数据分析（Python）入门—鸢尾植物数据集处理

本文介绍: 基于Pyt h on的鸢尾植物数据集处理，初步使用NumPy与Pand a s库对Iris 数据集进行简单操作。

专栏 文章 目录

文章目录

专栏文章目录
一、背景解析—数据集介绍
二、快速进入任务
三、总结（划重点）
- 1.部分函数使用说明
四、附录
- 1.最终输出效果
- 2.完整代码

今日任务¹：

导入鸢尾植物数据集(iris.csv)为dataframe 对象

求出鸢尾属植物萼片长度的平均值、中位数和标准差，并输出

筛选具有 sep al_len g t h<5.0并且p etal_len g t h&g t;1.5的iris 数据行

在c)的基础上，根据sepal_leng t h列对数据集进行排序，新的数据集保存为csv

在鸢尾属植物数据集中找到最常见的花瓣长度值，使用 print 函数输出

找到鸢尾属植物萼片长度的第5和第95百分位数，使用 print 函数输出

一、背景解析—数据集介绍

Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称为鸢尾花卉数据集，是一类多重变量分析的数据集。包含了三类不同鸢尾属植物：Iris Set os a（山鸢尾）、Iris Versicolour（杂色鸢尾），以及Iris Virg ini ca（维吉尼亚鸢尾）。每类包含50个样本，整个数据集150个样本，每个样本包含4个特征分别为：sepal_leng t h(花萼长度），sepal_width(花萼宽度），pepal_lengt h(花瓣长度），pepal_width(花瓣宽度）²。

二、快速 进入 任务

1.导入 模型库

import numpy as np  # 导入numpy库并简写为np
import pandas as pd  # 导入Pandas库并简写为pd

NumPy (Numerical Pyth on) ³是高性能科学计算和数据分析的基础包。主要功能（N维数组、矢量数学运算）包括：

nd array，具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组

对数组数据进行快速运算的标准数学函数

读写磁盘数据的工具及操作内存映射文件的工具

线性代数、随机数生成及傅里叶变换功能

集成C、C++、Fortran等语言编写的代码的工具

Pandas³含有使数据分析变得更简单的高级数据结构和操作工具，是基于NumPy构建的。它

提供Series和DataFrame数据结构

数据分析操作，包括数据清洗、预处理、排序、统计等。

2.读取鸢尾植物数据集(iris.csv)为dataframe 对象

# 1.导入鸢尾植物数据集(iris.csv)，保存为dataframe对象
iris_data = pd.read_csv('iris.csv')  # 导入鸢尾植物数据集(iris.csv)，保存为dataframe对象
print(iris_data[0:10],'n')  # 输出前十行看看效果

#  输出结果：
#     sepal_length  sepal_width  petal_length  petal_width species
#  0           5.1          3.5           1.4          0.2  setosa
#  1           4.9          3.0           1.4          0.2  setosa
#  2           4.7          3.2           1.3          0.2  setosa
#  3           4.6          3.1           1.5          0.2  setosa
#  4           5.0          3.6           1.4          0.2  setosa
#  5           5.4          3.9           1.7          0.4  setosa
#  6           4.6          3.4           1.4          0.3  setosa
#  7           5.0          3.4           1.5          0.2  setosa
#  8           4.4          2.9           1.4          0.2  setosa 
#  9           4.9          3.1           1.5          0.1  setosa

为方便后续处理，首先进行一些公共操作

iris_data = np.loadtxt("iris.csv", dtype=object, delimiter=',', skiprows=1)
sepalLength = iris_data[:, 0].astype(float)  # 读取第一列鸢尾属植物萼片长度
petalLength = iris_data[:, 2].astype(float)  # 读取第三列鸢尾属植物花瓣长度

3.求出鸢尾属植物萼片长度的平均值、中位数和标准差，并输出

print('鸢尾属植物萼片长度的平均值:', np.mean(sepalLength))  #5.843333333333334
print('鸢尾属植物萼片长度的中位数:', np.median(sepalLength))  #5.8
print('鸢尾属植物萼片长度的标准差:', np.std(sepalLength), 'n')  #0.8253012917851409

4.筛选 具有sepal_length<5.0并且petal_length>1.5的iris数据行

index = np.where(np.logical_and(petalLength > 1.5, sepalLength < 5.0))
print('具有sepal_length<5.0并且petal_length>1.5的iris数据行:n', iris_data[index], 'n')

5.在4)的基础上，根据sepal_length列对数据集进行排序，新的数据集保存为csv

df = pd.DataFrame(iris_data[index], columns=['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species'])
df.sort_values('sepal_length', axis=0, ascending = True, inplace = True, kind ='quicksort', na_position='last')
df.to_csv('out.csv')
print('在3)的基础上，根据sepal_length列对数据集的排序结果：n', df, 'n')

6. 在鸢尾属植物数据集中找到最常见的花瓣长度值，使用print 函数输出

vals, counts = np.unique(petalLength, return_counts=True)
print('鸢尾属植物数据集中找到最常见的花瓣长度值:', vals[np.argmax(counts)])  # 1.4
print('鸢尾属植物数据集中找到最常见的花瓣长度值出现次数：', np.amax(counts))   # 13

7.找到鸢尾属植物萼片长度的第5和第95百分位数，使用print 函数输出

x = np.percentile(sepalLength, [5, 95])
print('鸢尾属植物萼片长度的第5和第95百分位数:',x)  # [4.6 7.255]

三、总结（划重点）

1.部分函数 使用说明

DataFrame.sort_values(by，axis = 0，ascending = True，inplace = False，kind =' quicksort '，na_position ='last' )
参数说明
by: str或str的列表，如果axis=0或axis='index'，那么by='列名'；如果axis=1或axis='columns'，那么by='行名'
axis: {0或'index';1或'columns'} 默认为0，即纵向排序，如果为1，则为横向排序
ascending: 布尔型，默认为True,即升序
inplace: 布尔型，是否用排序后的数据代替现有数据
kind: 排序算法， {'quicksort'，'mergesort'，'heapsort'}，默认'quicksort'
na_position: {'first'，'last'}，默认'last' ,即将缺失值放在最后。

四、附录

1.最终输出效果

   sepal_length  sepal_width  petal_length  petal_width species
0           5.1          3.5           1.4          0.2  setosa
1           4.9          3.0           1.4          0.2  setosa
2           4.7          3.2           1.3          0.2  setosa
3           4.6          3.1           1.5          0.2  setosa
4           5.0          3.6           1.4          0.2  setosa
5           5.4          3.9           1.7          0.4  setosa
6           4.6          3.4           1.4          0.3  setosa
7           5.0          3.4           1.5          0.2  setosa
8           4.4          2.9           1.4          0.2  setosa
9           4.9          3.1           1.5          0.1  setosa 

鸢尾属植物萼片长度的平均值: 5.843333333333334
鸢尾属植物萼片长度的中位数: 5.8
鸢尾属植物萼片长度的标准差: 0.8253012917851409 

具有sepal_length<5.0并且petal_length>1.5的iris数据行:
 [['4.8' '3.4' '1.6' '0.2' 'setosa']
 ['4.8' '3.4' '1.9' '0.2' 'setosa']
 ['4.7' '3.2' '1.6' '0.2' 'setosa']
 ['4.8' '3.1' '1.6' '0.2' 'setosa']
 ['4.9' '2.4' '3.3' '1.0' 'versicolor']
 ['4.9' '2.5' '4.5' '1.7' 'virginica']] 

在3)的基础上，根据sepal_length列对数据集的排序结果：
   sepal_length sepal_width petal_length petal_width     species
2          4.7         3.2          1.6         0.2      setosa
0          4.8         3.4          1.6         0.2      setosa
1          4.8         3.4          1.9         0.2      setosa
3          4.8         3.1          1.6         0.2      setosa
4          4.9         2.4          3.3         1.0  versicolor
5          4.9         2.5          4.5         1.7   virginica 

鸢尾属植物数据集中找到最常见的花瓣长度值: 1.4
鸢尾属植物数据集中找到最常见的花瓣长度值出现次数： 13
鸢尾属植物萼片长度的第5和第95百分位数: [4.6   7.255]

2.完整代码

# -*- coding: utf-8 -*-

'''
Data: 20221020
Author: Pingqian
Description: 

'''

import numpy as np  # 导入numpy库并简写为np
import pandas as pd  # 导入Pandas库并简写为pd

# 1.导入鸢尾植物数据集(iris.csv)，保存为dataframe对象
iris_data = pd.read_csv('iris.csv')  # 导入鸢尾植物数据集(iris.csv)，保存为dataframe对象
print(iris_data[0:10],'n')  # 输出前十行看看效果

iris_data = np.loadtxt("iris.csv", dtype=object, delimiter=',', skiprows=1)
sepalLength = iris_data[:, 0].astype(float)  # 读取第一列鸢尾属植物萼片长度
petalLength = iris_data[:, 2].astype(float)  # 读取第三列鸢尾属植物花瓣长度

# 2.求出鸢尾属植物萼片长度的平均值、中位数和标准差，使用print函数输出
print('鸢尾属植物萼片长度的平均值:', np.mean(sepalLength))  #5.843333333333334
print('鸢尾属植物萼片长度的中位数:', np.median(sepalLength))  #5.8
print('鸢尾属植物萼片长度的标准差:', np.std(sepalLength), 'n')  #0.8253012917851409

# 3.筛选具有sepal_length<5.0并且petal_length>1.5的iris数据行
index = np.where(np.logical_and(petalLength > 1.5, sepalLength < 5.0))
print('具有sepal_length<5.0并且petal_length>1.5的iris数据行:n', iris_data[index], 'n')

# 4.在3)的基础上，根据sepal_length列对数据集进行排序，新的数据集保存为csv
df = pd.DataFrame(iris_data[index], columns=['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species'])
df.sort_values('sepal_length', axis=0, ascending = True, inplace = True, kind ='quicksort', na_position='last')
df.to_csv('out.csv')
print('在3)的基础上，根据sepal_length列对数据集的排序结果：n', df, 'n')

# 5.在鸢尾属植物数据集中找到最常见的花瓣长度值，使用print函数输出
vals, counts = np.unique(petalLength, return_counts=True)
print('鸢尾属植物数据集中找到最常见的花瓣长度值:', vals[np.argmax(counts)])  # 1.4
print('鸢尾属植物数据集中找到最常见的花瓣长度值出现次数：', np.amax(counts))   # 13

# 6.找到鸢尾属植物萼片长度的第5和第95百分位数，使用print函数输出
x = np.percentile(sepalLength, [5, 95])
print('鸢尾属植物萼片长度的第5和第95百分位数:',x)  # [4.6 7.255]

D

a

t

a

A

n

a

l

y

s

i

s

&

A

l

g

o

r

i

t

h

m

D

e

s

i

g

n

,

Z

i

w

e

i

L

i

,

S

c

h

o

o

l

o

f

I

n

f

o

r

m

a

t

i

o

n

S

c

i

e

n

c

e

a

n

d

T

e

c

h

n

o

l

o

g

y

,

F

u

d

a

n

.

Data Analysis & Algorithm Design, Ziwei Li, School of Information Science and Techno logy, Fudan.

$D a t a A na l ys i s &a mp; A l g or i t hm Des i g n, Z i w e i L i, S c h oo l o f I n f or ma t i o n S c i e n ce an d T ec hn o l o g y, F u d an .$ ↩︎
”

I

R

I

S

,

”

百度百科

.

h

t

t

p

s

:

/

/

b

a

i

k

e

.

b

a

i

d

u

.

c

o

m

/

i

t

e

m

/

I

R

I

S

/

4061453

?

f

r

=

a

l

a

d

d

i

n

(

a

c

c

e

s

s

e

d

O

c

t

.

24

,

2022

)

.

“IRIS,” 百度百科. https://baike.baidu.com/item/IRIS/4061453?fr=aladdin (accessed Oct. 24, 2022).

$“ I R I S, “ 百度百科 . h ttp s : // ba ik e . b ai d u . co m / i t e m / I R I S /4061453 ? f r = a l a dd in (a cce ss e d O c t .24, 2022) .$ ↩︎
《利用Python进行数据分析》. ↩︎ ↩︎