【头歌】 —— 数据分析与实践-python_NumPy基础及取值操作-NumPy数组的高级操作-Numpy初体验-亲和性分析——商品推荐

发布时间：2024年01月21日

【头歌】 —— 数据分析与实践-python_NumPy基础及取值操作-NumPy数组的高级操作-Numpy初体验-亲和性分析——商品推荐

Numpy 初体验

第1关 Numpy 创建数组

# 引入numpy库
import numpy as np
# 定义cnmda函数
def cnmda(m,n):
    '''
    创建numpy数组
    参数：
           m:第一维的长度
           n: 第二维的长度
    返回值:
        ret: 一个numpy数组
    '''
    ret = 0
    # 请在此添加创建多维数组的代码并赋值给ret
    #********** Begin *********#
    x = [y for y in range(n)]
    ret = np.array([x]*m)
    #********** End **********#
    return ret

第2关 Numpy 数组的基本运算

# 引入numpy库
import numpy as np
# 定义opeadd函数
def opeadd(m,b,n):
    '''
    参数：
    m:是一个数组
    b:是一个列表
    n:是列表中的索引
    你需要做的是 m+b[n]
    返回值:
    ret: 一个numpy数组
    '''    
    ret = 0

    #********** Begin *********#
    ret = m+b[n]
      #********** End **********#

    return ret
# 定义opemul函数
def opemul(m,b,n):
    '''
    参数：
    m:是一个数组
    b:是一个列表
    n:是列表中的索引
    你需要做的是 m*b[n]
    返回值:
    ret: 一个numpy数组
    '''
    ret = 0

    #********** Begin *********#
    ret = m*b[n]
    #********** End **********#
    return ret

第3关 Numpy 数组的切片与索引

# 引入numpy库
import numpy as np
# 定义cnmda函数
def ce(a,m,n):
    '''
    参数：
    a:是一个Numpy数组
    m:是第m维数组的索引
    n:第m维数组的前n个元素的索引
    返回值:
    ret: 一个numpy数组
    '''
    ret = 0
    # 请在此添加切片的代码,实现找出多维数组a中第m个数组的前n个元素 并赋值给ret
    #********** Begin *********#
    ret = a[m,:n]
    #********** End **********#
    return ret

第4关 Numpy 数组的堆叠

# 引入numpy库
import numpy as np
# 定义varray函数
def  varray(m,n):
    '''
    参数：
    m：是第一个数组
    n：是第二个数组
    返回值:
    ret: 一个numpy数组
    '''
    ret = 0
    # 请在此添加代码实现数组的垂直叠加并赋值给ret
    #********** Begin *********#
    ret = np.vstack((m,n))
    #********** End **********#
    return ret
# 定义darray函数
def  darray(m,n):
    '''
    参数：
    m：是第一个数组
    n：是第二个数组
    返回值:
    ret: 一个numpy数组
    '''
    ret = 0
    # 请在此添加代码实现数组的深度叠加并赋值给ret
    #********** Begin *********#
    ret = np.dstack((m,n))
    #********** End **********#
    return ret
 # 定义harray函数
def  harray(m,n):
    '''
    参数：
    m：是第一个数组
    n：是第二个数组
    返回值:
    ret: 一个numpy数组
    '''
    ret = 0
    # 请在此添加代码实现数组的水平叠加并赋值给ret
    #********** Begin *********#
    ret = np.hstack((m,n))
    #********** End **********#
    return ret

第5关 Numpy 的拆分

# 引入numpy库
import numpy as np
# 定义varray函数
def  vsarray(m,n):
    '''
    参数：
    m：是第一个数组
    n：是需要拆分到的维度
    返回值:
    ret: 一个numpy数组
    '''
    ret = 0
    # 请在此添加代码实现数组的纵向拆分并赋值给ret
    #********** Begin *********#
    ret = np.vsplit(m,n)
    #********** End **********#
    return ret
# 定义darray函数
def  dsarray(m,n):
    '''
    参数：
    m：是第一个数组
    n：是需要拆分到的维度
    返回值:
    ret: 一个numpy数组
    '''
    ret = 0
    # 请在此添加代码实现数组的深度拆分并赋值给ret
    #********** Begin *********#
    ret = np.dsplit(m,n)
    #********** End **********#
    return ret
 # 定义harray函数
def  hsarray(m,n):
    '''
    参数：
    m：是第一个数组
    n：是需要拆分到的维度
    返回值:
    ret: 一个numpy数组
    '''
    ret = 0
    # 请在此添加代码实现数组的水平拆分并赋值给ret
    #********** Begin *********#
    ret = np.hsplit(m,n)
    #********** End **********#
    return ret

NumPy基础及取值操作

第1关 ndarray对象

import numpy as np
 
 
def print_ndarray(input_data):
    '''
    实例化ndarray对象并打印
    :param input_data: 测试用例，类型为字典类型
    :return: None
    '''
 
    #********* Begin *********#
    a = np.array(input_data['data'])
    print(a)
    #********* End *********#

第2关形状操作

import numpy as np
 
 
def reshape_ndarray(input_data):
    '''
    将ipnut_data转换成ndarray后将其变形成一位数组并打印
    :param input_data: 测试用例，类型为list
    :return: None
    '''
 
    #********* Begin *********#
    a = np.array(input_data)
    a = a.reshape((1,-1))
    print(a[0,])
    #********* End *********#

第3关基础操作

import numpy as np
 
 
def get_answer(input_data):
    '''
    将input_data转换成ndarray后统计每一行中最大值的位置并打印
    :param input_data: 测试用例，类型为list
    :return: None
    '''
 
    #********* Begin *********#
    a = np.array(input_data)
    print(a.argmax(axis=1))
    #********* End *********#

第4关随机数生成

import numpy as np
 
 
def shuffle(input_data):
    '''
    打乱input_data并返回打乱结果
    :param input_data: 测试用例输入，类型为list
    :return: result，类型为list
    '''
 
    # 保存打乱的结果
    result = []
    #********* Begin *********#
    result = list(np.random.choice(a=input_data,size=len(input_data),replace=False))
    #********* End *********#
    return result

第5关索引与切片

import numpy as np
 
def get_roi(data, x, y, w, h):
    '''
    提取data中左上角顶点坐标为(x, y)宽为w高为h的ROI
    :param data: 二维数组，类型为ndarray
    :param x: ROI左上角顶点的行索引，类型为int
    :param y: ROI左上角顶点的列索引，类型为int
    :param w: ROI的宽，类型为int
    :param h: ROI的高，类型为int
    :return: ROI，类型为ndarray
    '''
 
    #********* Begin *********#
    a = data[x:x+h+1,y:y+w+1]
    return a
    #********* End *********#

NumPy 数组的高级操作

第1关堆叠操作

import numpy as np


def get_mean(feature1, feature2):
    '''
    将feature1和feature2横向拼接，然后统计拼接后的ndarray中每列的均值
    :param feature1:待`hstack`的`ndarray`
    :param feature2:待`hstack`的`ndarray`
    :return:类型为`ndarray`，其中的值`hstack`后每列的均值
    '''
    #********* Begin *********#
    feature3 = np.hstack((feature1,feature2))
    return feature3.mean(axis = 0)
    
    #********* End *********#

第2关比较、掩码和布尔逻辑

import numpy as np


def student(num,input_data):
    result=[]
    # ********* Begin *********#
    a = np.array(input_data)
    result = a[a > num]




    # ********* End *********#
    return result

第3关花式索引与布尔索引

import numpy as np

def student(input_data):
    result=[]
    #********* Begin *********#
    d = np.array(input_data)
    result = d[(d >= 'A') & (d <= 'Z')]

    # ********* End *********#
    return result

第4关广播机制

import numpy as np

def student(a,b,c):
    result=[]
    # ********* Begin *********#
    a = np.array(a)
    b = np.array(b)
    c = np.array(c)
    result = a + b + c



    # ********* End *********#
    return result

第5关线性代数

from numpy import linalg
import numpy as np
def student(input_data):
    '''
    将输入数据筛选性别为男，再进行线性方程求解
    :param input_data:类型为`list`的输入数据
    :return:类型为`ndarray`
    '''
    result=[]
    # ********* Begin *********#
    a = np.array(input_data)
    x=[]
    y=[]
    for i in a:
        if i[0]=="男":
            x.append([int(i[1]),int(i[2])])
            y.append([int(i[-1])])
    if x==[] and y==[]:
        return result
    x=np.array(x)
    y=np.array(y)
    result=linalg.solve(x,y)
    # ********* End *********#
    return result

亲和性分析——商品推荐

第1关使用 Numpy 加载文件中的数据

input_file = input()   #接收要导入的文件  
#********* Begin *********#  
import numpy as np   
data_file = input_file  
X = np.loadtxt(data_file,delimiter=",")  
print(X)  
#********* End *********#

第2关处理 Numpy 加载到的数据

input_file = input()   #接收要导入的文件  
#********* Begin *********#  
import numpy as np 
data_file = input_file
X = np.loadtxt(data_file,delimiter=",")
num_milk_purchases = 0
num_bread_purchases = 0
num_milkbread_purchases = 0
for sample in X:
    if sample[0] == 1:
        num_milk_purchases += 1 
        if sample[1] == 1:
            num_milkbread_purchases += 1
    if sample[1] == 1:
        num_bread_purchases += 1
print("{0} people bought milk".format(num_milk_purchases))
print("{0} people bought bread".format(num_bread_purchases))
print("{0} people bought both milk and bread".format(num_milkbread_purchases))
#********* End *********#

第3关商品推荐——计算支持度和置信度

input_file = input()   #接收要导入的文件  
import numpy as np   
data_file = input_file  
Data = np.loadtxt(data_file,delimiter=" ")
from collections import defaultdict  
features = ["milk","bread","apple","banana","ham"]  #存放商品名称  
valid_rules = defaultdict(int)      #存放所有的规则应验的情况  
invaild_rules = defaultdict(int)    #存放规则无效  
num_occurances = defaultdict(int)   #存放条件相同的规则数量
#********* Begin *********#  
#-----在此补充算法计算每条规则的置信度和支持度-----#  
for sample in Data:             
    for premise in range(4):  
        if sample[premise] == 0:continue   
        num_occurances[premise] += 1        
        for conclusion in range(len(features)):  
            if premise == conclusion:continue  
            if sample[conclusion] == 1:  
                valid_rules[(premise,conclusion)] += 1  
            else:  
                invaild_rules[(premise,conclusion)] += 1            
support = valid_rules
confidence = defaultdict(float)  
for premise,conclusion in valid_rules.keys():  
    rule = (premise,conclusion)  
    confidence[rule] = valid_rules[rule] / num_occurances[premise]  
def print_rule(premise,conclusion,support,confidence,features):  
    premise_name = features[premise]  
    conclusion_name = features[conclusion]
    print("Rule: If a person buys {0} they will also buy {1}".format(premise_name,conclusion_name))  
    print("- Confidence: {0:.3f}".format(confidence[(premise,conclusion)]))    
    print("- Support: {0}".format(support[(premise,conclusion)]))
#********* End *********#  
#-----请勿删除Begin-End之外的代码框架-----#  
premise = int(input())         #获取条件  
conclusion = int(input())      #获取结论  
print_rule(premise, conclusion, support, confidence, features)

第4关商品推荐——排序找出最佳规则

input_file = input()   #接收要导入的文件  
import numpy as np   
data_file = input_file  
Data = np.loadtxt(data_file,delimiter=" ")  
from collections import defaultdict  
features = [ "milk", "bread", "apple", "banana","ham"]  #存放商品名称  
valid_rules = defaultdict(int)      #存放所有的规则应验的情况  
invaild_rules = defaultdict(int)    #存放规则无效  
num_occurances = defaultdict(int)   #存放条件相同的规则数量  
#********* Begin *********#  
#-----在此补充算法得到所有规则的置信度和支持度，并输出支持度最高的前5条规则-----#  
for sample in Data:             
    for premise in range(4):  
        if sample[premise] == 0:continue   
        num_occurances[premise] += 1        
        for conclusion in range(len(features)):  
            if premise == conclusion:continue  
            if sample[conclusion] == 1:  
                valid_rules[(premise,conclusion)] += 1  
            else:  
                invaild_rules[(premise,conclusion)] += 1              
support = valid_rules  
confidence = defaultdict(float)  
for premise,conclusion in valid_rules.keys():  
    rule = (premise,conclusion)  
    confidence[rule] = valid_rules[rule] / num_occurances[premise]  
def print_rule(premise,conclusion,support,confidence,features):  
    premise_name = features[premise]  
    conclusion_name = features[conclusion]  
    print("Rule: If a person buys {0} they will also buy {1}".format(premise_name,conclusion_name))  
    print("- Confidence: {0:.3f}".format(confidence[(premise,conclusion)]))    
    print("- Support: {0}".format(support[(premise,conclusion)]))  
from operator import itemgetter   
sorted_support = sorted(support.items(), key=itemgetter(1), reverse=True)
for index in range(5):   
    print("Rule #{0}".format(index + 1))   
    premise, conclusion = sorted_support[index][0]   
    print_rule(premise, conclusion, support, confidence, features)   
#********* End *********#  
#-----请勿删除Begin-End之外的代码框架-----#

文章来源:https://blog.csdn.net/wen030803/article/details/135726952
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。如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：chenni525@qq.com进行投诉反馈，一经查实，立即删除！

【头歌】 —— 数据分析与实践-python_NumPy基础及取值操作-NumPy数组的高级操作-Numpy初体验-亲和性分析——商品推荐

【头歌】 —— 数据分析与实践-python_NumPy基础及取值操作-NumPy数组的高级操作-Numpy初体验-亲和性分析——商品推荐

Numpy 初体验

第1关 Numpy 创建数组

第2关 Numpy 数组的基本运算

第3关 Numpy 数组的切片与索引

第4关 Numpy 数组的堆叠

第5关 Numpy 的拆分

NumPy基础及取值操作

第1关 ndarray对象

第2关 形状操作

第3关 基础操作

第4关 随机数生成

第5关 索引与切片

NumPy 数组的高级操作

第1关 堆叠操作

第2关 比较、掩码和布尔逻辑

第3关 花式索引与布尔索引

第4关 广播机制

第5关 线性代数

亲和性分析——商品推荐

第1关 使用 Numpy 加载文件中的数据

第2关 处理 Numpy 加载到的数据

第3关 商品推荐——计算支持度和置信度

第4关 商品推荐——排序找出最佳规则

第2关形状操作

第3关基础操作

第4关随机数生成

第5关索引与切片

第1关堆叠操作

第2关比较、掩码和布尔逻辑

第3关花式索引与布尔索引

第4关广播机制

第5关线性代数

第1关使用 Numpy 加载文件中的数据

第2关处理 Numpy 加载到的数据

第3关商品推荐——计算支持度和置信度

第4关商品推荐——排序找出最佳规则