实践大作业

1. 导入鸢尾属植物数据集，保持文本不变。

【知识点：输入和输出】

如何导入存在数字和文本的数据集？
2. 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）

【知识点：统计相关】

如何计算numpy数组的均值，中位数，标准差？
3. 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）。

【知识点：统计相关】

如何标准化数组？
4. 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）。

【知识点：统计相关】

如何找到numpy数组的百分位数？
5. 把iris_data数据集中的20个随机位置修改为np.nan值。

【知识点：随机抽样】

如何在数组中的随机位置修改值？
6. 在iris_data的sepallength中查找缺失值的个数和位置（第1列）。

【知识点：逻辑函数、搜索】

如何在numpy数组中找到缺失值的位置？
7. 筛选具有 sepallength（第1列）< 5.0 并且 petallength（第3列）> 1.5 的 iris_data行。

【知识点：搜索】

如何根据两个或多个条件筛选numpy数组？
8. 选择没有任何 nan 值的 iris_data行。

【知识点：逻辑函数、搜索】

如何从numpy数组中删除包含缺失值的行？
9. 计算 iris_data 中sepalLength（第1列）和petalLength（第3列）之间的相关系数。

【知识点：统计相关】

如何计算numpy数组两列之间的相关系数？
10. 找出iris_data是否有任何缺失值。

【知识点：逻辑函数】

如何查找给定数组是否具有空值？
11. 在numpy数组中将所有出现的nan替换为0。

【知识点：逻辑函数】

如何在numpy数组中用0替换所有缺失值？
12. 找出鸢尾属植物物种中的唯一值和唯一值出现的数量。

【知识点：数组操作】

如何在numpy数组中查找唯一值的计数？
13. 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’。

【知识点：统计相关】

如何将数字转换为分类（文本）数组？
14. 在 iris_data 中创建一个新列，其中 volume 是 (pi x petallength x sepallength ^ 2）/ 3。

【知识点：数组操作】

如何从numpy数组的现有列创建新列？
15. 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。

【知识点：随机抽样】

如何在numpy中进行概率抽样？
16. 根据 sepallength 列对数据集进行排序。

【知识点：排序】

如何按列对2D数组进行排序？
17. 在鸢尾属植物数据集中找到最常见的花瓣长度值（第3列）。

【知识点：数组操作】

如何在numpy数组中找出出现次数最多的值？
18. 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。

【知识点：搜索】

如何找到第一次出现大于给定值的位置？

# 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

import numpy as np
# from sklearn.datasets import load_iris
# data = load_iris()
# print(dir(data)) # 查看data所具有的属性或方法
# print(data.DESCR) # 查看数据集的简介

# import pandas as pd
# #直接读到pandas的数据框中
# pd.DataFrame(data=data.data, columns=data.feature_names)

# 1.导入鸢尾属植物数据集
print('**1'+'-'* 100)
outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',')
print(iris_data) 

# 2.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）
print('**2'+'-'* 100)
sepalLength = np.loadtxt(outfile, dtype=float, delimiter=',', usecols=[0])
# print(sepalLength) 
print(np.mean(sepalLength)) # 均值  5.8483221476510066
print(np.median(sepalLength)) # 中位数  5.8
print(np.std(sepalLength)) # 标准差  0.8258088592766593

# 3.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）。
print('**3'+'-'* 100)
x = (sepalLength - np.amin(sepalLength))/np.ptp(sepalLength)
print(x)

# 4.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）。
print('**4'+'-'* 100)
print(np.percentile(sepalLength, [5,95])) # [4.6   7.255]

# 5.把iris_data数据集中的20个随机位置修改为np.nan值。
print('**5'+'-'* 100)
iris_data1 = np.loadtxt(outfile, dtype=object, delimiter=',')
i, j = iris_data1.shape
np.random.seed(20201130)
iris_data1[np.random.choice(i, size= 20), np.random.choice(j, size= 20)] = np.nan
print(iris_data1)

# 6.在iris_data的sepallength中查找缺失值的个数和位置（第1列）。
print('**6'+'-'* 100)
iris_data2 = np.loadtxt(outfile, dtype=float, delimiter=',', usecols=[0,1,2,3])
i, j = iris_data2.shape
np.random.seed(20201130)
iris_data2[np.random.choice(i, size= 20), np.random.choice(j, size= 20)] = np.nan

sepallength2 = iris_data2[:,0]
print(sepallength2)
print(sum(np.isnan(sepallength2))) # 缺失值个数 5
print(np.where(np.isnan(sepallength2))) # 缺失值位置
# (array([  0,  28,  48,  78, 130], dtype=int64),)

# 7.筛选具有 sepallength（第1列）< 5.0 并且 petallength（第3列）> 1.5 的 iris_data行。
print('**7'+'-'* 100)
iris_data3 = np.loadtxt(outfile, dtype=float, delimiter=',', usecols=[0,1,2,3])
sepallength3 = iris_data3[:,0]
petallength3 = iris_data3[:,2]
index = np.where(np.logical_and(sepallength3 < 5.0, petallength3 > 1.5))
print(iris_data3[index])
# [[4.8 3.4 1.6 0.2]
#  [4.8 3.4 1.9 0.2]
#  [4.7 3.2 1.6 0.2]
#  [4.8 3.1 1.6 0.2]
#  [4.9 2.4 3.3 1. ]
#  [4.9 2.5 4.5 1.7]]

# 8.选择没有任何 nan 值的 iris_data行。
print('**8'+'-'* 100)
x = iris_data2[np.sum(np.isnan(iris_data2), axis=1) == 0] # axis=1:将每行元素相加
print(x)

# 9.计算 iris_data 中sepalLength（第1列）和petalLength（第3列）之间的相关系数。
print('**9'+'-'* 100)
x = np.corrcoef(sepallength3, petallength3) # 相关系数
print(x)
# [[1.         0.87175416]
#  [0.87175416 1.        ]]

# 10. 找出iris_data是否有任何缺失值。
print('**10'+'-'* 100)
x = np.isnan(iris_data3)
print(np.any(x)) # False

# 11.在numpy数组中将所有出现的nan替换为0。
print('**11'+'-'* 100)
print(iris_data2)
iris_data2[np.isnan(iris_data2)] = 0
print(iris_data2)

# 12. 找出鸢尾属植物物种中的唯一值和唯一值出现的数量。
print('**12'+'-'* 100)
iris_data4 = np.loadtxt(outfile, dtype=object, delimiter=',', usecols=[4])
x = np.unique(iris_data4, return_counts=True) # 返回重复值及其出现次数
print(x)
# (array(['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'], dtype=object), array([50, 50, 50], dtype=int64))

# 13.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'。
print('**13'+'-'* 100)
petallength = iris_data3[:,2] # 花瓣长度
print(np.amin(petallength),np.amax(petallength)) # 1.0  6.9
inds = np.digitize(petallength, [0,3,5,7])
# print(inds)
lable = {1: 'small',2: 'medium',3: 'large'}
pl_lable = [lable[x] for x in inds]
print(pl_lable)

# 14.在 iris_data 中创建一个新列，其中 volume 是 (pi x petallength x sepallength ^ 2）/ 3 。
print('**14'+'-'* 100)
iris_data5 = np.loadtxt(outfile, dtype=object, delimiter=',')
sepallength5 = iris_data5[:, 0].astype(float)
petallength5 = iris_data5[:, 2].astype(float)
volume = (np.pi * petallength5 * sepallength5 ** 2) / 3
volume = volume[:, np.newaxis] # np.newaxis在列上增加一维
iris_data5 = np.concatenate([iris_data5, volume], axis=1) # 对应行的数组拼接
print(iris_data5)

# 15.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。
print('**15'+'-'* 100)
species = ['Iris‐setosa', 'Iris‐versicolor', 'Iris‐virginica']
np.random.seed(20201130)
species_out = np.random.choice(species, 50000, p=[0.5, 0.25, 0.25])
print(np.unique(species_out, return_counts=True))

# 16.根据 sepallength 列对数据集进行排序。
print('**16'+'-'* 100)
sepallength6 = iris_data[:, 0]
index = np.argsort(sepallength6) # 返回排序后的索引
# print(iris_data[index]) !!

# 17.在鸢尾属植物数据集中找到最常见的花瓣长度值（第3列）。
print('**17'+'-'* 100)
petallength7 = iris_data[:, 2]
length, counts = np.unique(petallength7, return_counts=True)
# print(length, counts)
print(length[np.argmax(counts)]) # np.argmax()返回数组中最大值的索引  1.5
print(np.amax(counts)) # 14

# 18.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。
print('**18'+'-'* 100)
petalwidth = iris_data[:,3].astype(float)
index = np.where(petalwidth > 1.0) # 返回tuple形式的坐标
print(index[0][0]) # 50