一、题目表述

1.分析1996~2015年人口数据特征间的关系

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、城乡人口变化方向。要求如下：

（1）使用NumPy读取人口数据

（2）创建画布，并添加子图

（3）在两个子图上分别绘制散点图和折线图

（4）保存，显示图片

（5）分析未来人口变化趋势

2.分析并绘制鸢尾花数据的散点图和箱线图，要求如下：

（1）读取鸢尾花数据集，使用循环和子图绘制各特征之间的散点图

（2）绘制各个特征的箱线图，查看是否存在异常值

二、实验代码

1.分析1996~2015年人口数据特征间的关系

'''
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、城乡人口变化方向。要求如下：（1）使用NumPy读取人口数据（2）创建画布，并添加子图（3）在两个子图上分别绘制散点图和折线图（4）保存，显示图片（5）分析未来人口变化趋势
'''
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
data = np.load('H:\\populations.npz',allow_pickle=True)
name = data['feature_names']
values = data['data']
p1 = plt.figure(figsize=(12,12))
#第一个图
ax1 = p1.add_subplot(2,1,1)
plt.scatter(values[0:20,0], values[0:20,1], marker='o')
plt.scatter(values[0:20,0], values[0:20,2], marker='D')
plt.scatter(values[0:20,0], values[0:20,3], marker='v')
plt.scatter(values[0:20,0], values[0:20,4], marker='*')
plt.scatter(values[0:20,0], values[0:20,5], marker=',')
plt.ylabel('人口数据（万）')
plt.xlabel('年份')
plt.xticks(range(0,20),values[range(0,20),0],rotation=45)
plt.legend(['年末总人口', '男性人口', '女性人口', '城镇人口', '乡村人口'])
plt.title("1996~2015年人口数据特征散点图")#第二个图
ax2 = p1.add_subplot(2,1,2)
plt.plot(values[0:20,0], values[0:20,1], marker='o')
plt.plot(values[0:20,0], values[0:20,2], marker='D')
plt.plot(values[0:20,0], values[0:20,3], marker='v')
plt.plot(values[0:20,0], values[0:20,4], marker='*')
plt.plot(values[0:20,0], values[0:20,5], marker='<')
plt.ylabel('人口数据（万）')
plt.xlabel('年份')
plt.xticks(range(0,20),values[range(0,20),0],rotation=45)
plt.legend(['年末总人口', '男性人口', '女性人口', '城镇人口', '乡村人口'])
plt.title("1996~2015年人口数据特征折线图")plt.savefig('H:\\1996~2015年人口数据特征散点图_合.png')

2.分析并绘制鸢尾花数据的散点图和箱线图，要求如下：

##（1）读取鸢尾花数据集，使用循环和子图绘制各特征之间的散点图
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
iris_data = pd.read_csv('H:\\datasets-uci-iris.csv',header=None)
iris = iris_data.iloc[1:,:]
iris = np.array(iris)
name = iris_data.iloc[0,:]
name = np.array(name)
p = plt.figure(figsize=(50, 50))
plt.title('iris散点图矩阵')
for i in range(4):for j in range(4):p.add_subplot(4, 4, (i * 4) + (j + 1))plt.scatter(iris[:, i], iris[:, j])plt.xlabel(name[i])plt.ylabel(name[j])
plt.savefig('H:\\鸢尾花数据各特征的散点图_合.png')
plt.show()

##（2）绘制各个特征的箱线图，查看是否存在异常值
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
iris_data = pd.read_csv('H:\\datasets-uci-iris.csv',header=None)
iris = iris_data.iloc[1:,0:4]
iris = np.array(iris).astype(float)#设定格式
name = iris_data.iloc[0,0:4]
name = np.array(name)
p1 = plt.figure(figsize=(12,12))#第一个图
ax1 = p1.add_subplot(2,2,1)
label = ['Iris-setosa','Iris-versicolor','Iris-virginica']
gdp = (list(iris[0:50,0]), list(iris[50:100,0]), list(iris[100:150,0]))
plt.boxplot(gdp,notch = True, labels = label, meanline = True)
plt.title('特征值sepal-length的箱线图')#第二个图
ax2 = p1.add_subplot(2,2,2)
label = ['Iris-setosa','Iris-versicolor','Iris-virginica']
gdp = (list(iris[0:50,1]), list(iris[50:100,1]), list(iris[100:150,1]))
plt.boxplot(gdp,notch = True, labels = label, meanline = True)
plt.title('特征值sepal-width的箱线图')#第三个图
ax3 = p1.add_subplot(2,2,3)
label = ['Iris-setosa','Iris-versicolor','Iris-virginica']
gdp = (list(iris[0:50,2]), list(iris[50:100,2]), list(iris[100:150,2]))
plt.boxplot(gdp,notch = True, labels = label, meanline = True)
plt.title('特征值petal-length的箱线图')#第四个图
ax4 = p1.add_subplot(2,2,4)
label = ['Iris-setosa','Iris-versicolor','Iris-virginica']
gdp = (list(iris[0:50,3]), list(iris[50:100,3]), list(iris[100:150,3]))
plt.boxplot(gdp,notch = True, labels = label, meanline = True)
plt.title('特征值petal-length的箱线图')
plt.savefig('H:\\鸢尾花数据各特征的箱线图_合.png')
plt.show()

Python实验二：分析1996~2015年人口数据特征间的关系、分析并绘制鸢尾花数据的散点图和箱线图相关推荐

python人口数据分析_分析1996~2015年人口数据特征间的关系
分析1996~2015年人口数据特征间的关系人口数据总共拥有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男女人口比例.城乡 ...
分析1996~2015年人口数据特征间的关系并分析1996~2015年人口数据各个特征的分布分散状况
python数据分析与应用实训1 分析1996~2015年人口数据特征间的关系并分析1996~2015年人口数据各个特征的分布分散状况运行环境:jupyter notebook 数据:popul ...
分析1996~2015年人口数据各个特征的分布与分散情况
分析1996~2015年人口数据各个特征的分布与分散情况通过绘制各年份男女人口数目及城乡人口的直方图,男女人口比例及城乡人口比例的饼图开一发现人口结构的变化.而绘制每个特征的箱线图则可以发现不同特征 ...
实训1 分析1996~2015年人口数据特征间的关系
运行环境:pycharm-community-2019.1.2 使用库:NumPy.matplotlib.pyplot 数据(populations.npz):链接:https://pan.baidu ...
数据可视化|实验四分析1996-2015年人口数据特征间的关系
使用 NumPy 库读取人口数据使用 numpy 库读取人口数据,分析 1996~2015 年人口数据特征间的关系: %matplotlib inlineimport numpy as npimpo ...
Python 之 Matplotlib 散点图、箱线图和词云图
文章目录一.散点图 1. scatter() 函数 2. 设置图标大小 3. 自定义点的颜色和透明度 4. 可以选择不同的颜色条,配合 cmap 参数 5. cmap 的分类 5.1 Sequent ...
应用数据分析第三周实训1 分析1996~2015年人口数据特征间的关系
文章目录前言一.#实训1分析1996年~2015年人口数据特征的关系实验结果如图所示
数据清洗python实现箱线图_GitHub - nonefirst/data_analysis: 基于Python的南京二手房数据采集及可视化分析...
基于Python的南京二手房数据采集及可视化分析 1 内容简介首先通过爬虫采集链家网上所有南京二手房的房源数据,并对采集到的数据进行清洗:然后,对清洗后的数据进行可视化分析,探索隐藏在大量数据背后的 ...
Python数据可视化的例子——箱线图（box）
箱线图是另一种体现数据分布的图形,通过该图可以得知数据的下须值(Q1-1.5IQR).下四分位数(Q1).中位数(Q2).均值.上四分位数(Q3)和上须值(Q3+1.5IQR),更重要的是,箱线图还可 ...

Python实验二：分析1996~2015年人口数据特征间的关系、分析并绘制鸢尾花数据的散点图和箱线图

一、题目表述

1.分析1996~2015年人口数据特征间的关系

2.分析并绘制鸢尾花数据的散点图和箱线图，要求如下：

二、实验代码

1.分析1996~2015年人口数据特征间的关系

2.分析并绘制鸢尾花数据的散点图和箱线图，要求如下：

Python实验二：分析1996~2015年人口数据特征间的关系、分析并绘制鸢尾花数据的散点图和箱线图相关推荐

最新文章

热门文章