numpy下_大作业 (1)

最新推荐文章于 2022-04-16 18:29:52 发布
最新推荐文章于 2022-04-16 18:29:52 发布
阅读量218 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/110427557
版权
该大作业详细介绍了使用numpy对鸢尾花数据集进行的各种统计分析和数据处理操作，包括计算萼片长度的平均值、中位数和标准差，标准化数值，查找百分位数，插入缺失值，筛选特定条件的行，计算相关系数，替换缺失值，统计物种数量，分类花瓣长度，创建新列，调整物种比例，排序，查找最常见花瓣长度和特定值的位置等。
摘要由CSDN通过智能技术生成

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_col = np.array(['sepallength', 'sepalwidth', 'petalength', 'patalwidth', 'species'])
# iris_data = np.insert(iris_data, 0, values = iris_col, axis = 0)
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'],
       ['
最低0.47元/天 解锁文章
尽力而为还不够
关注
专栏目录
numpy作业
weixin_44207047的博客
03-23 168
第1题创建一个8*8的二维ndarray对象A。要求 A为上三角矩阵...如图 观察后不难看出这是一个由1-127的64个数字组成的二维数组，保留上三角的元素得到的， 有两种方法得到这个步长为2的数列， A = np.arange(1,129,2) 或者a = np.linspace(1,127,64) import numpy as np a = np.arange(1,129,2) print(a) b = a.reshape(8,8) print(b) 然后就是如何把它..
Datawhale 第十九期 Numpy下 之 Task05：实践大作业
chutu2018的博客
11-26 364
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作业
qq_41794348的博客
05-20 454
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作业
loist91的博客
09-02 400
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
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
神经网络作业1：用Numpy实现MLP_NN_0w1-MLP.zip
最新发布
10-03
神经网络作业1：用Numpy实现MLP_NN_0w1-MLP
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。...
PCA大作业.zip_PCA大作业绿萝_pca_pca大作业_pca绿萝
09-24
在这个PCA大作业中，首先需要对绿萝数据进行预处理，包括数据清洗、缺失值处理和标准化等步骤。数据清洗是为了去除异常值和不一致的数据，确保分析的有效性；缺失值处理可以采用填充、删除或插值等方法；标准化则...
Python-Numpy作业
qq_52851997的博客
04-16 1686
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大作业
qq_33677819的博客
12-01 341
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
python numpy作业
liwj的博客
05-19 284
代码：import numpy import time from scipy import linalg n = 200 m = 500 A = numpy.random.normal(size = (n, m)) f = numpy.random.randint(1, 1000, size = m) B = linalg.toeplitz(f) #9.1 #A+A A_A = A + A '...
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