task5

最新推荐文章于 2022-10-25 00:38:08 发布
最新推荐文章于 2022-10-25 00:38:08 发布
阅读量115 收藏
点赞数
文章标签： python 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mycsdnnum/article/details/110456817
版权

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
iris=load_iris()

iris_data=iris.data
target=iris.target

iris_data
iris_target=load_iris.target

鸢尾属植物数据集处理.

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-O9C6hQXc-1606835684849)(https://img.shields.io/badge/python-3.8-blue)] [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VSuJLkbX-1606835684855)(https://img.shields.io/badge/numpy-1.18.5-pink)]

  • 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

所用知识，numpy的输入与输出

import numpy as np
with open('Iris数据集/iris.csv',encoding = 'utf-8') as f:
    data = np.loadtxt(f,str,delimiter = ",")
data = data[:,1:]

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）

所用知识,统计相关

print(data[:,0])
# ['"Sepal.Length"' '5.1' '4.9' '4.7' '4.6' '5.0' '5.4' '4.6' '5.0' '4.4'
#  '4.9' '5.4' '4.8' '4.8' '4.3' '5.8' '5.7' '5.4' '5.1' '5.7' '5.1' '5.4'
#  '5.1' '4.6' '5.1' '4.8' '5.0' '5.0' '5.2' '5.2' '4.7' '4.8' '5.4' '5.2'
#  '5.5' '4.9' '5.0' '5.5' '4.9' '4.4' '5.1' '5.0' '4.5' '4.4' '5.0' '5.1'
#  '4.8' '5.1' '4.6' '5.3' '5.0' '7.0' '6.4' '6.9' '5.5' '6.5' '5.7' '6.3'
#  '4.9' '6.6' '5.2' '5.0' '5.9' '6.0' '6.1' '5.6' '6.7' '5.6' '5.8' '6.2'
#  '5.6' '5.9' '6.1' '6.3' '6.1' '6.4' '6.6' '6.8' '6.7' '6.0' '5.7' '5.5'
#  '5.5' '5.8' '6.0' '5.4' '6.0' '6.7' '6.3' '5.6' '5.5' '5.5' '6.1' '5.8'
#  '5.0' '5.6' '5.7' '5.7' '6.2' '5.1' '5.7' '6.3' '5.8' '7.1' '6.3' '6.5'
#  '7.6' '4.9' '7.3' '6.7' '7.2' '6.5' '6.4' '6.8' '5.7' '5.8' '6.4' '6.5'
#  '7.7' '7.7' '6.0' '6.9' '5.6' '7.7' '6.3' '6.7' '7.2' '6.2' '6.1' '6.4'
#  '7.2' '7.4' '7.9' '6.4' '6.3' '6.1' '7.7' '6.3' '6.4' '6.0' '6.9' '6.7'
#  '6.9' '5.8' '6.8' '6.7' '6.7' '6.3' '6.5' '6.2' '5.9']

a = data[1:,0].astype(float)
print(a.mean()) # 5.843333333333334
print(np.median(a)) # 5.8
print(np.std(a)) # 0.8253012917851409

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）

所用知识,统计相关

print((a - np.min(a)) / (np.max(a)-np.min(a)))
# [0.22222222 0.16666667 0.11111111 0.08333333 0.19444444 0.30555556
#  0.08333333 0.19444444 0.02777778 0.16666667 0.30555556 0.13888889
#  0.13888889 0.         0.41666667 0.38888889 0.30555556 0.22222222
#  0.38888889 0.22222222 0.30555556 0.22222222 0.08333333 0.22222222
#  0.13888889 0.19444444 0.19444444 0.25       0.25       0.11111111
#  0.13888889 0.30555556 0.25       0.33333333 0.16666667 0.19444444
#  0.33333333 0.16666667 0.02777778 0.22222222 0.19444444 0.05555556
#  0.02777778 0.19444444 0.22222222 0.13888889 0.22222222 0.08333333
#  0.27777778 0.19444444 0.75       0.58333333 0.72222222 0.33333333
#  0.61111111 0.38888889 0.55555556 0.16666667 0.63888889 0.25
#  0.19444444 0.44444444 0.47222222 0.5        0.36111111 0.66666667
#  0.36111111 0.41666667 0.52777778 0.36111111 0.44444444 0.5
#  0.55555556 0.5        0.58333333 0.63888889 0.69444444 0.66666667
#  0.47222222 0.38888889 0.33333333 0.33333333 0.41666667 0.47222222
#  0.30555556 0.47222222 0.66666667 0.55555556 0.36111111 0.33333333
#  0.33333333 0.5        0.41666667 0.19444444 0.36111111 0.38888889
#  0.38888889 0.52777778 0.22222222 0.38888889 0.55555556 0.41666667
#  0.77777778 0.55555556 0.61111111 0.91666667 0.16666667 0.83333333
#  0.66666667 0.80555556 0.61111111 0.58333333 0.69444444 0.38888889
#  0.41666667 0.58333333 0.61111111 0.94444444 0.94444444 0.47222222
#  0.72222222 0.36111111 0.94444444 0.55555556 0.66666667 0.80555556
#  0.52777778 0.5        0.58333333 0.80555556 0.86111111 1.
#  0.58333333 0.55555556 0.5        0.94444444 0.55555556 0.58333333
#  0.47222222 0.72222222 0.66666667 0.72222222 0.41666667 0.69444444
#  0.66666667 0.66666667 0.55555556 0.61111111 0.52777778 0.44444444]

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）

所用知识,统计相关

print(np.percentile(a, [5, 95])) # [4.6   7.255]

把iris_data数据集中的20个随机位置修改为np.nan值

所用知识,随机抽用

site = np.random.randint(low=5,high=len(data) * 5,size=20)
x = (site / 5).astype(int)
y = site % 5

print(x) # [137   4  81  13  51 123 134  56  54  31  29  64  74  24 134 110  98  73 145  23]
print(y) #[2 3 1 2 1 1 3 1 1 3 2 2 1 4 2 4 1 1 3 3]

data[x,y] = np.nan
#截取nan化的一段
print(data)
# ['5.1', '3.5', '1.4', '0.2', '"setosa"'],
# ['4.9', '3', '1.4', '0.2', '"setosa"'],
# ['4.7', '3.2', '1.3', '0.2', '"setosa"'],
# ['4.6', '3.1', '1.5', 'nan', '"setosa"'],
# ['5', '3.6', '1.4', '0.2', '"setosa"'],
# ['5.4', '3.9', '1.7', '0.4', '"setosa"'],
# ['4.6', '3.4', '1.4', '0.3', '"setosa"'],
# ['5', '3.4', '1.5', '0.2', '"setosa"'],
# ['4.4', '2.9', '1.4', '0.2', '"setosa"'],
# ['4.9', '3.1', '1.5', '0.1', '"setosa"'],
# ['5.4', '3.7', '1.5', '0.2', '"setosa"'],
# ['4.8', '3.4', '1.6', '0.2', '"setosa"'],
# ['4.8', '3', 'nan', '0.1', '"setosa"'],

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

所用知识:逻辑函数与搜索

a = data[1:,0].astype(float) # 4
np.isnan(a).sum()

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

所用知识:搜索

a = data[1:,0:4].astype(float)
np.where((a[:,0]<5) & (a[:,2]>1.5))
# (array([ 11,  24,  29,  30,  57, 106], dtype=int64),)

选择没有任何 nan 值的 iris_data行。

所用知识:逻辑函数、搜索

a = data[1:,:4].astype(float)
index = np.where(np.isnan(a))
np.delete(a,index[0],axis=0)

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

a = data[1:,:4].astype(float)
print(np.corrcoef(a[:,0], a[:,2]))
# array([[1.        , 0.87175378],
#        [0.87175378, 1.        ]])

Q10判断空值

np.isnan(iris_data).any()

Q11填充0

iris_data[np.isnan(iris_data)]=0

Q12唯一值数量

np.unique(iris_data)
array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 1. , 1.1, 1.2, 1.3, 1.4, 1.5, 1.6,
1.7, 1.8, 1.9, 2. , 2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9,
3. , 3.1, 3.2, 3.3, 3.4, 3.5, 3.6, 3.7, 3.8, 3.9, 4. , 4.1, 4.2,
4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9, 5. , 5.1, 5.2, 5.3, 5.4, 5.5,
5.6, 5.7, 5.8, 5.9, 6. , 6.1, 6.2, 6.3, 6.4, 6.5, 6.6, 6.7, 6.8,
6.9, 7. , 7.1, 7.2, 7.3, 7.4, 7.6, 7.7, 7.9])

Q13唯一值数量

df=pd.DataFrame(iris_data[:,2],columns=[‘f3’])
df[‘str’]=‘small’

df.loc[(df[‘f3’]>=3)&(df[‘f3’]<=5),‘str’]=‘medium’
df.loc[df[‘f3’]>5,‘str’]=‘large’
df

Q14创建一个新列

volume = np.pi*iris_data[:,2]*iris_data[:,1]**2/3
np.c_[iris_data,volume]
volume

Q15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

species = np.array([‘Iris‐setosa’, ‘Iris‐versicolor’, ‘Iris‐virginica’])
species_out = np.random.choice(species, 10000, p=[0.5, 0.25, 0.25])
print(np.unique(species_out, return_counts=True))

Q16根据 sepallength 列对数据集进行排序

sepallength = iris_data[:,0]
index = np.argsort(sepallength)
iris_data[index][0:10]

Q17在鸢尾属植物数据集中找到最常见的花瓣长度值（第3列）

petallength = iris_data[:, 2]
vals, counts = np.unique(petallength, return_counts=True)
print(vals[np.argmax(counts)])
print(np.amax(counts))

Q18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

petalWidth = iris_data[:, 3]
index = np.where(petalWidth > 1.0)
print(index)
print(index[0][0])

mycsdnnum
关注
Numpy学习-大作业
sunny_1219的博客
12-01 665
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 Numpy学习-大作业一、导入鸢尾属植物数据集，保持文本不变二、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）三、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）。四、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）。五、把iris_data数据集中的20个随机位置修改为np.nan值。 一、导入鸢尾
numpy大作业
qq_33677819的博客
12-01 339
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 以上四个特征的单位都是厘米（cm）。 sepallength sepalwidth petallength petalw
numpy下05大作业
ykjs_的博客
12-01 141
import numpy as np data = np.loadtxt('abc.txt', delimiter=',', dtype=str,skiprows=1) print(np.mean(data[:,0].astype(np.float))) print(np.median(data[:,0].astype(np.float))) print(np.std(data[:,0].astype(np.float))) ma=np.amax(data[:,0].astype(np.float)) m
5、numpy课后作业：大作业
Ashe_yang的博客
12-01 197
numpy作业
progresses的博客
09-03 216
#垂直拆分，水平拆分 c = np.arange(1,13).reshape(6,2)#np.reshape() print(c) print(np.vsplit(c,3))#np.vsplit(),垂直拆分 d = c.T print(d) print(np.hsplit(d,3))#np.hspilt()水平拆分 e = np.array([ [[11, 21], [12, 22], [13, 23]], [[14, 24],
task5.html
最新发布
11-06
task5.html
新职业英语2课后习题集task5句子翻译答案解析.doc
09-28
新职业英语2课后习题集task5句子翻译答案解析.doc
C#中Task.Yield的用途深入讲解
08-26
C#中Task.Yield的用途深入讲解 Task.Yield是C#中的一个重要概念，它可以帮助开发者更好地管理线程资源，提高程序的性能和可维护性。本文将深入讲解Task.Yield的用途，通过示例代码和详细的解释，帮助读者更好地理解...
EasyTask简单易用的PHP常驻内存多进程任务管理器.zip
08-28
而EasyTask通过常驻内存的方式解决了这个问题，它能够在内存中持久化任务状态，使得任务可以在多次请求之间保持上下文，减少了磁盘I/O操作，提高了处理效率。 EasyTask的多进程功能是通过PCNTL（Process Control）...
C#利用Task实现任务超时多任务一起执行的方法
08-28
5. 多任务一起执行 在本文中，我们使用Task.WhenAll方法来实现多任务一起执行。该方法可以等待多个Task都完成，然后返回结果。 6. await和async关键字 在本文中，我们使用await和async关键字来编写异步代码。...
花萼长度统计分析案例
03-16
数据分析（二）Numpy科学计算库 --中的花萼长度统计分析案例中所需要的文本数据， 文本格式为 --CSV格式，读取CSV文件，对数据进行处理
【Numpy学习】第五节 Numpy大作业
pprp的博客
11-30 354
综合运用了很多知识，对我来说还是有一定难度的，使用还是不够熟练。 from sklearn.datasets import load_iris import pandas as pd import numpy as np # T1 导入鸢尾属植物数据集，保持文本不变。 data = load_iris() print(dir(data)) frame = pd.DataFrame(data=data.data, columns=data.feature_names) print(frame) print
（作业）numpy简单操作
qq_52084208的博客
09-03 114
垂直拆分：numpy.vsplit(数组，份数)->(数组片段) import numpy as np c array([[ 1, 2], [ 3, 4], [ 5, 6], [ 7, 8], [ 9, 10], [11, 12]]) c = np.arange(1,13).reshape(6,2) np.vsplit(c,3) [array([[1, 2], [3, 4]]), array([
Python-Numpy作业
qq_52851997的博客
04-16 1679
例10-1 创建数组并查看数组属性。 例10-2 绘制：随机生成10000数据，服从均值为0、方差为1的正态分布的直方图（间隔个数：50）。 例10-3 数组、矩阵之间的线性代数运算。 例10-4 文件“历年总人口.xls”、“历年新生人口和死亡人口.xls”，收录了我国部分地区1949年至2019年，历年的总人口、出生人口及死亡人口。编写程序，将这3个列数据，及对应的年份读取出来，保存在文件“历年总人口、新生人口和死亡人口.csv”中。 ...
Numpy作业
qq_41794348的博客
05-20 443
1. Matrix operations：    Calculate A + A, AA&gt;,A&gt;A and AB. Write a function that computes A(B−λI) for any λ.         代码如下：import numpy as np A = np.random.randint(0,10,size=(2,5)) B = np.random.r...
numpy学习——numpy的基本使用方式（一）
猪八戒吃胡萝卜
11-07 272
一、numpy认识 NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy内部解除了Python的GIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库! 二、numpy安装 1.建议使用Anaconda安装，包含了比较全面的常用库和科学计算使用的库 这里贴上Anaconda，win下安装较为简单，官网下载exe...
作业-python常用库类 numpy+pandas
weixin_30408309的博客
03-26 143
# -*- coding:utf-8 -*-# 1,一个四维的数组,以后两维度为单位,计算它们的和,比如一个1*2*3*4的数组,合并后两列,输出合并后的轴的sum# 实例,输入:[[[[2 7 9 7] [6 6 8 2] [0 0 9 3]][[5 4 1 4][5 7 9 7] [8 4 1 4]] ]] 输出[[59 59]]# import numpy as np# a=np.ar...
数据分析（Python）入门—鸢尾植物数据集处理
热门推荐
平乾的博客
10-25 1万+
基于Python的鸢尾植物数据集处理，初步使用NumPy与Pandas库对Iris数据集进行简单操作。
Task5Task_Handler如何或许栈数据
03-27
可以使用栈来保存Task_Handler的上下文信息，包括函数调用时的参数、局部变量以及函数返回时的返回值。在Task_Handler函数被调用时，首先将函数的参数和局部变量保存到栈中，然后执行函数的代码。当函数执行完毕并...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值