numpy下_大作业

最新推荐文章于 2022-11-28 20:21:41 发布
最新推荐文章于 2022-11-28 20:21:41 发布
阅读量127 收藏
点赞数
分类专栏： datawhale numpy下
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_48626051/article/details/110426930
版权

大作业

导入数据

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris # 导入数据集
iris = load_iris() # 载入数据
X= iris.data
y = iris.target


target_dict = {0:'Iris-setosa',1:'Iris-versicolor',2:'Iris-virginica'}
def target(entry):
    if entry in target_dict:
        return target_dict[entry]
    else:
        return entry

target_1 = np.vectorize(target)
y = target_1(y)
y

array(['Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
       'Iris-setosa', 'Iris-setosa', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
       'Iris-virginica', 'Iris-virginica'], dtype='<U15')

iris_data = np.c_[X, y]
iris_data

array([['5.1', '3.5', '1.4', '0.2', 'Iris-setosa'],
       ['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'],
       ['4.8', '3.4', '1.6', '0.2', 'Iris-setosa'],
       ['4.8', '3.0', '1.4', '0.1', 'Iris-setosa'],
       ['4.3', '3.0', '1.1', '0.1', 'Iris-setosa'],
       ['5.8', '4.0', '1.2', '0.2', 'Iris-setosa'],
       ['5.7', '4.4', '1.5', '0.4', 'Iris-setosa'],
       ['5.4', '3.9', '1.3', '0.4', 'Iris-setosa'],
       ['5.1', '3.5', '1.4', '0.3', 'Iris-setosa'],
       ['5.7', '3.8', '1.7', '0.3', 'Iris-setosa'],
       ['5.1', '3.8', '1.5', '0.3', 'Iris-setosa'],
       ['5.4', '3.4', '1.7', '0.2', 'Iris-setosa'],
       ['5.1', '3.7', '1.5', '0.4', 'Iris-setosa'],
       ['4.6', '3.6', '1.0', '0.2', 'Iris-setosa'],
       ['5.1', '3.3', '1.7', '0.5', 'Iris-setosa'],
       ['4.8', '3.4', '1.9', '0.2', 'Iris-setosa'],
       ['5.0', '3.0', '1.6', '0.2', 'Iris-setosa'],
       ['5.0', '3.4', '1.6', '0.4', 'Iris-setosa'],
       ['5.2', '3.5', '1.5', '0.2', 'Iris-setosa'],
       ['5.2', '3.4', '1.4', '0.2', 'Iris-setosa'],
       ['4.7', '3.2', '1.6', '0.2', 'Iris-setosa'],
       ['4.8', '3.1', '1.6', '0.2', 'Iris-setosa'],
       ['5.4', '3.4', '1.5', '0.4', 'Iris-setosa'],
       ['5.2', '4.1', '1.5', '0.1', 'Iris-setosa'],
       ['5.5', '4.2', '1.4', '0.2', 'Iris-setosa'],
       ['4.9', '3.1', '1.5', '0.2', 'Iris-setosa'],
       ['5.0', '3.2', '1.2', '0.2', 'Iris-setosa'],
       ['5.5', '3.5', '1.3', '0.2', 'Iris-setosa'],
       ['4.9', '3.6', '1.4', '0.1', 'Iris-setosa'],
       ['4.4', '3.0', '1.3', '0.2', 'Iris-setosa'],
       ['5.1', '3.4', '1.5', '0.2', 'Iris-setosa'],
       ['5.0', '3.5', '1.3', '0.3', 'Iris-setosa'],
       ['4.5', '2.3', '1.3', '0.3', 'Iris-setosa'],
       ['4.4', '3.2', '1.3', '0.2', 'Iris-setosa'],
       ['5.0', '3.5', '1.6', '0.6', 'Iris-setosa'],
       ['5.1', '3.8', '1.9', '0.4', 'Iris-setosa'],
       ['4.8', '3.0', '1.4', '0.3', 'Iris-setosa'],
       ['5.1', '3.8', '1.6', '0.2', 'Iris-setosa'],
       ['4.6', '3.2', '1.4', '0.2', 'Iris-setosa'],
       ['5.3', '3.7', '1.5', '0.2', 'Iris-setosa'],
       ['5.0', '3.3', '1.4', '0.2', 'Iris-setosa'],
       ['7.0', '3.2', '4.7', '1.4', 'Iris-versicolor'],
       ['6.4', '3.2', '4.5', '1.5', 'Iris-versicolor'],
       ['6.9', '3.1', '4.9', '1.5', 'Iris-versicolor'],
       ['5.5', '2.3', '4.0', '1.3', 'Iris-versicolor'],
       ['6.5', '2.8', '4.6', '1.5', 'Iris-versicolor'],
       ['5.7', '2.8', '4.5', '1.3', 'Iris-versicolor'],
       ['6.3', '3.3', '4.7', '1.6', 'Iris-versicolor'],
       ['4.9', '2.4', '3.3', '1.0', 'Iris-versicolor'],
       ['6.6', '2.9', '4.6', '1.3', 'Iris-versicolor'],
       ['5.2', '2.7', '3.9', '1.4', 'Iris-versicolor'],
       ['5.0', '2.0', '3.5', '1.0', 'Iris-versicolor'],
       ['5.9', '3.0', '4.2', '1.5', 'Iris-versicolor'],
       ['6.0', '2.2', '4.0', '1.0', 'Iris-versicolor'],
       ['6.1', '2.9', '4.7', '1.4', 'Iris-versicolor'],
       ['5.6', '2.9', '3.6', '1.3', 'Iris-versicolor'],
       ['6.7', '3.1', '4.4', '1.4', 'Iris-versicolor'],
       ['5.6', '3.0', '4.5', '1.5', 'Iris-versicolor'],
       ['5.8', '2.7', '4.1', '1.0', 'Iris-versicolor'],
       ['6.2', '2.2', '4.5', '1.5', 'Iris-versicolor'],
       ['5.6', '2.5', '3.9', '1.1', 'Iris-versicolor'],
       ['5.9', '3.2', '4.8', '1.8', 'Iris-versicolor'],
       ['6.1', '2.8', '4.0', '1.3', 'Iris-versicolor'],
       ['6.3', '2.5', '4.9', '1.5', 'Iris-versicolor'],
       ['6.1', '2.8', '4.7', '1.2', 'Iris-versicolor'],
       ['6.4', '2.9', '4.3', '1.3', 'Iris-versicolor'],
       ['6.6', '3.0', '4.4', '1.4', 'Iris-versicolor'],
       ['6.8', '2.8', '4.8', '1.4', 'Iris-versicolor'],
       ['6.7', '3.0', '5.0', '1.7', 'Iris-versicolor'],
       ['6.0', '2.9', '4.5', '1.5', 'Iris-versicolor'],
       ['5.7', '2.6', '3.5', '1.0', 'Iris-versicolor'],
       ['5.5', '2.4', '3.8', '1.1', 'Iris-versicolor'],
       ['5.5', '2.4', '3.7', '1.0', 'Iris-versicolor'],
       ['5.8', '2.7', '3.9', '1.2', 'Iris-versicolor'],
       ['6.0', '2.7', '5.1', '1.6', 'Iris-versicolor'],
       ['5.4', '3.0', '4.5', '1.5', 'Iris-versicolor'],
       ['6.0', '3.4', '4.5', '1.6', 'Iris-versicolor'],
       ['6.7', '3.1', '4.7', '1.5', 'Iris-versicolor'],
       ['6.3', '2.3', '4.4', '1.3', 'Iris-versicolor'],
       ['5.6', '3.0', '4.1', '1.3', 'Iris-versicolor'],
       ['5.5', '2.5', '4.0', '1.3', 'Iris-versicolor'],
       ['5.5', '2.6', '4.4', '1.2', 'Iris-versicolor'],
       ['6.1', '3.0', '4.6', '1.4', 'Iris-versicolor'],
       ['5.8', '2.6', '4.0', '1.2', 'Iris-versicolor'],
       ['5.0', '2.3', '3.3', '1.0', 'Iris-versicolor'],
       ['5.6', '2.7', '4.2', '1.3', 'Iris-versicolor'],
       ['5.7', '3.0', '4.2', '1.2', 'Iris-versicolor'],
       ['5.7', '2.9', '4.2', '1.3', 'Iris-versicolor'],
       ['6.2', '2.9', '4.3', '1.3', 'Iris-versicolor'],
       ['5.1', '2.5', '3.0', '1.1', 'Iris-versicolor'],
       ['5.7', '2.8', '4.1', '1.3', 'Iris-versicolor'],
       ['6.3', '3.3', '6.0', '2.5', 'Iris-virginica'],
       ['5.8', '2.7', '5.1', '1.9', 'Iris-virginica'],
       ['7.1', '3.0', '5.9', '2.1', 'Iris-virginica'],
       ['6.3', '2.9', '5.6', '1.8', 'Iris-virginica'],
       ['6.5', '3.0', '5.8', '2.2', 'Iris-virginica'],
       ['7.6', '3.0', '6.6', '2.1', 'Iris-virginica'],
       ['4.9', '2.5', '4.5', '1.7', 'Iris-virginica'],
       ['7.3', '2.9', '6.3', '1.8', 'Iris-virginica'],
       ['6.7', '2.5', '5.8', '1.8', 'Iris-virginica'],
       ['7.2', '3.6', '6.1', '2.5', 'Iris-virginica'],
       ['6.5', '3.2', '5.1', '2.0', 'Iris-virginica'],
       ['6.4', '2.7', '5.3', '1.9', 'Iris-virginica'],
       ['6.8', '3.0', '5.5', '2.1', 'Iris-virginica'],
       ['5.7', '2.5', '5.0', '2.0', 'Iris-virginica'],
       ['5.8', '2.8', '5.1', '2.4', 'Iris-virginica'],
       ['6.4', '3.2', '5.3', '2.3', 'Iris-virginica'],
       ['6.5', '3.0', '5.5', '1.8', 'Iris-virginica'],
       ['7.7', '3.8', '6.7', '2.2', 'Iris-virginica'],
       ['7.7', '2.6', '6.9', '2.3', 'Iris-virginica'],
       ['6.0', '2.2', '5.0', '1.5', 'Iris-virginica'],
       ['6.9', '3.2', '5.7', '2.3', 'Iris-virginica'],
       ['5.6', '2.8', '4.9', '2.0', 'Iris-virginica'],
       ['7.7', '2.8', '6.7', '2.0', 'Iris-virginica'],
       ['6.3', '2.7', '4.9', '1.8', 'Iris-virginica'],
       ['6.7', '3.3', '5.7', '2.1', 'Iris-virginica'],
       ['7.2', '3.2', '6.0', '1.8', 'Iris-virginica'],
       ['6.2', '2.8', '4.8', '1.8', 'Iris-virginica'],
       ['6.1', '3.0', '4.9', '1.8', 'Iris-virginica'],
       ['6.4', '2.8', '5.6', '2.1', 'Iris-virginica'],
       ['7.2', '3.0', '5.8', '1.6', 'Iris-virginica'],
       ['7.4', '2.8', '6.1', '1.9', 'Iris-virginica'],
       ['7.9', '3.8', '6.4', '2.0', 'Iris-virginica'],
       ['6.4', '2.8', '5.6', '2.2', 'Iris-virginica'],
       ['6.3', '2.8', '5.1', '1.5', 'Iris-virginica'],
       ['6.1', '2.6', '5.6', '1.4', 'Iris-virginica'],
       ['7.7', '3.0', '6.1', '2.3', 'Iris-virginica'],
       ['6.3', '3.4', '5.6', '2.4', 'Iris-virginica'],
       ['6.4', '3.1', '5.5', '1.8', 'Iris-virginica'],
       ['6.0', '3.0', '4.8', '1.8', 'Iris-virginica'],
       ['6.9', '3.1', '5.4', '2.1', 'Iris-virginica'],
       ['6.7', '3.1', '5.6', '2.4', 'Iris-virginica'],
       ['6.9', '3.1', '5.1', '2.3', 'Iris-virginica'],
       ['5.8', '2.7', '5.1', '1.9', 'Iris-virginica'],
       ['6.8', '3.2', '5.9', '2.3', 'Iris-virginica'],
       ['6.7', '3.3', '5.7', '2.5', 'Iris-virginica'],
       ['6.7', '3.0', '5.2', '2.3', 'Iris-virginica'],
       ['6.3', '2.5', '5.0', '1.9', 'Iris-virginica'],
       ['6.5', '3.0', '5.2', '2.0', 'Iris-virginica'],
       ['6.2', '3.4', '5.4', '2.3', 'Iris-virginica'],
       ['5.9', '3.0', '5.1', '1.8', 'Iris-virginica']], dtype='<U32')

outfile = r'.\iris.data'
pd.DataFrame(iris_data).to_csv(outfile)

iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows = 1)
iris_data = iris_data[:, 1:]

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？
sepalLength = np.loadtxt(outfile, dtype = float, delimiter = ',', skiprows= 1, usecols = [1])
print(sepalLength)


[5.1 4.9 4.7 4.6 5.  5.4 4.6 5.  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.  5.  5.2 5.2 4.7 4.8 5.4 5.2 5.5 4.9 5.
 5.5 4.9 4.4 5.1 5.  4.5 4.4 5.  5.1 4.8 5.1 4.6 5.3 5.  7.  6.4 6.9 5.5
 6.5 5.7 6.3 4.9 6.6 5.2 5.  5.9 6.  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.  5.7 5.5 5.5 5.8 6.  5.4 6.  6.7 6.3 5.6 5.5
 5.5 6.1 5.8 5.  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.  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.  6.9 6.7 6.9 5.8 6.8
 6.7 6.7 6.3 6.5 6.2 5.9]

print(np.mean(sepalLength))
# 5.843333333333334
print(np.median(sepalLength))
# 5.8
print(np.std(sepalLength))
# 0.8253012917851409

5.843333333333334
5.8
0.8253012917851409

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？
amax = np.amax(sepalLength)
amin  = np.min(sepalLength)
x = (sepalLength - amin)/(amax - amin)
print(x[0:10])

[0.22222222 0.16666667 0.11111111 0.08333333 0.19444444 0.30555556
 0.08333333 0.19444444 0.02777778 0.16666667]

# 方法二
x = (sepalLength - amin)/np.ptp(sepalLength)
print(x[0:10])

[0.22222222 0.16666667 0.11111111 0.08333333 0.19444444 0.30555556
 0.08333333 0.19444444 0.02777778 0.16666667]

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？
x = np.percentile(sepalLength, [5, 95])
print(x)

[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。

【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
iris_data = np.loadtxt(outfile, dtype = object, delimiter=',', skiprows= 1)
iris_data = iris_data [:, 1:]
i, j = iris_data.shape
print (i, j)

150 5

# 方法1
np.random.seed(20200621)
iris_data[np.random.randint(i, size= 20), np.random.randint(j, size = 20)] = np.nan
print(iris_data[0:10])

[['5.1' '3.5' '1.4' '0.2' 'Iris-setosa']
 ['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' nan '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' nan]
 ['4.9' '3.1' '1.5' '0.1' 'Iris-setosa']]

# 方法2
np.random.seed(20200620)
# 参数意思分别 是从a 中以概率P，随机选择3个, p没有指定的时候相当于是一致的分布
a1 = np.random.choice(a=5, size=3, replace=False, p=None)
iris_data[np.random.choice(i, size=20), np.random.choice(j, size=20)] = np.nan
print(iris_data[0:10])

[['5.1' '3.5' nan '0.2' 'Iris-setosa']
 ['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' nan 'Iris-setosa']
 ['5.4' nan '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' nan]
 ['4.9' '3.1' '1.5' '0.1' 'Iris-setosa']]

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？
sepallength = iris_data[:, 0]
sepallength
a = np.isnan(iris_data[:, 0])
print(sum(a)) # 6
print(np.where(a))
# (array([ 26, 44, 55, 63, 90, 115], dtype=int64),)

0
(array([], 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。

【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=[1, 2, 3, 4])
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]]

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
outfil = r'./iris.data'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1, usecols=[1, 2, 3, 4])
i, j = iris_data.shape
np.random.seed(20200621)
iris_data[np.random.randint(i, size= 20), np.random.randint(j, size = 20)] = np.nan
b = np.isnan(iris_data)
x = iris_data[np.sum(b, axis=1) == 0]
print(x[0:10])

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-51-4ab136197bf5> in <module>
      5 np.random.seed(20200621)
      6 iris_data[np.random.randint(i, size= 20), np.random.randint(j, size = 20)] = np.nan
----> 7 b = np.isnan(iris_data)
      8 x = iris_data[np.sum(b, axis=1) == 0]
      9 print(x[0:10])


TypeError: ufunc 'isnan' not supported for the input types, and the inputs could not be safely coerced to any supported types according to the casting rule ''safe''

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？
iris_data = np.loadtxt(outfile, dtype = 'float', delimiter = ',', skiprows = 1, usecols = [1, 2, 3, 4])
sepalLength = iris_data[:, 0]
petalLength = iris_data[:, 2]
x = np.corrcoef(sepalLength,petalLength )
x

array([[1.        , 0.87175378],
       [0.87175378, 1.        ]])

10. 找出iris_data是否有任何缺失值。

  1. 找出iris_data是否有任何缺失值。
  • 如何查找给定数组是否具有空值？
x = np.isnan(iris_data)
x
print(np.any(x)) # False

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=[1, 2, 3,
4])
i, j = iris_data.shape
np.random.seed(20200621)
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])

[[5.1 3.5 1.4 0.2]
 [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 0.  1.7 0.4]
 [4.6 3.4 1.4 0.3]
 [5.  3.4 1.5 0.2]
 [4.4 2.9 0.  0.2]
 [4.9 3.1 1.5 0.1]]

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？
import numpy as np
outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1, usecols=[5])
x = np.unique(iris_data, return_counts= True)
print(x)
# (array(['Iris‐setosa', 'Iris‐versicolor', 'Iris‐virginica'], dtype=object), array([50,
# 50, 50], dtype=int64))

(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’。

【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=[1, 2, 3,
4])
petal_length_bin = np.digitize(iris_data[:, 3], [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']

['small', 'small', 'small', 'small', 'small', 'small', 'small', 'small', 'small', 'small']

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？
import numpy as np
outfile = r'.\iris.data'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1)
sepalLength = iris_data[:, 1].astype(float)
petalLength = iris_data[:, 3].astype(float)
volume = (np.pi * petalLength * sepalLength ** 2) / 3
print(volume )
volume = volume[:, np.newaxis]
# 这样改变维度的作用往往是将一维的数据转变成一个矩阵，与代码后面的权重矩阵进行相乘， 
# 否则单单的数据是不能呢这样相乘的哦。这样改变维度的作用往往是将一维的数据转变成一个矩阵，
# 与代码后面的权重矩阵进行相乘， 否则单单的数据是不能呢这样相乘的哦。
iris_data = np.concatenate([iris_data, volume], axis=1)
print(iris_data[0:10])
# [['5.1' '3.5' '1.4' '0.2' 'Iris‐setosa' 38.13265162927291]
# ['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]

[ 38.13265163  35.20049849  30.07237208  33.23805027  36.65191429
  51.91167701  31.02218026  39.26990817  28.38324243  37.71481981
  45.80442089  38.60389053  33.77840421  21.29895099  42.27327075
  51.03517266  39.69716477  38.13265163  57.83986235  40.85641246
  51.91167701  40.85641246  22.15870018  46.30393412  45.84212
  41.88790205  41.88790205  42.47433268  39.6427105   37.01215025
  38.60389053  45.80442089  42.47433268  44.34881629  37.71481981
  31.41592654  41.1810437   35.20049849  26.35586797  40.85641246
  34.03392041  27.56747554  26.35586797  41.88790205  51.75145578
  33.77840421  43.58017329  31.02218026  44.12366882  36.65191429
 241.16959604 193.01945264 244.29966952 126.71090369 203.52284408
 153.10551797 195.34737279  82.97260357 209.83325652 110.43326496
  91.62978573 153.10237638 150.79644737 183.14123814 118.22441474
 206.83827152 147.78051842 144.43367505 181.14423241 128.0764493
 174.97414443 155.86488352 203.66002695 183.14123814 184.4408103
 200.71007145 232.42759088 235.04349037 169.64600329 119.08206953
 120.37535851 117.20758592 137.38812993 192.2654704  137.41326267
 169.64600329 220.94088094 182.87839155 134.64447234 126.71090369
 139.38199406 179.24461605 140.91090249  86.39379797 137.92848386
 142.89848344 142.89848344 173.09337763  81.71282492 139.4961386
 249.37962484 179.66140067 311.45644848 232.75431652 256.61575992
 399.20846168 113.14445942 351.57249227 272.65044882 331.14899843
 225.64489234 227.33402199 266.32328122 170.11724219 179.66140067
 227.33402199 243.34253096 415.99189683 428.40956539 188.49555922
 284.18532985 160.91656451 415.99189683 203.66002695 267.94957902
 325.72032632 193.22051457 190.93448231 240.2019855  314.86298211
 349.80168121 418.27583469 240.2019855  211.97268112 218.21083693
 378.73889114 232.75431652 235.91266433 180.95573685 269.22820723
 263.24870921 254.2710846  179.66140067 285.69224713 267.94957902
 244.44522998 207.81635403 230.069302   217.37307889 185.91002846]
[['0' '5.1' '3.5' '1.4' '0.2' 'Iris-setosa' 38.13265162927291]
 ['1' '4.9' '3.0' '1.4' '0.2' 'Iris-setosa' 35.200498485922445]
 ['2' '4.7' '3.2' '1.3' '0.2' 'Iris-setosa' 30.0723720777127]
 ['3' '4.6' '3.1' '1.5' '0.2' 'Iris-setosa' 33.238050274980004]
 ['4' '5.0' '3.6' '1.4' '0.2' 'Iris-setosa' 36.65191429188092]
 ['5' '5.4' '3.9' '1.7' '0.4' 'Iris-setosa' 51.911677007917746]
 ['6' '4.6' '3.4' '1.4' '0.3' 'Iris-setosa' 31.022180256648003]
 ['7' '5.0' '3.4' '1.5' '0.2' 'Iris-setosa' 39.269908169872416]
 ['8' '4.4' '2.9' '1.4' '0.2' 'Iris-setosa' 28.38324242763259]
 ['9' '4.9' '3.1' '1.5' '0.1' 'Iris-setosa' 37.714819806345474]]

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？
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([5057, 2445, 2498], 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？
iris_data = np.loadtxt(outfile, dtype = object, delimiter = ',', skiprows = 1)
sepalLength = iris_data[:, 1]
index = np.argsort(sepalLength)
print(iris_data[index][0:10])

[['13' '4.3' '3.0' '1.1' '0.1' 'Iris-setosa']
 ['42' '4.4' '3.2' '1.3' '0.2' 'Iris-setosa']
 ['38' '4.4' '3.0' '1.3' '0.2' 'Iris-setosa']
 ['8' '4.4' '2.9' '1.4' '0.2' 'Iris-setosa']
 ['41' '4.5' '2.3' '1.3' '0.3' 'Iris-setosa']
 ['22' '4.6' '3.6' '1.0' '0.2' 'Iris-setosa']
 ['3' '4.6' '3.1' '1.5' '0.2' 'Iris-setosa']
 ['6' '4.6' '3.4' '1.4' '0.3' 'Iris-setosa']
 ['47' '4.6' '3.2' '1.4' '0.2' 'Iris-setosa']
 ['2' '4.7' '3.2' '1.3' '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？
iris_data = np.loadtxt(outfile, dtype = object, delimiter = ',', skiprows = 1)
petalLength = iris_data[:, 3]
vals, counts = np.unique(petalLength, return_counts=True)
print(vals[np.argmax(counts)]) # 1.5 #取出counts中元素最大值所对应的索引，
print(np.amax(counts)) # 14

1.4
13

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？
iris_data = np.loadtxt(outfile, dtype=float, delimiter=',', skiprows=1, usecols=[1, 2, 3,
4])
petalWidth = iris_data[:,3]
index = np.where(petalWidth > 1.0)
print(index)
print(index[0][0]) # 50

(array([ 50,  51,  52,  53,  54,  55,  56,  58,  59,  61,  63,  64,  65,
        66,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,  78,  80,
        82,  83,  84,  85,  86,  87,  88,  89,  90,  91,  92,  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, 149], dtype=int64),)
50
尽力而为还不够
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Numpy学习-大作业
sunny_1219的博客
12-01 322
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
CH01科学计算工具：Numpy_课程作业答案.ipynb
11-16
CH01科学计算工具：Numpy_课程作业答案.ipynb
python调用numpy视频_Numpy基本用法
weixin_35857552的博客
12-24 216
本课程讲解现在工业界和学术界流行的机器学习算法的相关知识，以及如何用python去实现这些算法。算法的讲解包括supervised learning(有监督式学习)和unsupervised learning(无监督式学习)两个部分。其中supervised learning包括classification(分类)和regression(回归)的若干流行的模型的讲解。 Unsupervised l...
Numpy大作业
jjwan123的博客
12-01 207
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 #1.导入鸢尾属植物数据集，保持文本不变 import numpy as np outfile = r'.\iris.data' iris_dat
DW Numpy下大作业
ObserverZhang的博客
12-01 130
大作业链接.
numpy 学习第二次作业
phoenixdyb的博客
01-19 304
作业如下： DAY4：在 files 文件夹下有多个文件，需要通过代码获取文件名称列表并且将文件数据进行 行堆叠 ，并保存到新的文件中。 import os import numpy as np file_path = r"./data/" dir_list = os.listdir(file_path) print(dir_list) def joint_list(file_list) : i = 1 data=np.loadtxt(file_list[0], delim.
python调用numpy视频_Numpy的文件输入和输出使用
weixin_42356284的博客
12-24 76
本课程讲解现在工业界和学术界流行的机器学习算法的相关知识，以及如何用python去实现这些算法。算法的讲解包括supervised learning(有监督式学习)和unsupervised learning(无监督式学习)两个部分。其中supervised learning包括classification(分类)和regression(回归)的若干流行的模型的讲解。 Unsupervised l...
numpy大作业
qq_33677819的博客
12-01 312
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 学习笔记 NumPy学习大作业
weixin_41719200的博客
11-29 209
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
NumPy作业
欲买桂花同载酒
11-28 1180
学习python时的作业
【Task10】Numpy大作业
Xiao_Spring的博客
12-01 331
前言 鸢（yuān）尾花 Iris Data Set（鸢尾属植物数据集）历史比较悠久的数据集，它首次出现在著名的英国统计学家和生物学家Ronald Fisher 1936年的论文《The use of multiple measurements in taxonomic problems》中，被用来介绍线性判别式分析。 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
numpy_hw
02-13
标题"numpy_hw"暗示了这是一份关于NumPy的学习或作业资料，而"numpy_hw-master"可能是这个项目或教程的主目录。NumPy是Python科学计算的核心库，提供了强大的多维数组对象和矩阵运算功能，是数据科学、机器学习以及...
numpy_assignment
02-14
《numpy_assignment》是一个基于Jupyter Notebook的编程作业，主要涵盖了使用Python中的NumPy库进行数值计算和数组操作的相关知识。NumPy是Python科学计算的核心库，提供了强大的N维数组对象和方便的数据处理功能。...
python大作业.rar
11-04
在合肥工业大学的python大作业中，学生们可能需要掌握以下Python基础知识： 1. **变量与数据类型**：Python支持多种数据类型，如整型（int）、浮点型（float）、字符串（str）和布尔型（bool）。此外，还有列表...
numpy-pandas-matplotlib练习题（作业）.ipynb
11-10
数据分析作业，numpy、pandas、matplotlib练习题，自己出的，有兴趣的可以作为参考。
pillow_heif-0.17.0-pp39-pypy39_pp73-macosx_14_0_arm64.whl
07-27
基本介绍 名称与起源：Pillow，原名为PIL（Python Imaging Library），但PIL只支持Python 2版本。随着Python 3的普及，Pillow作为PIL的一个分支出现，兼容Python 3并提供更多的功能和改进。 主要功能：Pillow支持多种图像格式的打开、保存、显示以及基本的图像操作和处理，如裁剪、缩放、旋转、翻转、滤镜应用等。 跨平台性：Pillow库可以在不同的操作系统上运行，包括Windows、Linux和MacOS等。 主要功能模块 Pillow库包含多个功能模块，每个模块都提供了特定的图像处理功能。以下是一些常用的模块： Image：用于处理图像文件，提供打开、保存、调整大小、旋转、裁剪、滤镜等功能。 ImageDraw：提供在图像上绘制各种形状（如线条、矩形、圆形）和文本的功能。 ImageFont：用于加载和使用TrueType字体文件，以便在图像上绘制文本时设置字体样式、大小和颜色。 ImageFilter：提供各种滤镜效果，如模糊、锐化、边缘增强等，用于图像增强、特效处理和图像识别等应用。 ImageEnhance：用于调整图像的亮度、对比度、颜色饱和度等参数，使图像更加清晰、明亮或具有特定的调色效果。 高级功能 除了基本的图像处理功能外，Pillow还支持一些高级功能，如色彩空间转换、直方图均衡化等。这些功能可以帮助用户进行更复杂的图像处理和分析。
cykooz.resizer-3.0.0-cp310-cp310-macosx_11_0_arm64.whl
07-27
python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！
[毕设]Delphi题库管理与试卷自动生成系统.zip
最新发布
07-27
[毕设]Delphi题库管理与试卷自动生成系统
131 种水果、蔬菜和坚果的 90380张的高质量图像数据集+图像识别与定位+该数据集相关的研究论文
07-27
<项目介绍> 包含131 种水果、蔬菜和坚果的 90380张的高质量图像数据集+该数据集相关的研究论文。可供深度学习图像识别与定位。 - 训练集大小：67700 个图像 测试集大小：22888 个图像 文件名格式：image_index_100.jpg（例如 32_100.jpg）或 r_image_index_100.jpg（例如 r_32_100.jpg）或 r2_image_index_100.jpg 或 r3_image_index_100.jpg。 “r”代表旋转水果。 “r2”表示水果绕第三轴旋转。 “100”来自图像尺寸（100x100 像素）。 水果是如何拍摄的: 1:使用 C920 摄像机拍摄水果。最好的网络摄像头之一。 2:在水果后面，我们放了一张白纸作为背景。 3:将水果和蔬菜种植在低速电机（3转/分钟）的轴中，并录制一段20秒的短片。 下载后请首先打开README.md文件（如有），仅供学习参考, 切勿用于商业用途。 --------
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