numpy下大作业

作业数据说明

本次练习使用鸢尾属植物数据集.\iris.data，在这个数据集中，包括了三类不同的鸢尾属植物：Iris Setosa，Iris Versicolour，Iris Virginica。每类收集了50个样本，因此这个数据集一共包含了150个样本。
sepallength：萼片长度
sepalwidth：萼片宽度
petallength：花瓣长度
petalwidth：花瓣宽度

导入鸢尾属植物数据集，保持文本不变。

import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

求出鸢尾属植物萼片长度的平均值、中位数和标准差（第1列，sepallength）

import numpy as np
import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')
a = np.mean(iris_data['sepallength'])
b = np.median(iris_data['sepallength'])
c = np.std(iris_data['sepallength'])
print(a)
print(b)
print(c)

创建一种标准化形式的鸢尾属植物萼片长度，其值正好介于0和1之间，这样最小值为0，最大值为1（第1列，sepallength）

import numpy as np
import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')
a = np.amin(iris_data['sepallength'])
b = np.amax(iris_data['sepallength'])
y = (iris_data['sepallength']-a)/(b-a)
print(y)

找到鸢尾属植物萼片长度的第5和第95百分位数（第1列，sepallength）。

import numpy as np
import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')
a = np.percentile(iris_data['sepallength'],[5,95])
print(a)

把iris_data数据集中的20个随机位置修改为np.nan值

import numpy as np
import pandas as pd
import random
iris_data = pd.read_excel('.\iris.xlsx')

df = iris_data['sepallength']
random.seed(20201201)
a = random.sample(range(0,150),20)
print(a)
for i in a:
    df[i] = np.nan

print(df)

在iris_data的sepallength中查找缺失值的个数和位置（第1列）

import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')
df = iris_data['sepallength']
print(df.isna().sum())
print(np.where(np.isnan(df)))

筛选具有 sepallength（第1列）< 5.0 并且 petallength（第3列）> 1.5 的 iris_data行

import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

iris_data[(iris_data['sepallength']<5.0)&(iris_data['petallength']>1.5)]

选择没有任何 nan 值的 iris_data行

import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

iris_data.dropna(axis=0, how='any', inplace=True)

计算 iris_data 中sepalLength（第1列）和petalLength（第3列）之间的相关系数

import numpy as np
import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

x = iris_data['sepallength']
y = iris_data['petallength']
z = np.corrcoef(x,y)
print(z)

找出iris_data是否有任何缺失值

import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

iris_data.isna().sum()

在numpy数组中将所有出现的nan替换为0

import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

iris_data.fillna(0)

找出鸢尾属植物物种中的唯一值和唯一值出现的数量

import numpy as np
import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

a = iris_data['species']
print(np.unique(a,return_counts=True))

将 iris_data 的花瓣长度（第3列）以形成分类变量的形式显示。定义：Less than 3 –> ‘small’；3-5 –> ‘medium’；’>=5 –> ‘large’

import numpy as np
import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

df = iris_data['petallength']
bins = np.array([0.0,3.0,5.0])
inds = np.digitize(df,bins)
print(inds)

for i in range(df.size):
    if inds[i] == 1:
        df[i] = 'small'
    elif inds[i] == 2:
        df[i] = 'medium'
    else:
        df[i] = 'large'

print(df)

iris_data 中创建一个新列，其中 volume 是 (pi x petallength x sepallength ^ 2）/ 3

import numpy as np
import pandas as pd
import math
iris_data = pd.read_excel('.\iris.xlsx')

x = iris_data['petallength']
y = iris_data['sepallength']
z = (math.pi*iris_data['petallength']* iris_data['sepallength']**2)/3
iris_data['new_volume'] = z
print(iris_data)

随机抽鸢尾属植物的种类，使得Iris-setosa的数量是Iris-versicolor和Iris-virginica数量的两倍

import numpy as np
import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

a = iris_data['species']
b = [0.01]*50+[0.005]*100
x = np.random.choice(a,10,p = b)
print(x)

根据 sepallength 列对数据集进行排序

import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

a = iris_data.sort_values(by = 'sepallength')
print(a)

在鸢尾属植物数据集中找到最常见的花瓣长度值（第3列）

import numpy as np
import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

x = np.unique(iris_data['petallength'],return_counts=True)
max_value = x[0][list(x[1]).index(np.amax(x[1]))]
print(max_value)

在鸢尾花数据集的 petalwidth（第4列）中查找第一次出现的值大于1.0的位置

import numpy as np
import pandas as pd
iris_data = pd.read_excel('.\iris.xlsx')

a = np.searchsorted(iris_data['petalwidth'],1.0)
print(a)

本文地址：https://blog.csdn.net/weixin_46462735/article/details/110433277

numpy入门：大作业

numpy下大作业

作业数据说明

相关推荐