numpy案例应用练习

学生身高体重统计分析案例

需求1:
获取所有男生的身高, 求平均值;获取所有女生的身高, 求平均值;并绘制柱状图显示

import numpy as np
from pyecharts import  Bar
fname = "doc/eg6-a-student-data.txt"
dtype = np.dtype([('gender', '|S1'), ('height', 'f2')])
data = np.loadtxt(fname=fname, dtype=dtype, skiprows=9,
                  usecols=(1, 3))
# print(data)
# print(data['gender'])
# print(data['height'])
# print(data['height'][data['gender'] == b'M'].mean())
# print(data['height'][data['gender'] == b'F'].mean())
#


# 判断是否性别为男的表达式
isMale = data['gender'] == b'M'
male_avg_height = data['height'][isMale].mean()
female_avg_height = data['height'][~isMale].mean()
print(male_avg_height, female_avg_height)

bar = Bar(title="不同性别身高的平均值")
bar.add("", ["男", '女'], [male_avg_height, female_avg_height])
bar.render()

numpy案例应用练习
numpy案例应用练习
需求2:
获取所有男生的体重, 求平均值;获取所有女生的体重, 求平均值;并绘制柱状图显示

    def parser_weight(weight):
    # 对于体重数据的处理, 如果不能转换为浮点数据类型, 则返回缺失值;
    try:
        return  float(weight)
    except ValueError as e:
        return  -99

fname = "doc/eg6-a-student-data.txt"
dtype = np.dtype([('gender', '|S1'), ('height', 'f2'), ('weight', 'f2')])
data = np.loadtxt(fname=fname, dtype=dtype, skiprows=9,
                  usecols=(1, 3, 4), converters={4:parser_weight})

# 判断是否性别为男的平均身高
isMale = data['gender'] == b'M'
male_avg_height = data['height'][isMale].mean()
female_avg_height = data['height'][~isMale].mean()
print(male_avg_height, female_avg_height)



# 判断是否性别为男的平均体重
is_weight_vaild =  data['weight'] > 0
male_avg_weight = data['weight'][isMale & is_weight_vaild].mean()
female_avg_weight = data['weight'][~isMale & is_weight_vaild].mean()
print(male_avg_weight, female_avg_weight)


bar = Bar(title="不同性别身高的平均值")
bar.add("身高", ["男", '女'], [male_avg_height, female_avg_height])
bar.add("体重", ["男", '女'], [male_avg_weight, female_avg_weight])
bar.render()


import numpy as np
from pyecharts import  Bar

#
# def parser_bps(bps):
#     # 对于体重数据的处理, 如果不能转换为浮点数据类型, 则返回缺失值;
#     try:
#
#         bps = bps.decode('utf-8').split('/')
#         print(bps, type(bps))
#         first_bps = float(bps[0])
#         second_bps = float(bps[1])
#         return first_bps, second_bps
#     except ValueError as e:
#         return -99


def parser_bpd(bpd):
    # 对于体重数据的处理, 如果不能转换为浮点数据类型, 则返回缺失值;
    try:
        return float(bpd)
    except ValueError as e:
        return -99

fname = "doc/eg6-a-student-data.txt"
dtype = np.dtype([('gender', '|S1'),  ('bpd', 'f2')])
data = np.loadtxt(fname=fname, dtype=dtype, skiprows=9,
                  usecols=(1,  6), converters={ 6:parser_bpd})

print(data)

numpy案例应用练习
numpy案例应用练习

基于numpy的股价统计分析应用

题目要求:

    1. 数据格式介绍:
      第4-8列，分别为股票的开盘价，最高价，最低价，收盘价，成交量。
    1. 计算成交量加权平均价格
      概念：成交量加权平均价格，英文名VWAP(Volume-Weighted Average Price，
      成交量加权平均价格）是一个非常重要的经济学量，代表着金融资产的“平均”价格。
      某个价格的成交量越大，该价格所占的权重就越大。VWAP就是以成交量为权重计算出来的加权平均值。np.average(endprice, weights=“成交量”)
    1. 计算股票收益率、年波动率及月波动率
      在投资学中，波动率是对价格变动的一种度量，历史波动率可以根据历史价格数据计算得出。
      计算历史波动率时，需要用到对数收益率。
      对数收益率???
      年波动率等于对数收益率的标准差除以其均值，再乘以交易日的平方根，通常交易日取252天。
      月波动率等于对数收益率的标准差除以其均值，再乘以交易月的平方根。通常交易月取12月。
import numpy as np
import math

params1 =  dict(
    fname= "doc/data.csv",
    delimiter=',',  #内容以‘,’进行分隔
    usecols = (6,7),    #读取第几列
    unpack = True  #对提取的内容进行转置

)
# **从字典中解包
print(np.loadtxt(**params1))    #读取的内容以近似字典的形式
endPrice,countNumber = np.loadtxt(**params1)
WAP = np.average(endPrice,weights = countNumber)
print("1.计算成交量加权平均价格：",WAP)

print("***********************************")

params2 =  dict(
    fname= "doc/data.csv",
    delimiter=',',
    usecols = (4,5),
    unpack = True

)
highPrice,lowPrice = np.loadtxt(**params2)
print("2.最高价的最大值：",highPrice.max())
print("2.最低价的最小值：",lowPrice.min())

print("***********************************")
# 近期最高最低价格的极差
print("3.近期最高价格的极差",np.ptp(highPrice))
print("3.近期最低价格的极差",np.ptp(lowPrice))

# 4.计算收盘价的中位数
print("4.计算收盘价的中位数:",np.median(countNumber))
# 5.计算收盘价格的方差
print("5.计算收盘价格的方差:",np.var(countNumber))

# 7.星期？的平均收盘价格

def get_week(date):
    from datetime import datetime
    date = date.decode('utf-8')
    return datetime.strptime(date,"%d-%m-%Y").weekday()

params3 =  dict(
    fname= "doc/data.csv",
    delimiter=',',
    usecols = (1,6),
    converters= {1:get_week},
    unpack = True

)

week,endPrice=np.loadtxt(**params3)
allAvg=[]
for weekday in range(5):
    average = endPrice[week==weekday].mean()
    allAvg.append(average)
    print("7.星期%s的平均收盘价格:%s"%(weekday+1,average))

# 8.平均收盘价的最低是星期
print("8.平均收盘价的最低是星期：",np.argmin(allAvg)+1)
print("8.平均收盘价的最高是星期：",np.argmax(allAvg)+1)


# 6.计算简单收益率，对数收益率，年波动率，月波动率
simpleReturn = np.diff(endPrice)
print("计算简单收益率:",simpleReturn)
logReturn = np.diff(np.log(endPrice))
print("计算对数收益率:",logReturn)

annual_vol = logReturn.std()/logReturn.mean()*np.sqrt(252)
print("年波动率:",annual_vol)

month_vol = logReturn.std()/logReturn.mean()*np.sqrt(12)
print("月波动率:",month_vol)

numpy案例应用练习

numpy巩固小练习

  1. 创建一个 5x5 的二维数组，其中边界值为1，其余值为0;
    • np.ones()
    • 切片和索引的赋值
import numpy as np

# 1
data=np.ones((5,5))
print(data)
data[[1,2,3],:]=0
print(data)
data[:,[0,4]]=1
print(data)

numpy案例应用练习
2. 使用数字 0 将一个全为 1 的 5x5 二维数组包围, 效果如下:
array([[0., 0., 0., 0., 0., 0., 0.],
[0., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 0.],
[0., 0., 0., 0., 0., 0., 0.]])

# 2
data=np.ones((5,5))
data=np.vstack((data,[0,0,0,0,0]))
data=np.hstack((data,[[0],[0],[0],[0],[0],[0]]))
data=np.hstack(([[0],[0],[0],[0],[0],[0]],data))
data=np.vstack(([0,0,0,0,0,0,0],data))
print(data)

numpy案例应用练习

  1. 创建一个 10x10 的二维数组，并使得 1 和 0 沿对角线间隔放置， 效果如下:
    array([[0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
    [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
    [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
    [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
    [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
    [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
    [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
    [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
    [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
    [1, 0, 1, 0, 1, 0, 1, 0, 1, 0]])
# 3
data=np.eye(5,k=0,dtype=np.int)
data[0,[2,4]]=1
data[1,3]=1
data[2,[0,4]]=1
data[3,1]=1
data[4,[0,2]]=1
data=np.vstack((data,data))

print(data)

numpy案例应用练习
4. 创建一个 0-10 的一维数组，并将 (1, 9] 之间的数全部反转成负数， 效果如下:
array([ 0, 1, -2, -3, -4, -5, -6, -7, -8, -9, 10])

# 4
data=np.arange(0,11)
print(data)
data=np.where(data>1,0-(data),data)
data=np.where(data<-9,0-data,data)
print(data)

numpy案例应用练习
5. 创建一个 5x5 的矩阵，其中每行的数值范围从 1 到 5, 效果如下:
array([[1., 2., 3., 4., 5.],
[1., 2., 3., 4., 5.],
[1., 2., 3., 4., 5.],
[1., 2., 3., 4., 5.],
[1., 2., 3., 4., 5.]])

# 5
data=np.ones((5,5))
# print(data)
for i in range(1,5):
    data[:,i]=i+1
print(data)

numpy案例应用练习

  1. 创建一个长度为 5 的一维数组，并将其中最大值替换成 0
# 6
data=np.array([2,3,4,5,6])
print(data)
data[np.argmax(data)]=1
print(data)

numpy案例应用练习
7. 将二维数组的前两行进行顺序交换, 效果如下:

  • 交换前
    [[ 0 1 2 3 4]
    [ 5 6 7 8 9]
    [10 11 12 13 14]
    [15 16 17 18 19]
    [20 21 22 23 24]]

  • 交换后
    [[ 5 6 7 8 9]
    [ 0 1 2 3 4]
    [10 11 12 13 14]
    [15 16 17 18 19]
    [20 21 22 23 24]]


# 7
data=np.array(range(25)).reshape(5,5)
print(data)
data[[0,1],:]=data[[1,0],:]
print(data)

numpy案例应用练习

  1. 找出给定一维数组中非 0 元素的位置索引
## 8
data=np.array([1,0,2,0,6,0])
print(np.where(data!=0))

numpy案例应用练习

9.找出数组中缺失值的总数及所在位置, 案例如下:
array([[0.8 , 0.25, 0.74, 0.05, 0.24, 0.16, 0.63, 0.62, 0.89, 0.85],
[0.61, 0.76, 0.26, 0.3 , 0.82, 0.74, 0.96, 0.64, 0.58, 0.06],
[0.78, 0.38, 0.19, 0.68, 0.75, 0.91, 0.13, 0.24, 0.98, 0.21],
[0.47, 0.12, 0.34, 0.06, 0.46, 0.69, 0.1 , nan, 0.27, 0.92],
[0.83, 0.01, 0.63, 0.15, 0.52, 0.52, 0.02, 0. , 0.74, 0.59],
[0.56, 0.66, 0.15, nan, 0.26, 0.88, 0.15, 0.57, 0.61, 0.35],
[0.33, 0.58, 0.06, 0.94, 0.58, 0.53, 0.97, 0.02, 0.32, nan],
[0.84, 0.71, 0.65, 0.42, 0.44, 0.96, 0.37, 0.65, 0.6 , 0.17],
[0.04, 0.94, 0.92, nan, 0.7 , 0.38, 0.28, 0.45, 0.35, 0.93],
[0.38, 0.69, 0.43, 0.01, 0.67, 0.46, 0.73, 0.99, 0.94, 0.45]])
缺失值总数:
4
缺失值索引:
(array([3, 5, 6, 8]), array([7, 3, 9, 3]))

# 9
data=np.array([[0.8 , 0.25, 0.74, 0.05, 0.24, 0.16, 0.63, 0.62, 0.89, 0.85],
       [0.61, 0.76, 0.26, 0.3 , 0.82, 0.74, 0.96, 0.64, 0.58, 0.06],
       [0.78, 0.38, 0.19, 0.68, 0.75, 0.91, 0.13, 0.24, 0.98, 0.21],
       [0.47, 0.12, 0.34, 0.06, 0.46, 0.69, 0.1 ,  np.nan, 0.27, 0.92],
       [0.83, 0.01, 0.63, 0.15, 0.52, 0.52, 0.02, 0.  , 0.74, 0.59],
       [0.56, 0.66, 0.15,  np.nan, 0.26, 0.88, 0.15, 0.57, 0.61, 0.35],
       [0.33, 0.58, 0.06, 0.94, 0.58, 0.53, 0.97, 0.02, 0.32,  np.nan],
       [0.84, 0.71, 0.65, 0.42, 0.44, 0.96, 0.37, 0.65, 0.6 , 0.17],
       [0.04, 0.94, 0.92,  np.nan, 0.7 , 0.38, 0.28, 0.45, 0.35, 0.93],
       [0.38, 0.69, 0.43, 0.01, 0.67, 0.46, 0.73, 0.99, 0.94, 0.45]])
# print(np.count_nonzero(data!=data))
#
print(np.where(np.isnan(data)))

numpy案例应用练习

相关文章：

猜你喜欢
相关资源
相似解决方案
热门标签
Java Python linux javascript Mysql C# Docker 算法 前端 SpringBoot Redis Vue spring 设计模式 .net core .net kubernetes c++ 数据库 数据结构 大数据 js 机器学习 微服务 Android Go 程序员 面试 JVM ASP.net core 云原生 人工智能 后端 PHP git CSS golang k8s Nginx Django mybatis 深度学习 多线程 React 架构 devops 爬虫 云计算 Spring Boot LeetCode