry2)
print(除法,arry1 / arry2) 6对创建的随机数进行简单的统计分析
arry2 np.random.randn(100).reshape(5,20)print(排序\n,np.sort(arry2))
print(数据去重\n,np.unique(arry2)) print(数组求总和\n,np.sum(arry2))
print(数组纵轴和\n,np.sum(arry2,axis 0))
print(数组横轴和\n,np.sum(arry2,axis 1))print(数组均值\n,np.mean(arry2))
print(数组纵轴均值\n,np.mean(arry2,axis 0))
print(数组横轴均值\n,np.mean(arry2,axis 1)) print(数组标准差\n,np.std(arry2))
print(数组纵轴标准差\n,np.std(arry2,axis 0))
print(数组横轴标准差\n,np.std(arry2,axis 1)) print(方差\n,np.var(arry2))
print(最小值\n,np.min(arry2))
print(最大值\n,np.max(arry2)) 2、实现二
2.1、题目总览 2.2、代码解析
1读取mtcar数据
import pandas as pd
data pd.read_csv(D:\桌面\mtcars.csv)
data
截图 2查看mtcar数据集的元素的个数、维度、大小等信息输出表的列名
print(所有值为\n,data.values)
print(索引\n,data.index)
print(类型为\n,data.dtypes)
print(元素个数为,data.size)
print(维度为,data.ndim)
print(大小为,data.shape)
print(表的列名\n,data.columns)
3使用describe方法对整个mtcar数据集进行描述性统计
data.describe() 4计算不同cyl气缸数、carb化油器对应的mpg油耗和hp马力的均值
a data.loc[:,[cyl,carb,mpg,hp]]
b a.groupby([cyl,carb]).mean()
b 5输出mpg和hp前5个元素
c data.loc[:4,[mpg,hp]]
c 6输出mtcar数据的前3行元素
d data[:][:3]
d 7使用head()和tail()方法输出前后5行数据
print(前5行元素为:\n,data.head())
print()
print(后5行元素为:\n,data.tail()) 8用loc和iloc分别提取第1列和第3列的数据
print(data.loc[:,[mpg,disp]])
print(**---------------***-------------**)
print(data.iloc[:,[1,3]]) 9取出列名为mpg、hp行名为234的数据
e data.loc[2:4,[mpg,hp]] # loc[索引/条件,名称/]
print(e) 10取出列位置为2和4行位置为567的数据
f data.iloc[5:8,[2,4]]
print(f) 11取出列位置为3行名为2-6的数据
j data.loc[2:6,[disp]]
print(j)
12新增1列名称为abcabcmpghp输出前5行数据
data[abc] data[mpg] data[hp]
data.head()
13删除前两行数据
print(原数据长度,len(data))
data.drop(labelsrange(0,2),axis0,inplaceTrue)
print(删除后长度,len(data))
14删除abc列
data[abc] data[mpg] data[hp]
print(增加 abc 列后\n,data.columns)
print(****************************************)
data.drop(labelsabc,axis1,inplaceTrue)
print(删除 abc 列后\n,data.columns)
3、实验三
3.1、题目总览 3.2、代码解析
1使用如下方法规范化数组200,300,400,600,1000
离差标准化标准差标准化小数定标标准化 先将所给的一组数取绝对值找出这组数中绝对值最大的数然后利用对数向上取整来确定10的次方。np.abs() ①numpy库中有ceil()函数表示向上取整。np.ceil()②numpy库中log10()用于计算一个数以10为底数对应的值是多少。np.log10()import numpy as np
import pandas as pd arry np.array([200,300,400,500,600,1000])
print(原数组\n,arry)# mean 均值 sta 标准差
def result(x):x1 (x - x.min())/(x.max() - x.min()) # 离差x2 (x - x.mean()/x.std()) # 标准差x3 x/10**np.ceil(np.log10(np.abs(x).max())) # 小数 return x1,x2,x3print(离差\n,result(arry)[0])
print(标准差\n,result(arry)[1])
print(小数\n,result(arry)[2])
212个销售价格记录如下5101113153550557292204215。使用等宽法对其进行离散化处理分3类
price np.array([5,10,11,13,15,35,50,55,72,92,204,215])pd.cut(price,3) # 精度默认为 3
3自定义一个能够自动实现数据去重、缺失值中位数填补的函数。自行定义测试数据进行验证
drop_duplicates() 删除重复的行x.median() 中值x.fillna() 将缺失值替换为该值 x.fillna(0) 将缺失值替换为 0inplace True 在原数组上操作
def test(x):x.drop_duplicates(inplace True)x.fillna(x.median(),inplace True)return(x)arr pd.DataFrame({a:[1,2]*2,b:[1,2]*2,}
)
print(去重前的数组)
print(arr)
print(去重)
print(test(arr))
print(去重后的数组)
print(arr)
4、实验四
3.1、题目总览 3.2、代码解析
1用plot方法画出x在(0,10)间cos的图像
import numpy as np
from matplotlib import pyplot as pltx np.arange(0,10,0.1)
y np.cos(x)plt.xlabel(X)
plt.ylabel(Y)plt.plot(x,y) # 折线图
plt.show()
运行截图 2用scatter方法画出x在(0,10)间sin的点图像
x1 np.arange(0,10,0.2)
y1 np.sin(x1)plt.xlabel(X)
plt.ylabel(Y)plt.scatter(x1,y1) # 散点图
plt.show()
运行截图 3绘制一个高分别为31458972X轴上值为ABCDEFGH的柱状图
x2 [1,2,3,4,5,6,7,8]
y2 [3,1,4,5,8,9,7,2]label[A,B,C,D,E,F,G,H]# 用来显示中文字符 不加中文显示 会报错
plt.rcParams[font.sans-serif] [SimHei] plt.title(柱状图)
plt.xlabel(X)
plt.ylabel(Y)p plt.bar(x2,y2,tick_label label) # 柱状图
plt.bar_label(p,labelsy2,padding0.2) # 为条形图添加数据标签plt.show()
运行截图 4人口数据总共拥有6个特征分别为年末总人口、男性人口、女性人口、城镇人口、乡村人口和年份。查看各个特征随着时间推移发生的变化情况可以分析出未来男女人口比例、城乡人口变化的方向。使用NumPy库读取人口数据。创建画布并添加子图。在两个子图上分别绘制散点图和折线图。保存显示图片。分析未来人口变化趋势
import numpy as np
from matplotlib import pyplot as pltplt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签
plt.rcParams[axes.unicode_minus] False # 用来正常显示负号# 读取文件
data np.load(D:\桌面\populations.npz,allow_pickleTrue) # print(type(data)) # class numpy.lib.npyio.NpzFile# data.files # npz结尾的数据集是压缩文件里面还有其他的文件 可用 data.files 进行查看 [data, feature_names]# print(data[data])
# print(data[feature_names]) # [时间 年末总人口(万人) 男性人口(万人) 女性人口(万人) 城镇人口(万人) 乡村人口(万人)]# 处理数据
# 去除缺失值 print(data[data][:-2])
new_data np.delete(data[data],[-1,-2], 0) # [-1,-2] 要删除的行 删除第 -1 行 和 第-2 行
y new_data
# print(y)# numpy 选取二维数组 转为一维 逆序取值 [-1::-1] 字符串 逆序 取值 不自动实现 排大小功能y1 y[:,:1][:,0][-1::-1] # 时间
y2 y[:,1:2][:,0][-1::-1] # 年末总人口
y3 y[:,2:3][:,0][-1::-1] # 男性人口
y4 y[:,3:4][:,0][-1::-1] # 女性人口
y5 y[:,4:5][:,0][-1::-1] # 城镇人口
y6 y[:,5:6][:,0][-1::-1] # 乡村人口# print(y1)
#y1 y[:,:1][:,0]
x y1 # x x[-1::-1]
# print(y2)# 创建一个空白画布
fig plt.figure( figsize(22,26) ) # 创建一个子图
ax1 fig.add_subplot(2,1,1) # 位置 2行1列 第1个# 散点图line1 ax1.scatter(x,y2)
line2 ax1.scatter(x,y3)
line3 ax1.scatter(x,y4)
line4 ax1.scatter(x,y5)
line5 ax1.scatter(x,y6)
plt.legend(handles[line1,line2,line3,line4,line5], labels[年末总人口(万人),男性人口(万人),女性人口(万人),城镇人口(万人),乡村人口(万人)], locbest)# 创建一个子图
ax2 fig.add_subplot(2,1,2) # 位置 2行1列 第2个# 折线图line11, ax2.plot(x,y2)
line22, ax2.plot(x,y3)
line33, ax2.plot(x,y4)
line44, ax2.plot(x,y5)
line55, ax2.plot(x,y6)
plt.legend(handles[line11,line22,line33,line44,line55], labels[年末总人口(万人),男性人口(万人),女性人口(万人),城镇人口(万人),乡村人口(万人)], locbest)# 保存图片
plt.savefig(1996-2015年人口数据各个特征随时间推移的变化情况图) # 保存在当前路径下# 在本机显示图片
plt.show()# 问题
# 之前会报错: A proxy artist may be used instead. https://blog.csdn.net/weixin_39944233/article/details/110777868
# 原因 plt.plot( )返回的是一个二元组值若要获取实例必须用x, plt.plot( )才能取出来实例对象
运行截图 5通过绘制各年份男女人口数目及城乡人口数目的直方图男女人口比例及城乡人口比例的饼图可以发现人口结构的变化
各年份男女人口数目及城乡人口数目的直方图
# 各年份男女人口数目及城乡人口数目的直方图y1 y[:,:1][:,0][-1::-1] # 时间
y3 y[:,2:3][:,0][-1::-1] # 男性人口
y4 y[:,3:4][:,0][-1::-1] # 女性人口
y5 y[:,4:5][:,0][-1::-1] # 城镇人口
y6 y[:,5:6][:,0][-1::-1] # 乡村人口# 创建一个空白画布
fig plt.figure( figsize(22,26) ) # 新建一个子图 各年份男女人口数目直方图
ax3 fig.add_subplot(3,1,1) plt.title(1996-2015年男女人口数目直方图)
plt.xlabel(年份)
plt.ylabel(人口数目(万人))new_x np.arange(len(y1))
man_y y3
woman_y y4
c_y y5
x_y y6pb1 plt.bar(new_x - 0.2,man_y,width0.4) # 柱状图
pb2 plt.bar(new_x 0.2,woman_y,width0.4)plt.bar_label(pb1,labelsman_y,padding0.2) # 每个条块加上其值
plt.bar_label(pb2,labelswoman_y,padding0.2)
plt.legend([男, 女], locbest)plt.xticks(ticks new_x, labels y1) # ticks: x轴刻度的列表集合 labels用文本或其他来代替刻度的值# 新建一个子图 各年份城乡人口数目直方图
ax4 fig.add_subplot(3,1,2) plt.title(1996-2015年城乡人口数目直方图)
plt.xlabel(年份)
plt.ylabel(人口数目(万人))pb3 plt.bar(new_x - 0.2,c_y,width0.4) # 柱状图
pb4 plt.bar(new_x 0.2,x_y,width0.4)plt.bar_label(pb3,labelsc_y,padding0.2) # 每个条块加上其值
plt.bar_label(pb4,labelsx_y,padding0.2)plt.xticks(ticks new_x, labels y1) # ticks: x轴刻度的列表集合 labels用文本或其他来代替刻度的值
plt.legend([城镇人口, 乡村人口], locbest)plt.show()
运行截图 各年份男女人口比例及城乡人口比例的饼图
# 各年份男女人口比例及城乡人口比例的饼图y1 y[:,:1][:,0][-1::-1] # 时间
y3 y[:,2:3][:,0][-1::-1] # 男性人口
y4 y[:,3:4][:,0][-1::-1] # 女性人口
y5 y[:,4:5][:,0][-1::-1] # 城镇人口
y6 y[:,5:6][:,0][-1::-1] # 乡村人口# 创建一个空白画布
fig plt.figure( figsize(20,16) )
explode (0.02,0.02)
# 各年份男女人口数目饼图
labels [男性人口,女性人口]
labels1 [城镇人口,乡村人口]
v [[y3[0],y4[0]],[y3[1],y4[1]],[y3[-2],y4[-2]], [y3[-1],y4[-2]],
]v1 [[y5[0],y6[0]],[y5[1],y6[1]],[y5[-2],y6[-2]], [y5[-1],y6[-2]],
]# 男女人口数目饼图
ax5 fig.add_subplot(2,4,1)
plt.pie(v[0],labels labels, explodeexplode, autopct%1.1f%%)
plt.tick_params(labelsize12)
plt.title(1996年男女人口数饼图)ax6 fig.add_subplot(2,4,2)
plt.pie(v[1],labels labels, explodeexplode, autopct%1.1f%%)
plt.tick_params(labelsize12)
plt.title(1997年男女人口数饼图)ax7 fig.add_subplot(2,4,3)
plt.pie(v[-2],labels labels, explodeexplode, autopct%1.1f%%)
plt.tick_params(labelsize12)
plt.title(2014年男女人口数饼图)ax8 fig.add_subplot(2,4,4)
plt.pie(v[-1],labels labels, explodeexplode, autopct%1.1f%%)
plt.tick_params(labelsize12)
plt.title(2015年男女人口数饼图)# 城乡人口数目饼图
ax9 fig.add_subplot(2,4,5)
plt.pie(v1[0],labels labels1, explodeexplode, autopct%1.1f%%)
plt.tick_params(labelsize12)
plt.title(1996年城乡人口数饼图)ax10 fig.add_subplot(2,4,6)
plt.pie(v1[1],labels labels1, explodeexplode, autopct%1.1f%%)
plt.tick_params(labelsize12)
plt.title(1997年城乡人口数饼图)ax11 fig.add_subplot(2,4,7)
plt.pie(v1[-2],labels labels1, explodeexplode, autopct%1.1f%%)
plt.tick_params(labelsize12)
plt.title(2014年城乡人口数饼图)ax12 fig.add_subplot(2,4,8)
plt.pie(v1[-1],labels labels1, explodeexplode, autopct%1.1f%%)
plt.tick_params(labelsize12)
plt.title(2015年城乡人口数饼图)# 保存图片
plt.savefig(1996,19967,2014,2015年男女人口比例及城乡人口比例的饼图) plt.show()运行截图 ok----- 小案例到这里就结束啦~
我们下次再见 ^_^
