十一月组队学习Numpy大作业

最新推荐文章于 2024-03-23 17:45:07 发布
最新推荐文章于 2024-03-23 17:45:07 发布
阅读量104 收藏
点赞数
文章标签： python
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/weixin_43697982/article/details/110455115
版权
  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？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1)
print(iris_data[0:10])
# [['4.9' '3.0' '1.4' '0.2' 'Iris-setosa']
#  ['4.7' '3.2' '1.3' '0.2' 'Iris-setosa']
#  ['4.6' '3.1' '1.5' '0.2' 'Iris-setosa']
#  ['5.0' '3.6' '1.4' '0.2' 'Iris-setosa']
#  ['5.4' '3.9' '1.7' '0.4' 'Iris-setosa']
#  ['4.6' '3.4' '1.4' '0.3' 'Iris-setosa']
#  ['5.0' '3.4' '1.5' '0.2' 'Iris-setosa']
#  ['4.4' '2.9' '1.4' '0.2' 'Iris-setosa']
#  ['4.9' '3.1' '1.5' '0.1' 'Iris-setosa']
#  ['5.4' '3.7' '1.5' '0.2' 'Iris-setosa']]

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？

import numpy as np

outfile = r'.\iris.data'
sepalLength = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0])
print(sepalLength[0:10])
# [4.9 4.7 4.6 5.  5.4 4.6 5.  4.4 4.9 5.4]
print(np.mean(sepalLength))
# 5.8483221476510066
print(np.median(sepalLength))
# 5.8
print(np.std(sepalLength))
# 0.8258088592766593
  1. 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？

import numpy as np
outfile = r'.\iris.data'
sepalLength = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0])
# 方法1
aMax = np.amax(sepalLength)
aMin = np.amin(sepalLength)
x = (sepalLength - aMin) / (aMax - aMin)
print(x[0:10])
# [0.16666667 0.11111111 0.08333333 0.19444444 0.30555556 0.08333333
#  0.19444444 0.02777778 0.16666667 0.30555556]

# 方法2
x = (sepalLength - aMin) / np.ptp(sepalLength)
print(x[0:10])
# [0.16666667 0.11111111 0.08333333 0.19444444 0.30555556 0.08333333
#  0.19444444 0.02777778 0.16666667 0.30555556]
  1. 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？

import numpy as np

outfile = r'.\iris.data'
sepalLength = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0])
x = np.percentile(sepalLength, [5, 95])
print(x)  # [4.6 7.26]
  1. 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？

import numpy as np
outfile = r'.\iris.data'

iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1)
i, j = iris_data.shape
np.random.seed(20201128)
iris_data[np.random.randint(i, size=20), np.random.randint(j, size=20)] = np.nan
print(iris_data[0:10])
# [['4.9' '3.0' '1.4' '0.2' 'Iris-setosa']
#  ['4.7' '3.2' '1.3' '0.2' 'Iris-setosa']
#  ['4.6' '3.1' '1.5' '0.2' 'Iris-setosa']
#  ['5.0' '3.6' '1.4' '0.2' 'Iris-setosa']
#  ['5.4' '3.9' '1.7' '0.4' 'Iris-setosa']
#  ['4.6' '3.4' '1.4' '0.3' 'Iris-setosa']
#  ['5.0' '3.4' '1.5' '0.2' 'Iris-setosa']
#  ['4.4' '2.9' '1.4' '0.2' 'Iris-setosa']
#  ['4.9' '3.1' '1.5' '0.1' 'Iris-setosa']
#  ['5.4' '3.7' '1.5' '0.2' 'Iris-setosa']]
  1. 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？

import numpy as np
outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2,3])
i, j = iris_data.shape
np.random.seed(20201128)
iris_data[np.random.randint(i, size=20), np.random.randint(j, size=20)] = np.nan
sepallength = iris_data[:, 0]
x = np.isnan(sepallength)
print(sum(x))
# 4
print(np.where(x))
# (array([ 23,  72,  74, 107], dtype=int64),)
  1. 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？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
sepallength = iris_data[:, 0]
petallength = iris_data[:, 2]
index = np.where(np.logical_and(petallength > 1.5, sepallength < 5.0))
print(iris_data[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]]
  1. 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？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
i, j = iris_data.shape
np.random.seed(20201128)
iris_data[np.random.randint(i, size=20), np.random.randint(j, size=20)] = np.nan
x = iris_data[np.sum(np.isnan(iris_data), axis=1) == 0]
print(x[0:10])
# [[4.9 3.  1.4 0.2]
#  [4.7 3.2 1.3 0.2]
#  [4.6 3.1 1.5 0.2]
#  [5.  3.6 1.4 0.2]
#  [5.4 3.9 1.7 0.4]
#  [4.6 3.4 1.4 0.3]
#  [5.  3.4 1.5 0.2]
#  [4.4 2.9 1.4 0.2]
#  [4.9 3.1 1.5 0.1]
#  [5.4 3.7 1.5 0.2]]
  1. 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？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
sepalLength = iris_data[:, 0]
petalLength = iris_data[:, 2]

x = np.corrcoef(sepalLength, petalLength)
print(x)
# [[1.         0.87128294]
#  [0.87128294 1.        ]]
  1. 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？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
x = np.isnan(iris_data)
print(np.any(x))
# False

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？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
i, j = iris_data.shape
np.random.seed(20201128)
iris_data[np.random.randint(i, size=20), np.random.randint(j, size=20)] = np.nan
iris_data[np.isnan(iris_data)] = 0
print(iris_data[0:10])
# [[4.9 3.  1.4 0.2]
#  [4.7 3.2 1.3 0.2]
#  [4.6 3.1 1.5 0.2]
#  [5.  3.6 1.4 0.2]
#  [5.4 3.9 1.7 0.4]
#  [4.6 3.4 1.4 0.3]
#  [5.  3.4 1.5 0.2]
#  [4.4 2.9 1.4 0.2]
#  [4.9 3.1 1.5 0.1]
#  [5.4 3.7 1.5 0.2]]
  1. 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？

import numpy as np
outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1, usecols=[4])
x = np.unique(iris_data, return_counts=True)
print(x)
# (array(['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'], dtype=object), array([49, 50, 50], dtype=int64))
  1. 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？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
petal_length_bin = np.digitize(iris_data[:, 2], [0, 3, 5, 10])
label_map = {1: 'small', 2: 'medium', 3: 'large', 4: np.nan}
petal_length_cat = [label_map[x] for x in petal_length_bin]
print(petal_length_cat[0:10])
# ['small', 'small', 'small', 'small', 'small', 'small', 'small', 'small', 'small', 'small']
  1. 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？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1)
sepalLength = iris_data[:, 0].astype(float)
petalLength = iris_data[:, 2].astype(float)
volume = (np.pi * petalLength * sepalLength ** 2) / 3
volume = volume[:, np.newaxis]
iris_data = np.concatenate([iris_data, volume], axis=1)
print(iris_data[0:10])
# [['4.9' '3.0' '1.4' '0.2' 'Iris-setosa' 35.200498485922445]
#  ['4.7' '3.2' '1.3' '0.2' 'Iris-setosa' 30.0723720777127]
#  ['4.6' '3.1' '1.5' '0.2' 'Iris-setosa' 33.238050274980004]
#  ['5.0' '3.6' '1.4' '0.2' 'Iris-setosa' 36.65191429188092]
#  ['5.4' '3.9' '1.7' '0.4' 'Iris-setosa' 51.911677007917746]
#  ['4.6' '3.4' '1.4' '0.3' 'Iris-setosa' 31.022180256648003]
#  ['5.0' '3.4' '1.5' '0.2' 'Iris-setosa' 39.269908169872416]
#  ['4.4' '2.9' '1.4' '0.2' 'Iris-setosa' 28.38324242763259]
#  ['4.9' '3.1' '1.5' '0.1' 'Iris-setosa' 37.714819806345474]
#  ['5.4' '3.7' '1.5' '0.2' 'Iris-setosa' 45.80442088933919]]
  1. 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？

import numpy as np

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))
# (array(['Iris‐setosa', 'Iris‐versicolor', 'Iris‐virginica'], dtype='<U15'), array([4952, 2566, 2482], dtype=int64))

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？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1)
sepalLength = iris_data[:, 0]
index = np.argsort(sepalLength)
print(iris_data[index][0:10])
# [['4.3' '3.0' '1.1' '0.1' 'Iris-setosa']
#  ['4.4' '3.2' '1.3' '0.2' 'Iris-setosa']
#  ['4.4' '3.0' '1.3' '0.2' 'Iris-setosa']
#  ['4.4' '2.9' '1.4' '0.2' 'Iris-setosa']
#  ['4.5' '2.3' '1.3' '0.3' 'Iris-setosa']
#  ['4.6' '3.2' '1.4' '0.2' 'Iris-setosa']
#  ['4.6' '3.1' '1.5' '0.2' 'Iris-setosa']
#  ['4.6' '3.4' '1.4' '0.3' 'Iris-setosa']
#  ['4.6' '3.6' '1.0' '0.2' 'Iris-setosa']
#  ['4.7' '3.2' '1.6' '0.2' 'Iris-setosa']]

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？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1)
petalLength = iris_data[:, 2]
vals, counts = np.unique(petalLength, return_counts=True)
print(vals[np.argmax(counts)])
# 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。

【知识点：搜索】

如何找到第一次出现大于给定值的位置？

import numpy as np

outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[0, 1, 2, 3])
petalWidth = iris_data[:, 3]
index = np.where(petalWidth > 1.0)
print(index)
# (array([ 49,  50,  51,  52,  53,  54,  55,  57,  58,  60,  62,  63,  64,
#         65,  67,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,  79,
#         81,  82,  83,  84,  85,  86,  87,  88,  89,  90,  91,  93,  94,
#         95,  96,  97,  98,  99, 100, 101, 102, 103, 104, 105, 106, 107,
#        108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120,
#        121, 122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133,
#        134, 135, 136, 137, 138, 139, 140, 141, 142, 143, 144, 145, 146,
#        147, 148], dtype=int64),)
print(index[0][0])
# 49
weixin_43697982
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Numpy100题练习
12-20
Numpy100道基础练习题，GitHub大神整理，做完这100题numpy就能基本掌握用法了
numpy作业
progresses的博客
09-03 210
#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],
Datawhale 第十九期 Numpy下 之 Task05：实践大作业
chutu2018的博客
11-26 308
Datawhale 第十九期 Numpy下 之 Task05：实践大作业一级目录二级目录三级目录 一级目录 二级目录 三级目录
Numpy入门教程：练习作业03
老马的程序人生
07-02 910
背景 什么是 NumPy 呢？ NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景： 执行各种数学任务，如：数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于 Python 的 MATLAB 的快速替代。 计算机中的图像表示为多维数字数组。NumPy 提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。 在编写机器学习算法时，需要对矩阵进行各种数值
模式识别大作业 使用numpy进行深度学习+源代码+文档说明+模型
01-05
模式识别大作业 使用numpy进行深度学习+源代码+文档说明 - 小白不懂运行，下载完可以私聊问，可远程教学 该资源内项目源码是个人的课程设计，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心...
机器学习numpy和pandas基础
09-13
在机器学习领域，掌握基础的数据处理工具至关重要，其中numpy和pandas是Python中不可或缺的库。本课程将围绕这两个库，讲解如何利用它们进行高效的数据分析和预处理，为后续的机器学习项目打下坚实的基础。 首先，...
python学习笔记-机器学习库numpy
08-19
总结，Numpy是Python机器学习的基础，其高效的数组操作和丰富的数学函数为机器学习提供了强大支持。通过熟练掌握Numpy，可以更有效地进行数据处理和模型构建，提高机器学习项目的效率和准确性。在实际项目中，结合...
机器学习numpy和pandas基础,numpy和pandas学哪个,Python
09-10
通过numpy，你可以快速地进行向量化操作，这对于大规模数据处理非常有利。此外，numpy还包含了一些基本的线性代数、傅里叶变换和随机数生成的功能，这些都是机器学习中常见的操作。 接着，pandas是一个基于numpy的...
深度学习 Numpy 基础
01-14
深度学习是一种人工智能领域的技术，它基于神经网络模型对复杂数据进行建模和预测，而Numpy则是Python编程语言中用于科学计算的核心库。Numpy提供了高效的数据结构和数学运算功能，是深度学习算法实现的基础。在深度...
NumPy作业
loist91的博客
09-02 379
numpy 基础知识 import numpy as np data = np.array([1,2,3]) data.max() 3 np.ones(3) array([1., 1., 1.]) np.zeros(3) array([0., 0., 0.]) np.random.random(3) array([0.88248452, 0.16882196, 0.5380125 ]) data = np.array([1,2]) ones = np.ones(2) data + ones
NumPy 学习笔记 NumPy学习大作业
weixin_41719200的博客
11-29 211
NumPy学习大作业 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
Python学习——numpy作业
hmpthz的博客
05-23 766
Numpy Exercises Generate matrices A, with random Gaussian entries, B, a Toeplitz matrix, where A 2 Rn×m and B 2 Rm×m,for n = 200, m = 500. import numpy as np from scipy.linalg import toeplitz n, m...
【Numpy】练习题100道（76-100题完结）
CXY819394的博客
03-18 1458
🥇学习在于行动、总结和坚持，共勉！#学习笔记#
Python数据分析作业一：NumPy库的使用
最新发布
Morse_Chen的博客
03-23 1360
Python大数据分析与挖掘 作业一：NumPy库的使用。
Numpy 练习题50道
qq_20144897的博客
03-08 9939
练习 导入numpy库并简写为np import numpy as np 打印numpy的版本和配置说明 import numpy as np print(np.__version__) np.show_config() 输出： 1.21.3 blas_mkl_info: NOT AVAILABLE blis_info: NOT AVAILABLE ... 创建一个长度为10的空向量 import numpy as np np.empty(10) 找到任何一个数组的内存大小
python9.12作业——numpy简单操作
spiritqi的博客
09-12 217
endpoint， 如果是真，则一定包括stop，如果为False，一定不会有stop。返回num均匀分布的样本，在[start, stop]，默认生成50个数据。在指定间隔start到stop内返回均匀间隔的数组。2. 水平拆分：numpy.hsplit。1. vsplit沿着垂直轴分割。retstep，显示步长信息。
Numpy 练习题
weixin_30662849的博客
11-04 1113
作业1：分别按照要求，生成一个一维数组、二维数组，并且查看其shape import numpy as np ar = np.array([1,2,'a','hello',[1,2,3],{'two':200,'one':100}]) #数组 区别于列表 因为#输出的数组没有逗号 print(ar) print(ar.shape) ar2 = np.array([['0...
NumPy基础之大作业（Iris数据分析）
weixin_46097969的博客
11-28 9513
@[云好晕啊]学习笔记 大作业 【声明：本章所有内容都是通过一个程序完成的，所以每个小问题中的代码存在数据复用以及后面的代码没有导入相应的库情况】  本次练习使用的是 鸢尾植物数据集。Iris也称为鸢尾花卉数据集，包含了三类不同鸢尾属植物：Iris Setosa、Iris Versicolour、Iris Virginica。每类包含50个样本。整个数据集150个样本，每个样本包含4个特征分别为： sepal_lenth(花萼长度） sepal_width(花萼宽度） pepal_length(花瓣长度）
numpy猫狗大战大作业
06-10
您好，关于numpy猫狗大战大作业，我可以给您一些建议和提示。这个大作业的主要目标是使用numpy库实现一个猫狗分类器，主要分为以下几个步骤： 1. 数据预处理：将猫狗图片读入并转化为numpy数组，对数据进行归一化...
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