Der zweite Tag des Python-Lernens – Numpy-Datenstatistik und andere Verwendungsmöglichkeiten

Numpy-Anwendung

NumPy wird normalerweise zusammen mit SciPy (wissenschaftliches Python) und Matplotlib (Zeichnungsbibliothek) verwendet. Es ist eine leistungsstarke wissenschaftliche Computerumgebung, die uns hilft, Datenwissenschaft oder maschinelles Lernen mit Python zu erlernen. Mit NumPy kann eine Datenanalyse von Balkendiagrammen, Kreisdiagrammen, mehreren Unterdiagrammen und linearen Regressionsdiagrammen durchgeführt werden.

Darüber hinaus können Sie die Pandas-Bibliothek importieren, eine Softwarebibliothek zur Datenbearbeitung und -analyse in der Programmiersprache Python. Insbesondere stellt es Datenstrukturen und Operationen zur Bearbeitung numerischer Tabellen und Zeitreihen bereit. Pandas ermöglicht das Zeichnen aus verschiedenen Dateiformaten wie CSV, JSON, < /span> a> zum Importieren von Daten. Microsoft Excel, SQL

cmd-Importmodul:

pip install scipy -i https://pypi.tuna.tsinghua.edu.cn/simple  //运用清华源安装scipy模块

1. Einfache Vorhersage

from scipy import stats 

x = [5,7,8,7,2,17,2,9,4,11,12,9,6] 
y = [99,86,87,88,111,86,103,87,94,78,77,85,86] 

slope, intercept, r, p, std_err = stats.linregress(x, y) 

def myfunc(x): 
  return slope * x + intercept 

speed = myfunc(10) 
print(speed)

2. Daten zur Vorhersage mehrerer Regressionen

import pandas
from sklearn import linear_model

df = pandas.read_csv("cars.csv")    //导入cars.csv文件

x = df[['Weight', 'Volume']]
y = df['CO2']

regr = linear_model.LinearRegression()
regr.fit(x.values, y.values)

# 预测重量为 2300kg、排量为 1300ccm 的汽车的二氧化碳排放量：
predictedCO2 = regr.predict([[2300, 1300]])

print(predictedCO2)
print('---------------------')

# 描述与未知变量的关系因子
regr = linear_model.LinearRegression() 
regr.fit(x.values, y.values)

print(regr.coef_)

Die Ergebnisse lassen sich aus den Daten zu den relevanten Faktoren vorhersagen.

3. Kreisdiagramm

import matplotlib.pyplot as plt
import numpy as np

x = np.array(["Runoob-1", "Runoob-2", "Runoob-3", "C-RUNOOB"])
y = np.array([12,22,6,18])

plt.bar(x,y)
plt.show()

4. Balkendiagramm

import matplotlib.pyplot as plt
import numpy as np

x = np.array(["Runoob-1", "Runoob-2", "Runoob-3", "C-RUNOOB"])
y = np.array([12,22,6,18])

plt.bar(x,y)
plt.show()