实验四 使用Python进行数据分析

目录

实验目的：

实验内容：

实验步骤：

1.

2.

3.

4.

实验心得：

---

 

 

实验目的：

1. 学会安装第三方Python模块

2. 熟悉pandas基本操作

3. 掌握matplotlib绘图

 

实验内容：

1. 安装pandas、matplotlib、scikit-learn
2. 加载sklearn中的鸢尾花数据，利用pandas显示各特征的最小值、最大值、平均值、标准差
3. 从2中可知有150朵鸢尾花，通过分析这些鸢尾花的种类(target)可以得出每类花的数量，根据每类花的数量利用matplotlib绘制饼图
4. 利用pandas将鸢尾花的种类(target)数据转换为onehot编码
5. 利用pandas合并鸢尾花数据及其onehot编码

 

实验步骤：

1.

import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
data = pd.DataFrame(iris.data, columns=iris.feature_names)
print(data.describe())

 

2.

import pandas as pd
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt

# 加载完整的鸢尾花数据集
iris = load_iris()
data = pd.DataFrame(iris.data, columns=iris.feature_names)
data['target'] = iris.target

# 统计每个类别的数量
counts = data['target'].value_counts()

# 准备绘制饼图所需的数据和标签
labels = iris.target_names
sizes = counts.values

# 绘制饼图
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.axis('equal')  # 使饼图为正圆形
plt.show()

3.

import pandas as pd
from sklearn.datasets import load_iris

# 加载鸢尾花数据集
iris = load_iris()

# 转换为pandas的DataFrame格式
data = pd.DataFrame(iris.data, columns=iris.feature_names)
target = pd.Series(iris.target, name='target')

# 将种类数据进行OneHot编码
onehot_data = pd.get_dummies(target)

# 打印转换后的数据
print(onehot_data)

 

 

4.

import pandas as pd
from sklearn.datasets import load_iris

# 加载鸢尾花数据集
iris = load_iris()

# 转换为 pandas 的 DataFrame 格式
data = pd.DataFrame(iris.data, columns=iris.feature_names)
target = pd.Series(iris.target, name='target')

# 将种类数据进行 OneHot 编码
onehot_data = pd.get_dummies(target)

# 合并特征数据和 OneHot 编码后的种类数据
merged_data = pd.concat([data, onehot_data], axis=1)

# 打印合并后的数据
print(merged_data.head())

 

 

实验心得：

在第一次调试运行时，运行后出现KeyError: 'target'，我以为加载了整个sklearn中的鸢尾花数据集。但实际上，load_iris()函数只加载了特征数据，没有加载目标变量。在合并特征数据和 OneHot 编码后的种类数据时，应该将它们沿着列的方向进行合并（即 axis=1），而不是沿着行的方向进行合并。实验过程中忘记导入模块，添加后运行。对于经过 OneHot 编码的种类数据，通常需要将其转换为数值类型。。