1. Toy模板网首页
  2. > Toy博客

Python数据分析处理报告--实训小案例

7月前 作者：抄代码抄错的小牛马 分类：Toy博客 阅读(36) 违法举报

这篇具有很好参考价值的文章主要介绍了Python数据分析处理报告--实训小案例。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

目录

1、实验一

1.1、题目总览

1.2、代码解析

2、实现二

2.1、题目总览

2.2、代码解析

3、实验三

3.1、题目总览

3.2、代码解析

4、实验四

3.1、题目总览

3.2、代码解析

Python数据分析处理报告--实训小案例

哈喽~今天学习记录的是数据分析实训小案例。

就用这个案例来好好巩固一下 python 数据分析三剑客。

前期准备：

  1. 确认 Jupyter Notebook 环境
  2. 准备实验数据：http://qn.yuanxinghua.love/%E5%AE%9E%E9%AA%8C.zip

1、实验一

1.1、题目总览

Python数据分析处理报告--实训小案例

1.2、代码解析

1．求3+6+9+12+15= ？

import numpy as np 

s = np.array([3,6,9,12,15])
np.sum(s)

 2．生成范围在0~1、服从均匀分布的10行5列的数组

arry =  np.random.rand(10,5)

print(arry)

 3．创建一个数值范围为0~1，间隔为0.01的数组

arry1 = np.arange(0,1,0.01)

print(arry1)

 4．创建100个服从正态分布的随机数

arry2 = np.random.randn(100)

print(arry2)

 5．对创建的两个数组进行四则运算

arry1 = np.arange(0,1,0.01)
arry2 = np.random.randn(100)

print("加法",arry1 + arry2)
print("减法",arry1 - arry2)
print("乘法",arry1 * arry2)
print("除法",arry1 / arry2)

 6．对创建的随机数进行简单的统计分析

arry2 = np.random.randn(100).reshape(5,20)

 
print('排序\n',np.sort(arry2)) 
print('数据去重\n',np.unique(arry2)) 

print('数组求总和\n',np.sum(arry2))
print('数组纵轴和\n',np.sum(arry2,axis = 0))
print('数组横轴和\n',np.sum(arry2,axis = 1))

print('数组均值\n',np.mean(arry2)) 
print('数组纵轴均值\n',np.mean(arry2,axis = 0)) 
print('数组横轴均值\n',np.mean(arry2,axis = 1)) 


print('数组标准差\n',np.std(arry2)) 
print('数组纵轴标准差\n',np.std(arry2,axis = 0)) 
print('数组横轴标准差\n',np.std(arry2,axis = 1)) 

print('方差\n',np.var(arry2)) 
print('最小值\n',np.min(arry2)) 
print('最大值\n',np.max(arry2))

2、实现二

2.1、题目总览

Python数据分析处理报告--实训小案例

2.2、代码解析

1．读取mtcar数据

import pandas as pd 
data = pd.read_csv("D:\桌面\mtcars.csv")
data

截图：

Python数据分析处理报告--实训小案例

 2．查看mtcar数据集的元素的个数、维度、大小等信息，输出表的列名

print('所有值为：\n',data.values)
print('索引：\n',data.index)
print('类型为：\n',data.dtypes)
print('元素个数为：',data.size)
print('维度为：',data.ndim)
print('大小为：',data.shape)
print('表的列名：\n',data.columns)

3．使用describe方法对整个mtcar数据集进行描述性统计

data.describe()

 4．计算不同cyl（气缸数）、carb（化油器）对应的mpg（油耗）和hp（马力）的均值

a = data.loc[:,['cyl','carb','mpg','hp']]
b = a.groupby(['cyl','carb']).mean()
b

 5．输出mpg和hp前5个元素

c = data.loc[:4,['mpg','hp']]
c

 6．输出mtcar数据的前3行元素

d = data[:][:3]
d

 7．使用head()和tail()方法输出前后5行数据

print('前5行元素为:\n',data.head())
print('==================')
print('后5行元素为:\n',data.tail())

 8．用loc和iloc分别提取第1列和第3列的数据

print(data.loc[:,['mpg','disp']])
print('**---------------***-------------**')
print(data.iloc[:,[1,3]])

 9．取出列名为mpg、hp，行名为2，3，4的数据

e = data.loc[2:4,['mpg','hp']]   # loc[索引/条件,名称/]
print(e)

 10．取出列位置为2和4，行位置为5，6，7的数据

f = data.iloc[5:8,[2,4]]
print(f)

 11．取出列位置为3，行名为2-6的数据

j = data.loc[2:6,['disp']]
print(j)

12．新增1列，名称为abc（abc=mpg+hp），输出前5行数据

data['abc'] = data['mpg'] + data['hp']
data.head()

13．删除前两行数据

print('原数据长度：',len(data))
data.drop(labels=range(0,2),axis=0,inplace=True)   
print('删除后长度：',len(data))

14．删除abc列

data['abc'] = data['mpg'] + data['hp']
print('增加 abc 列后：\n',data.columns)
print('****************************************')
data.drop(labels='abc',axis=1,inplace=True)
print('删除 abc 列后：\n',data.columns)

3、实验三

3.1、题目总览

Python数据分析处理报告--实训小案例

3.2、代码解析

1．使用如下方法规范化数组：200,300,400,600,1000 

  • 离差标准化
  • 标准差标准化
  • 小数定标标准化
    • 先将所给的一组数取绝对值，找出这组数中绝对值最大的数，然后，利用对数+向上取整来确定10的次方。np.abs()
      • ①numpy库中有ceil()函数，表示向上取整。np.ceil()
      • ②numpy库中log10()用于计算一个数以10为底数，对应的值是多少。np.log10()
import numpy as np 
import pandas as pd 

arry = np.array([200,300,400,500,600,1000])
print('原数组：\n',arry)

# mean 均值   sta 标准差
def result(x):
    x1 = (x - x.min())/(x.max() - x.min())  # 离差
    x2 = (x - x.mean()/x.std())             # 标准差
    x3 = x/10**np.ceil(np.log10(np.abs(x).max())) # 小数 
    return x1,x2,x3

print('离差：\n',result(arry)[0])
print('标准差：\n',result(arry)[1])
print('小数：\n',result(arry)[2])

2．12个销售价格记录如下：5，10，11，13，15，35，50，55，72，92，204，215。使用等宽法对其进行离散化处理（分3类）

price = np.array([5,10,11,13,15,35,50,55,72,92,204,215])

pd.cut(price,3) # 精度默认为 3

3．自定义一个能够自动实现数据去重、缺失值中位数填补的函数。自行定义测试数据进行验证

  • drop_duplicates() 删除重复的行
  • x.median() 中值
  • x.fillna() 将缺失值替换为该值 x.fillna(0) ==> 将缺失值替换为 0
  • inplace = True 在原数组上操作
def test(x):
    x.drop_duplicates(inplace = True)
    x.fillna(x.median(),inplace = True)
    return(x)

arr = pd.DataFrame(
    {
        'a':['1','2']*2,
        'b':['1','2']*2,
          
    }
)
print('============去重前的数组===================')
print(arr)
print('============去重===================')
print(test(arr))
print('============去重后的数组===================')
print(arr)

4、实验四

3.1、题目总览

Python数据分析处理报告--实训小案例

3.2、代码解析

1．用plot方法画出x在(0,10)间cos的图像

import numpy as np
from matplotlib import pyplot as plt
   
x = np.arange(0,10,0.1)
y = np.cos(x)

plt.xlabel('X')
plt.ylabel('Y')

plt.plot(x,y)  # 折线图
plt.show()

运行截图：

Python数据分析处理报告--实训小案例

 2．用scatter方法画出x在(0,10)间sin的点图像

x1 = np.arange(0,10,0.2)
y1 = np.sin(x1)

plt.xlabel('X')
plt.ylabel('Y')

plt.scatter(x1,y1)  # 散点图
plt.show()

运行截图：

Python数据分析处理报告--实训小案例

 3．绘制一个高分别为3，1，4，5，8，9，7，2，X轴上值为A，B，C，D，E，F，G，H的柱状图

x2 = [1,2,3,4,5,6,7,8]
y2 = [3,1,4,5,8,9,7,2]

label=['A','B','C','D','E','F','G','H']

# 用来显示中文字符  不加中文显示 会报错
plt.rcParams['font.sans-serif'] = ['SimHei']   
 
plt.title('柱状图')
plt.xlabel('X')
plt.ylabel('Y')

p = plt.bar(x2,y2,tick_label = label)  # 柱状图
plt.bar_label(p,labels=y2,padding=0.2) # 为条形图添加数据标签

plt.show()

运行截图：

Python数据分析处理报告--实训小案例

 4．人口数据总共拥有6个特征，分别为年末总人口、男性人口、女性人口、城镇人口、乡村人口和年份。查看各个特征随着时间推移发生的变化情况可以分析出未来男女人口比例、城乡人口变化的方向。使用NumPy库读取人口数据。创建画布，并添加子图。在两个子图，上分别绘制散点图和折线图。保存，显示图片。分析未来人口变化趋势

import numpy as np
from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# ==========读取文件========================
data = np.load('D:\桌面\populations.npz',allow_pickle=True)  
 
# print(type(data)) # class 'numpy.lib.npyio.NpzFile'>

# data.files # npz结尾的数据集是压缩文件，里面还有其他的文件 可用 data.files 进行查看   ['data', 'feature_names']

# print(data['data'])
# print(data['feature_names'])  

# ['时间' '年末总人口(万人)' '男性人口(万人)' '女性人口(万人)' '城镇人口(万人)' '乡村人口(万人)']

# =========处理数据==========================
# 去除缺失值  print(data['data'][:-2])
new_data = np.delete(data['data'],[-1,-2], 0) # [-1,-2] 要删除的行  删除第 -1 行 和 第-2 行
y = new_data
# print(y)

# numpy 选取二维数组 ==> 转为一维 ==> 逆序取值  [-1::-1] 字符串 逆序 取值  不自动实现 排大小功能

y1 = y[:,:1][:,0][-1::-1]   # 时间     
y2 = y[:,1:2][:,0][-1::-1]  # 年末总人口  
y3 = y[:,2:3][:,0][-1::-1]  # 男性人口
y4 = y[:,3:4][:,0][-1::-1]  # 女性人口
y5 = y[:,4:5][:,0][-1::-1]  # 城镇人口
y6 = y[:,5:6][:,0][-1::-1]  # 乡村人口

# print(y1)
#y1 = y[:,:1][:,0]
x = y1 

# x = x[-1::-1]
# print(y2)

# ===创建一个空白画布=== 
fig = plt.figure( figsize=(22,26) )  

# ===创建一个子图===
ax1 = fig.add_subplot(2,1,1)  # 位置： 2行1列 第1个
 
# ==============散点图===================================

line1 = ax1.scatter(x,y2)
line2 = ax1.scatter(x,y3)
line3 = ax1.scatter(x,y4)
line4 = ax1.scatter(x,y5)
line5 = ax1.scatter(x,y6)
plt.legend(handles=[line1,line2,line3,line4,line5], 
           labels=['年末总人口(万人)','男性人口(万人)','女性人口(万人)','城镇人口(万人)','乡村人口(万人)'], loc='best')

# ===创建一个子图===
ax2 = fig.add_subplot(2,1,2)  # 位置： 2行1列 第2个

# ==============折线图====================================

line11, = ax2.plot(x,y2)
line22, = ax2.plot(x,y3)
line33, = ax2.plot(x,y4)
line44, = ax2.plot(x,y5)
line55, = ax2.plot(x,y6)
plt.legend(handles=[line11,line22,line33,line44,line55], 
           labels=['年末总人口(万人)','男性人口(万人)','女性人口(万人)','城镇人口(万人)','乡村人口(万人)'], loc='best')

# =====保存图片===========
plt.savefig('1996-2015年人口数据各个特征随时间推移的变化情况图') # 保存在当前路径下

# =====在本机显示图片=====
plt.show()

# ============问题=========================
# 之前会报错: A proxy artist may be used instead. ==> https://blog.csdn.net/weixin_39944233/article/details/110777868 
# 原因： plt.plot( )返回的是一个二元组值，若要获取实例，必须用x, = plt.plot( )才能取出来实例对象

运行截图：

Python数据分析处理报告--实训小案例

 5．通过绘制各年份男女人口数目及城乡人口数目的直方图，男女人口比例及城乡人口比例的饼图可以发现人口结构的变化

  • 各年份男女人口数目及城乡人口数目的直方图
# =====各年份男女人口数目及城乡人口数目的直方图
'''
y1 = y[:,:1][:,0][-1::-1]   # 时间 
y3 = y[:,2:3][:,0][-1::-1]  # 男性人口
y4 = y[:,3:4][:,0][-1::-1]  # 女性人口
y5 = y[:,4:5][:,0][-1::-1]  # 城镇人口
y6 = y[:,5:6][:,0][-1::-1]  # 乡村人口
'''
# ===创建一个空白画布=== 
fig = plt.figure( figsize=(22,26) )  

# ===新建一个子图===  =====各年份男女人口数目直方图
ax3 = fig.add_subplot(3,1,1)  

plt.title("1996-2015年男女人口数目直方图")
plt.xlabel('年份')
plt.ylabel('人口数目(万人)')

new_x = np.arange(len(y1))
man_y = y3
woman_y = y4
c_y = y5
x_y = y6

pb1 = plt.bar(new_x - 0.2,man_y,width=0.4) # 柱状图      
pb2 = plt.bar(new_x + 0.2,woman_y,width=0.4)

plt.bar_label(pb1,labels=man_y,padding=0.2) # 每个条块加上其值
plt.bar_label(pb2,labels=woman_y,padding=0.2)
plt.legend(['男', '女'], loc='best')
 
plt.xticks(ticks= new_x, labels= y1) #  ticks: x轴刻度的列表集合  labels：用文本或其他来代替刻度的值


# ===新建一个子图===  ======各年份城乡人口数目直方图
ax4 = fig.add_subplot(3,1,2) 

plt.title("1996-2015年城乡人口数目直方图")
plt.xlabel('年份')
plt.ylabel('人口数目(万人)')

pb3 = plt.bar(new_x - 0.2,c_y,width=0.4) # 柱状图      
pb4 = plt.bar(new_x + 0.2,x_y,width=0.4)

plt.bar_label(pb3,labels=c_y,padding=0.2) # 每个条块加上其值
plt.bar_label(pb4,labels=x_y,padding=0.2)

plt.xticks(ticks= new_x, labels= y1) #  ticks: x轴刻度的列表集合  labels：用文本或其他来代替刻度的值
plt.legend(['城镇人口', '乡村人口'], loc='best')

plt.show()

运行截图：

Python数据分析处理报告--实训小案例

  • 各年份男女人口比例及城乡人口比例的饼图
# =====各年份男女人口比例及城乡人口比例的饼图
'''
y1 = y[:,:1][:,0][-1::-1]   # 时间 
y3 = y[:,2:3][:,0][-1::-1]  # 男性人口
y4 = y[:,3:4][:,0][-1::-1]  # 女性人口
y5 = y[:,4:5][:,0][-1::-1]  # 城镇人口
y6 = y[:,5:6][:,0][-1::-1]  # 乡村人口
'''
# ===创建一个空白画布=== 
fig = plt.figure( figsize=(20,16) )  
explode = (0.02,0.02)
#  =====各年份男女人口数目饼图
labels = ['男性人口','女性人口']
labels1 = ['城镇人口','乡村人口']
v = [
    [y3[0],y4[0]],
    [y3[1],y4[1]],
    [y3[-2],y4[-2]], 
    [y3[-1],y4[-2]], 
]

v1 = [
    [y5[0],y6[0]],
    [y5[1],y6[1]],
    [y5[-2],y6[-2]], 
    [y5[-1],y6[-2]], 
]
 
#  男女人口数目饼图
ax5 = fig.add_subplot(2,4,1) 
plt.pie(v[0],labels= labels, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('1996年男女人口数饼图')

ax6 = fig.add_subplot(2,4,2) 
plt.pie(v[1],labels= labels, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('1997年男女人口数饼图')

ax7 = fig.add_subplot(2,4,3)
plt.pie(v[-2],labels= labels, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('2014年男女人口数饼图')

ax8 = fig.add_subplot(2,4,4)
plt.pie(v[-1],labels= labels, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('2015年男女人口数饼图')


#  城乡人口数目饼图
ax9 = fig.add_subplot(2,4,5) 
plt.pie(v1[0],labels= labels1, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('1996年城乡人口数饼图')

ax10 = fig.add_subplot(2,4,6) 
plt.pie(v1[1],labels= labels1, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('1997年城乡人口数饼图')

ax11 = fig.add_subplot(2,4,7)
plt.pie(v1[-2],labels= labels1, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('2014年城乡人口数饼图')

ax12 = fig.add_subplot(2,4,8)
plt.pie(v1[-1],labels= labels1, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('2015年城乡人口数饼图')

# =====保存图片===========
plt.savefig('1996,19967,2014,2015年男女人口比例及城乡人口比例的饼图') 

plt.show()

运行截图：

Python数据分析处理报告--实训小案例

 ok`----- 小案例到这里就结束啦~

我们下次再见 ^_^文章来源地址https://www.toymoban.com/news/detail-495025.html

到了这里，关于Python数据分析处理报告--实训小案例的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • python数据分析与应用：使用scikit-learn构建模型分析 第六章实训（1,2）

    有问题可以加我微信交流学习，bmt1014 （gcc的同学不要抄袭呀！） 一、实验目的 1、掌握skleam转换器的用法。 2、掌握训练集、测试集划分的方法。 3、掌握使用sklearm进行PCA降维的方法。 4、掌握 sklearn 估计器的用法。 5、掌握聚类模型的构建与评价方法。 6、掌握分类模型的构

    2024年02月09日
    浏览(37)

  • 基于python电影票房数据分析可视化系统 毕业设计开题报告

     博主介绍 ：《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者，CSDN博客专家，在线教育专家，CSDN钻石讲师；专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程，免费 项目配有对应开发文档、开题报告、任务书、PPT、论文模版

    2024年02月05日
    浏览(46)
  • 【python】当当书籍数据抓取分析与可视化（代码+报告）【独一无二】

    【python】当当书籍数据抓取分析与可视化（代码+报告）【独一无二】

    👉博__主👈：米码收割机 👉技__能👈：C++/Python语言 👉公众号👈：测试开发自动化【获取源码+商业合作】 👉荣__誉👈：阿里云博客专家博主、51CTO技术博主 👉专__注👈：专注主流机器人、人工智能等相关领域的开发、测试技术。 本项目旨在研究和分析当当网上的书籍信

    2024年02月04日
    浏览(41)

  • 基于python的Boss招聘数据分析可视化系统 毕业设计开题报告

     博主介绍 ：《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者，CSDN博客专家，在线教育专家，CSDN钻石讲师；专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程，免费 项目配有对应开发文档、开题报告、任务书、PPT、论文模版

    2024年02月04日
    浏览(35)

  • 基于python天气数据的预测分析及可视化系统 毕业设计开题报告

     博主介绍 ：《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者，CSDN博客专家，在线教育专家，CSDN钻石讲师；专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程，免费 项目配有对应开发文档、开题报告、任务书、PPT、论文模版

    2024年02月04日
    浏览(39)

  • Python淘宝家用电器爬虫数据可视化分析大屏全屏系统 开题报告

     博主介绍 ：《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者，CSDN博客专家，在线教育专家，CSDN钻石讲师；专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程，免费 项目配有对应开发文档、开题报告、任务书、PPT、论文模版

    2024年02月04日
    浏览(35)

  • Python淘宝电脑销售数据爬虫可视化分析大屏全屏系统 开题报告

     博主介绍 ：《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者，CSDN博客专家，在线教育专家，CSDN钻石讲师；专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程，免费 项目配有对应开发文档、开题报告、任务书、PPT、论文模版

    2024年02月05日
    浏览(34)

  • Python安徽合肥二手房源爬虫数据可视化分析大屏全屏系统 开题报告

     博主介绍 ：《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者，CSDN博客专家，在线教育专家，CSDN钻石讲师；专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程，免费 项目配有对应开发文档、开题报告、任务书、PPT、论文模版

    2024年02月05日
    浏览(28)

  • Python吉林长春二手房源爬虫数据可视化分析大屏全屏系统 开题报告

     博主介绍 ：《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者，CSDN博客专家，在线教育专家，CSDN钻石讲师；专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程，免费 项目配有对应开发文档、开题报告、任务书、PPT、论文模版

    2024年02月05日
    浏览(37)
  • Hadoop+Python+Django+Mysql热门旅游景点数据分析系统的设计与实现（包含设计报告）

    Hadoop+Python+Django+Mysql热门旅游景点数据分析系统的设计与实现（包含设计报告）

    系统阐述的是使用热门旅游景点数据分析系统的设计与实现，对于Python、B/S结构、MySql进行了较为深入的学习与应用。主要针对系统的设计，描述，实现和分析与测试方面来表明开发的过程。开发中使用了 django框架和MySql数据库技术搭建系统的整体架构。利用这些技术结合实

    2024年02月13日
    浏览(45)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包